💻 computer science

A Comparative Study of Intrusion Detection Models for DDoS and Brute Force Attack Detection Using Public Cybersecurity Datasets

تقترح هذه الدراسة نظام كشف تسلل قائم على تعلم الآلة باستخدام مجموعة بيانات CICIDS2017 للكشف عن هجمات حجب الخدمة الموزعة (DDoS) وهجمات القوة الغاشمة (Brute Force)، مظهرةً أن خوارزمية XGBoost تتفوق على الغابة العشوائية (Random Forest) والشبكات العصبية الاصطناعية (ANN) من خلال تحقيق دقة تقارب 99.9975% ومقاييس رئيسية أخرى.

المؤلفون الأصليون: Kazi Abdul Mannan, Md. Admir Hossin, Md. Soliman Ar Rafi

نُشر 2026-07-31

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Kazi Abdul Mannan, Md. Admir Hossin, Md. Soliman Ar Rafi

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

تخيل الإنترنت كمدينة ضخمة وصاخبة حيث يتواصل مليارات الأشخاص والأجهزة والخدمات مع بعضهم البعض باستمرار. في هذه الحاضرة الرقمية، يوجد دائمًا مثيرو شغب يحاولون إحداث الفوضى. بعض هؤلاء المثيرين يشبهون حشدًا هائلًا يغمر شارعًا معينًا بلقاء عدد كبير جدًا من الناس لدرجة أنه لا يمكن لأحد غيرهم المرور؛ وهذا ما يسمى بهجوم حجب الخدمة الموزع (DDoS). والبعض الآخر يشبه النشال الذي يحاول تجربة كل مفتاح في حلقة مفاتيح ضخمة ليجد المفتاح الوحيد الذي يفتح بابًا مغلقًا؛ وهذا هو هجوم القوة الغاشمة (Brute Force).

وللحفاظ على أمن المدينة، لدينا حراس أمن يطلق عليهم أنظمة كشف التسلل (IDS). لفترة طويلة، عمل هؤلاء الحراس مثل البوابين الذين يحملون ملصق "مطلوب للعدالة". كان بإمكانهم فقط القبض على المجرمين إذا كان وجه المجرم موجودًا بالفعل على الملصق. وإذا ظهر مجرم جديد يرتدي تنكرًا، فلن يعرف البواب كيفية إيقافه. ولإصلاح ذلك، بدأ العلماء في تعليم هؤلاء الحراس ليكونوا أكثر ذكاءً. فبدلاً من مجرد حفظ الوجوه، علموا الحراس التعلم من سلوك الحشود. لقد استخدموا تعلم الآلة (Machine Learning)، وهو نوع من عقول الكمبيوتر التي تدرس ملايين الأمثلة من حركة المرور "الجيدة" وحركة المرور "السيئة" حتى تتمكن من رصد الأنماط الماكرة لمجرم جديد بمفردها. والسؤال الكبير هو: أي نوع من العقول الذكية يعمل بشكل أفضل في القبض على مثيري الشغب الرقميين هؤلاء؟

تسعى هذه الورقة البحثية لإيجاد الإجابة من خلال وضع ثلاثة أنواع مختلفة من "العقول الذكية" تحت الاختبار. استخدم الباحثون مكتبة ضخمة وواقعية من سجلات حركة المرور الرقمية تسمى CICIDS2017، والتي تحتوي على ملايين الأمثلة من نشاط الإنترنت الطبيعي ممزوجة بهجمات متنوعة. لقد قاموا بتدريب ثلاثة نماذج محددة من تعلم الآلة على هذه البيانات: الغابة العشوائية (Random Forest)، وXGBoost، والشبكة العصبية الاصطناعية (ANN). يمكنك التفكير في الغابة العشوائية كأنها لجنة من المحققين المختلفين، كل منهم ينظر إلى الأدلة ويصوت على من هو الشرير. أما XGBoost فهو يشبه المحقق الذي يتعلم من أخطائه، حيث يبني استراتيجية جديدة في كل مرة يخطئ فيها في فهم دليل ما حتى يصبح مثاليًا. والشبكة العصبية الاصطناعية مستوحاة من الدماغ البشري، مع طبقات من الاتصالات التي تحاول اكتشاف الأنماط المعقدة، رغم أنها قد تكون حساسة قليلاً لكيفية تقديم الأدلة.

أخضع الباحثون هذه النماذج الثلاثة لنفس التدريب والاختبار الصارم لمعرفة أي منها يمكنه رصد هجمات DDoS والقوة الغاشمة بدقة أكبر. كانت النتائج مبهرة للغاية. كانت جميع النماذج الثلاثة ممتازة في وظائفها، لكن XGBoost برز كبطل واضح. في الاختبارات، حقق XGBoost دقة مذهلة بلغت 99.9975% في كل من الدقة (accuracy)، والضبط (precision)، والاستدعاء (recall)، ومقياس F1 (F1-score). وهذا يعني أنه حدد كل هجوم تقريبًا بشكل صحيح ولم يرتكب أخطاءً تقريبًا. وجاءت الغابة العشوائية في المركز الثاني بفارق ضئيل جدًا، حيث قدمت أداءً يقارب مستواه، بينما كانت الشبكة العصبية الاصطناعية جيدة جدًا أيضًا ولكنها سجلت درجة أقل قليلاً، حيث وصلت إلى حوالي 99.9550%. وتشير الدراسة إلى أن الانخفاض الطفيف في أداء الشبكة العصبية قد يكون بسبب حساسيتها الشديدة لكيفية إعداد البيانات، في حين تعاملت النماذج القائمة على الأشجار مثل XGBoost والغابة العشوائية مع البيانات بشكل طبيعي أكثر.

في النهاية، تخلص الورقة إلى أنه بالنسبة للقبض على هذه الأنواع المحددة من الهجمات السيبرانية، فإن أسلوب "اللجنة" الخاص بالغابة العشوائية وأسلوب "التعلم من الأخطاء" الخاص بـ XGBoost هما الأداتان الأكثر موثوقية. كما وجدت الدراسة أن النماذج أولت اهتمامًا أكبر لتفاصيل محددة حول كيفية تحرك حزم البيانات عائدةً عبر الشبكة، مما يشير إلى أن الطريقة التي تعود بها البيانات إلى المرسل هي دليل كبير لرصد المشاكل. وبينما يشير الباحثون إلى أن هذه النتائج تستند إلى مجموعة بيانات محددة وليس إلى حركة مرور الإنترنت الحية والآنية، فإن النتائج تشير بقوة إلى أن طرق التعلم الجماعي (ensemble learning) هذه فعالة للغاية ويمكن أن تحسن بشكل كبير طريقة حماية مدننا الرقمية في المستقبل.

أبحاث مشابهة