A Hybrid Machine-Learning Based Security Algorithm for Improved Detection of Distributed-Denial-of-Services Attacks in Internet of Things Networks
تقترح هذه الورقة إطار عمل هجين للأمن القائم على تعلم الآلة (MLBS) يدمج بين خوارزمية "الجار الأقرب" (KNN) والشبكات العصبية المتكررة (RNN) لتحقيق دقة ومتانة فائقتين في اكتشاف هجمات حجب الخدمة الموزعة (DDoS) ضمن شبكات إنترنت الأشياء (IoT)، متفوقة بذلك على النماذج التقليدية بمعدل اكتشاف يصل إلى 98.72%.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
يصبح العالم الحديث منسوجاً بشكل متزايد من خلال مليارات الأجهزة الصغيرة والذكية، من أجهزة تنظيم الحرارة التي تتعلم عاداتنا إلى المستشعرات التي تراقب المحاصيل في حقول بعيدة. هذه الشبكة الواسعة، المعروفة باسم "إنترنت الأشياء"، تسمح لهذه الأدوات بالتحدث مع بعضها البعض ومع السحابة الإلكترونية، مما يخلق أنظمة أكثر كفاءة واستجابة من أي وقت مضى. ومع ذلك، فإن هذا الاتصال المستمر يأتي مع ثغرة أمنية كبيرة؛ فبسبب كون هذه الأجهزة بسيطة وعديدة في كثير من الأحيان، يمكن اختطافها من قبل المهاجمين لتشكيل جيوش ضخمة ومنسقة. تشن هذه الجيوش الرقمية ما يسمى بهجمات "حجب الخدمة الموزعة" (DDoS)، وهي وسيلة يتم من خلالها إرسال فيض هائل من حركة المرور إلى هدف معين، مما يؤدي إلى سد مساراته وإيقافه تماماً. ومع نمو هذه الشبكات، تصبح الحاجة إلى وسيلة لرصد هذه الفيضانات وإيقافها في الوقت الفعلي أمراً بالغ الأهمية، خاصة وأن هذه الأجهزة غالباً ما تفتقر إلى القدرة على الدفاع ضد مثل هذه التهديدات المعقدة.
ولمعالجة هذا الخطر المتزايد، طور فريق من الباحثين في جامعة تسواني للتكنولوجيا وجامعة جوهانسبرغ نظاماً أمنياً جديداً مصمماً خصيصاً لهذه الشبكات الذكية. يعتمد نهجهم على الابتعاد عن الاعتماد على طريقة واحدة فقط للإيقاع بالمتسللين؛ بدلاً من ذلك، قاموا ببناء نظام هجين يجمع بين طريقتين متميزتين في التفكير في البيانات. الجزء الأول من نظامهم يعمل مثل "أمين مكتبة" يتعرف فوراً على الكتاب من خلال مقارنته بالملايين من الكتب الأخرى على الرف، باحثاً عن تطابقات دقيقة مع المشاغبين المعروفين. أما الجزء الثاني فيعمل مثل "المؤرخ" الذي يدرس تدفق الأحداث بمرور الوقت، ويتعلم إيقاع النشاط الطبيعي لكي يتمكن من رصد متى ينكسر هذا النمط فجأة. ومن خلال نسج هذين المنظورين معاً، ابتكر الباحثون أداة يمكنها تحديد الهجمات المألوفة والمألوفة أيضاً، وكذلك الهجمات الغريبة والجديدة التي لم يسبق رؤيتها من قبل.
اختبر الباحثون ابتكارهم باستخدام مجموعة كبيرة من بيانات الشبكة الواقعية التي تضمنت حركة مرور طبيعية وأنواعاً مختلفة من الهجمات السيبرانية. وقد أخضعوا نظامهم لسلسلة من عمليات المحاكاة الصارمة، حيث وضعوه في مواجهة الطرق القدية والمعيارية المستخدمة حالياً لحماية الشبكات. وأظهرت النتائج ميزة واضحة لنهجهم الجديد؛ فبينما كانت الطرق القديمة تعاني لمواكبة سرعة وتعقيد حركة المرور، وغالباً ما كانت تفشل في رصد الهجمات أو تطلق إنذارات كاذبة، حافظ النظام الجديد على مستوى عالٍ من الدقة. وفي هذه المحاكاة، نجح النظام في تحديد الهجمات بنسبة تقارب 99 في المائة. كما أثبت قدرة كبيرة على تجاهل حركة المرور غير الضارة، مما يضمن عدم إضاعة وقت النظام في مطاردة الأوهام. إن القدرة على رصد كل هجمة تقريباً مع ندرة ارتكاب الأخطاء تشير إلى أن هذا النهج المدمج أكثر موثوقية بكثير من استخدام تقنية واحدة بمفردها.
وما يجعل هذا العمل مهماً بشكل خاص هو كيفية تعامله مع الواقع الفوضوي لإنترنت الأشياء. ففي شبكة حقيقية، غالباً ما تكون البيانات صاخبة، أو غير كاملة، أو غير متوازنة، حيث تظهر بعض أنواع الهجمات بشكل متكرر أكثر بكثير من غيرها. وتفشل العديد من الأدوات الأمنية الحالية في ظل هذه الظروف، حيث تصاب بالارتباك أو البطء. ومع ذلك، أظهر النظام الجديد قدرة قوية على التكيف مع هذه الظروف الصعبة؛ فقد ظل فعالاً حتى عندما كانت البيانات غير مثالية أو عندما واجه أنماط هجوم لم يسبق له رؤيتها من قبل. وهذه المتانة ضرورية للاستخدام في العالم الحقيقي، حيث يجب أن تعمل الأنظمة الأمنية باستمرار دون تدخل بشري مستمر. وقد وجد الباحثون أنه من خلال الجمع بين التعرف الفوري لإحدى الطرق والتعلم المدرك للوقت للطريقة الأخرى، خلقوا دفاعاً يتسم بالحدة والمرونة في آن واحد.
تخلص الدراسة إلى أن هذا المنهج الهجين يقدم مساراً واعداً نحو تأمين عالم الأجهزة المتصلة المتوسع. وبين أن النتائج تستند حالياً إلى محاكاة الكمبيوتر وليس إلى نشر فعلي على شبكة مادية، إلا أن مقاييس الأداء مقنعة للغاية. فقد حقق النظام معدل دقة بلغ 98.72 في المائة، مع دقة (precision) بلغت 97.95 في المائة واستدعاء (recall) بلغ 98.94 في المائة، مما يعني أنه نجح في تحديد الغالبية العظمى من التهديدات مع إبقاء الإنذارات الكاذبة في حدها الأدنى. ويقر الباحثون بأن هناك حاجة لمزيد من العمل لاختبار النظام في بيئات حية ولضمان قدرته على العمل بكفاءة على الأجهزة ذات الإمكانيات المحدودة الموجودة في العديد من الأجهزة الذكية. ومع ذلك، تشير النتائج إلى أن الجمع بين أنواع مختلفة من خوارزميات التعلم قد يكون المفتاح للحفاظ على أمان إنترنت الأشياء من فيضانات المستقبل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.