SHAP based Hybrid Intrusion Detection Scheme Using ADASYN, Filter Method, and Ensemble Learning for IoT and Computer Network

في العالم الحديث، تتشابك حياتنا الرقمية من خلال شبكة واسعة وغير مرئية من الاتصالات. فمن أجهزة تنظيم الحرارة الذكية في منازلنا إلى الروبوتات الصناعية في أرضيات المصانع، تتواصل مليارات الأجهزة مع بعضها البعض باستمرار. هذا الترابط، الذي يُطلق عليه غالبًا "إنترنت الأشياء"، قد جلب راحة وكفاءة مذهلتين، ولكنه فتح الباب أيضًا أمام أنواع جديدة من المشاكل. تمامًا كما تحتاج المدينة المادية إلى شرطة لمراقبة الجريمة، تحتاج هذه الشبكات الرقمية إلى حارس يقظ ومستمر لرصد الأنشطة الخبيثة قبل أن تسبب الضرر. لسنوات، اعتمد خبراء الأمن على الأنظمة الآلية لمراقبة هذه الحركة، لكن هذه الأنظمة غالبًا ما تعمل مثل "الصندوق الأسود": فهي تتخذ قرارًا بإطلاق إنذار، لكنها لا تستطيع شرح السبب. هذا النقص في الشفافية يجعل من الصعب على المشغلين البشريين الوثوق بالنظام أو فهم طبيعة التهديد. علاوة على ذلك، نادرًا ما تكون هذه الشبكات مثالية؛ فهي غالبًا ما تحتوي على أمثلة للنشاط الطبيعي والآمن أكثر بكما تحتوي على الهجمات الفعلية، مما قد يربك الحراس الآليين ويتسبب في جعلهم يغفلون عن المخاطر ذاتها التي وُجدوا للإمساك بها.

اقترح فريق من الباحثين في المعهد الوطني للتكنولوجيا في باتنا طريقة جديدة لبناء هؤلاء الحراس الأمنيين، وهي طريقة تجمع بين التعلم الآلي عالي السرعة والاستنتاج الشبيه بالبشر. يركز عملهم على إنشاء نظام لا يكتفي فقط باكتشاف التسللات بدقة عالية، بل يشرح أيضًا استنتاجه بطريقة يمكن للبشر فهمها. لقد بدأوا بمعالجة مشكلة البيانات غير المتوازنة. في العالم الحقيقي، تكون الهجمات نادرة مقارنة بحركة المرور الطبيعية، تمامًا مثل العثور على ورقة نقدية مزيفة واحدة في كومة من آلاف الأوراق الأصلية. ولتدريب نظامهم بفعالية، استخدم الباحثون تقنية تنشئ أمثلة اصطناعية لهذه الهجمات النادرة، مما يعني تعليم النظام شكل التهديد عبر توليد سيناريوهات تدريبية واقعية. وهذا يضمن عدم تجاهل النظام للفئة الأقل عددًا من الأحداث الخطيرة لمجرد أنها قليلة العدد.

بمجرد موازنة البيانات، واجه الفريق تحدي كثرة المعلومات. فتولّد حركة مرور الشبكة عددًا هائلاً من التفاصيل، والتي يكون الكثير منها زائدًا عن الحاجة أو غير ذي صلة. ولتجاوز هذا الضجيج، طبقوا عملية تصفية حددت الإشارات الأكثر أهمية واستبعدت البقية. هذه الخطوة حاسمة للسرعة والكفاءة، حيث تسمح للنظام بالتركيز فقط على السمات التي تهم حقًا. بعد ذلك، قاموا بتدريب النظام باستخدام طريقة تسمى "التعلم الجماعي" (Ensemble Learning). فبدلاً من الاعتماد على خوارزمية واحدة لاتخاذ القرار، قاموا بدمج أحكام عدة نماذج مختلفة. تخيل لجنة من الخبراء حيث يمتلك كل عضو طريقة مختلفة قليلاً في النظر إلى المشكلة؛ فمن خلال التصويت معًا، يصلون إلى استنتاج أكثر قوة وموثوقية مما قد يحققه أي خبير بمفرده. يساعد هذا النهج النظام على تجنب العثرات الشائعة المتمثلة في أن يكون جامدًا للغاية أو سهل التأثر بالتقلبات العشوائية في البيانات.

ومع ذلك، فإن الابتكار الأهم في هذا العمل هو إضافة طبقة تفسيرية. فقد دمج الباحثون أداة تفكك القرار النهائي، وتوضح بالضبط أي قطع من المعلومات رجحت الكفة نحو إطلاق الإنذار. وهذا يحول النظام من "عراف غامض" إلى شريك شفاف. فعندما يرصد النظام اختراقًا محتملاً، يمكنه الإشارة إلى عوامل محددة، مثل نمط غير عادي في حزم البيانات أو تسلسل زمني غريب، مما يسمح للمشغل البشري بالتحقق من التهديد بسرعة. اختبر الفريق نهجهم على مجموعتي بيانات رئيسيتين: إحداهما تمثل حركة مرور شبكة الكمبيوتر القياسية، والأخرى مصممة خصيصًا لأجهزة إنترنت الأشياء باستخدام بروتوكول اتصال شائع. كانت النتائج مذهلة؛ حيث حقق النظام معدل دقة يقترب من 99 بالمائة على بيانات الشبكة القياسية، وأكثر من 98 بالمائة على بيانات إنترنت الأشياء. والأهم من ذلك، أنه نجح في تحديد الغالبية العظمى من الهجمات الفعلية مع إبقاء الإنذارات الكاذبة في حدها الأدنى.

قارن الباحثون طريقتهم أيضًا بالنماذج الأمنية القائمة ووجدوا أن نهجهم الهجين يتفوق عليها باستمرار. لقد أثبتوا أن الجمع بين موازنة البيانات، والاختيار الدقيق للميزات، ونماذج التصويت المتعددة، يخلق دفاعًا أقوى من استخدام أي من هذه التقنيات بشكل منفصل. وربما الأهم من ذلك، هو أنهم أظهروا أن قرارات النظام ليست سليمة إحصائيًا فحسب، بل هي قابلة للتفسير أيضًا. فمن خلال استخدام طريقة تخصص قيم أهمية لمختلف نقاط البيانات، أثبتوا أن النظام يتخذ قراراته بناءً على أنماط منطقية وقابلة للتحديد وليس بناءً على التخمين العشوائي. يشير هذا العمل إلى أن مستقبل أمن الشبكات لا يكمن فقط في بناء خوارزميات أسرع أو أكثر تعقيدًا، بل في إنشاء أنظمة يمكنها التعاون مع البشر، وتقديم أسباب واضية لأفعالها، والتكيف مع التهديدات الجديدة من خلال حلقة تغذية راجعة. وبينما ننتقل إلى عصر يعمل فيه البشر والآلات جنبًا إلى جنب، فإن امتلاك نظام أمني قوي ومفهوم في آن واحد ليس مجرد تفضيل تقني، بل هو ضرورة لبناء عالم رقمي مرن.