Q-LDPSO: Quantum-Enhanced Leaders-Driven Particle Swarm Optimizer for Intrusion Detection in IoT Environments

لقد نسجت إنترنت الأشياء مليارات الحواسيب الصغيرة في نسيج الحياة اليومية، من أجهزة تنظيم الحرارة الذكية وأجهزة المراقبة الطبية إلى المستشعرات الصناعية والبنية التحتية للمدن. وتتواصل هذه الأجهزة باستمرار مع بعضها البعض، مما يولد تدفقاً هائلاً ومستمراً من البيانات. ومع ذلك، فإن هذا الاتصال يخلق مشهداً واسعاً وهشاً أمام الهجمات السيبرانية. ونظ de لأن هذه الأجهزة غالباً ما تمتلك قدرات حوسبة محدودة، فهي لا تستطيع تشغيل البرامج الأمنية الثقيلة والمعقدة المستخدمة في الخوادم القوية. وهذا يتركها معرضة للمتسللين الذين يمكنهم الاختباء بين حركة المرور الطبيعية، مما يجعل من الصعب للغاية رصد التهديد قبل أن يتسبب في ضرر. ولحماية هذه الشبكات، يجب أن تعمل الأنظمة الأمنية كمرشحات عالية الكفاءة، تغربل ملايين النقاط البيانية للعثور على القلة التي تشير إلى وقوع هجوم. ويكمن التحدي في حجم المعلومات الهائل؛ إذ غالباً ما تُصاب البرامج الأمنية بالإرهاق بسبب كثرة التفاصيل، والتي يكون الكثير منها غير ذي صلة أو مكرراً. ولحل هذه المشكلة، يبحث الباحثون عن طرق لتحديد أصغر مجموعة من القرائن الحاسمة التي يمكنها التمييز بدقة بين النشاط الآمن والهجوم السيبراني، وهي عملية تُعرف باسم "اختيار الميزات" (feature selection).

في دراسة حديثة، اقترح باحث في معهد فيلور للتكنولوجيا في الهند طريقة جديدة لحل مشكلة الترشيح هذه، مصممة خصيصاً للقيود الفريدة لشبكات إنترنت الأشياء. والنهج الذي أطلق عليه اسم Q-LDPSO هو محرك بحث متطور يساعد الأنظمة الأمنية في اتخاذ القرار بشأن نقاط البيانات التي يجب الاحتفاظ بها وتلك التي يجب تجاهلها. وهو يجمع بين فكرتين قويتين: استراتيجية تستخدم فريقاً من "القادة" لتوجيه مجموعة من وكلاء البحث، وتقنية مستوحاة من القواعد الغريبة للفيزياء الكمومية لضمان بدء البحث بأقصى قدر من التنوع. والهدف هو إيجال المزيج المثالي من خصائص حركة المرور التي تسمح للنظام الأمني بالكشف عن التسللات بدقة تقارب الكمال مع استخدام أقل عدد ممكن من نقاط البيانات. وقد اختبر الباحث هذه الطريقة على ثلاث مجموعات بيانات رئيسية تحتوي على ملايين السجلات من حركة مرور إنترنت الأشياء في العالم الحقيقي، بما في ذلك هجمات "البوت نت" وغيرها من التهديدات السيبرانية المتنوعة.

جوهر هذا النظام الجديد هو طريقة ذكية لبدء البحث. فالطرق التقليدية غالباً ما تبدأ باختيار نقطة انطلاق عشوائية، مما قد يؤدي بوكلاء البحث إلى التكتل معاً في نفس المنطقة، وبالتالي تفويت حلول أفضل في أماكن أخرى. يستخدم الأسلوب الجديد مفهوماً من ميكانيكا الكم يُسمى "التراكب" (superposition) لإنشاء المجموعة الابتدائية. تخيل عملة معدنية تدور في الهواء، موجودة كوجه وظهر في آن واحد، بدلاً من الاستقرار على جانب واحد فوراً. يستخدم النظام هذا المبدأ لإنشاء مجموعة متنوعة من نقاط البداية التي تضمن انتشارها بشكل متساوٍ عبر كامل مساحة البحث. وهذا يضمن أن يبدأ البحث بشبكة واسعة تُلقى فوق جميع الاحتمالات، بدلاً من تخمين عشوائي قد يخطئ الوصول إلى الحل الأفضل.

بمجرد بدء البحث، ينظم النظام وكلاء البحث في هيكل هرمي. فبدلاً من أن يطارد كل وكيل حلاً واحداً "أفضل" تم العثور عليه حتى الآن، يحدد النظام مجموعة صغيرة من الوكلاء الأعلى أداءً ليعملوا كقادة. هؤلاء القادة يوجهون بقية المجموعة، ولكن مع لمسة مختلفة؛ فهم لا يتحركون في خط مستقيم نحو الإجابة الأفضل الحالية فحسب، بل يستخدمون استراتيجية تسم تسمح لهم بالاستكشاف في اتجاهين في وقت واحد: مسار يتحرك نحو الحل الجيد المعروف لصقله، ومسار آخر يتحرك بعيداً لاكتشاف مناطق جديدة كلياً، قد تكون أفضل. هذا التحرك ثنائي الاتجاه يمنع البحث من العلوق في فخ محلي، حيث قد يستقر على إجابة "جيدة بما يكفي" بينما يظل هناك حل أفضل بكثير مخفياً في مكان ما. يسمح النظام للقادة فعلياً بـ "النفق" عبر الحواجز التي قد توقف بحثاً تقليدياً، مما يؤدي للوصول إلى الحل الأمثل العالمي الحقيقي.

كانت نتائج تطبيق هذه الطريقة مذهلة. فعند اختبارها على مجموعة بيانات CIC-IoT2023، التي تحتوي على أكثر من 733,000 عينة من حركة مرور الشبكة مع 33 نوعاً مختلفاً من الهجمات، حقق النظام الجديد دقة بلغت 99.63%. وقد نجح في اكتشاف 99.71% من جميع الهجمات بينما لم يرفع إنذاراً كاذباً إلا بنسبة 0.15% من الوقت. ولعل الأهم بالنسبة للأجهزة ذات القدرة المحدودة، هو أن النظام تمكن من تقليل نقاط البيانات التي يحتاج إلى تحليلها من 83 إلى 19 نقطة فقط. ويمثل هذا تقليلاً بنسبة تزيد عن 77% في كمية المعلومات التي يتعين على النظام الأمني معالجتها، مما يجعله أسرع وأكثر كفاءة. كما أدى النظام أداءً استثنائياً في مجموعتي البيانات الرئيسيتين الأخريين، N-BaIoT و BoT-IoT، محققاً معدلات دقة بلغت 99.81% و 99.47% على التوالي، مما يثبت أن الطريقة تعمل بفعالية عبر أنواع مختلفة من بيئات إنترنت الأشياء.

لفهم سبب نجاح هذا النظام الجديد بهذا الشكل، قام الباحث بتفكيك أجزائه. فقد اختبر النظام باستخدام طريقة البداية المستوحاة من الكم فقط، ثم باستخدام استراتيجية البحث ثنائية الاتجاه فقط، وأخيراً باستخدام كليهما معاً. وأظهرت النتائج أن كل جزء ساهم بشيء فريد، ولكن الجمع بينهما هو ما أنتج النتيجة الأفضل. فقد وفرت البداية المستوحاة من الكم أساساً متنوعاً، بينما حافظ البحث ثنائي الاتجاه على تحرك النظام بفعالية نحو الحل الأفضل دون أن يعلق. وهذا أكد أن الابتكارين عملا معاً بشكل تآزري، وليس مجرد إضافة تأثيراتهما فوق بعضهما البعض. كما قارنت الدراسة هذه الطة الجديدة بتسع خوارزميات أخرى، بما في ذلك تقنيات البحث القياسية والأساليب الأخرى المستوحاة من الكم. وفي كل حالة، تفوقت الطريقة الجديدة على الآخرين، حيث وجدت حلولاً أفضل وبسرعة أكبر ومع عدد أقل من نقاط البيانات.

السمات المحددة التي اختارها النظام لتحديد الهجمات لم تكن عشوائية؛ بل تماشت مع ما يعرفه خبراء الأمن كمؤشرات حاسمة للنشاط الضار. فقد حدد النظام بشكل مستقل خصائص مثل مدة تدفق البيانات، وإجمالي عدد الحزم المرسلة في اتجاه معين، والحد الأقصى لطول الحزمة. وهذه هي نفس أنواع الإحصائيات التي يستخدمها المحللون البشريون للتمييز بين حركة المرور الطبيعية وفيضان بيانات الهجوم. وحقيقة أن النظام وجد هذه الأنماط دون أن يُخبر صراحة بما يجب البحث عنه تشير إلى أن البحث الموجه كمياً يعمل فعلياً على التحسين من أجل القدرة على رصد التهديدات الحقيقية، بدلاً من مجرد العثور على غرائب إحصائية في البيانات.

يمثل هذا العمل خطوة كبيرة نحو جعل أمن إنترنت الأشياء قابلاً للتطبيق في العالم الحقيقي. فمن خلال التقليل بشكل كبير من عدد الميزات المطلوبة للكشف عن الهجوم، تجعل هذه الطريقة من الممكن تشغيل أنظمة أمنية عالية الأداء على الأجهزة ذات القدرات المحدودة الموجودة في العديد من أجهزة إنترنت الأشياء. وتوضح الأبحاث أنه من خلال استعارة مبادئ من الفيزياء الكمومية وتنظيم عملية البحث بهيكل قيادي، يمكن التنقل في المشهد المعقد لبيانات الشبكة بفعالية أكبر من أي وقت مضى. وتوفر هذه النتائج مساراً ملموساً نحو حماية أكثر قوة وكفاءة لمليارات الأجهزة المتصلة التي تدعم المجتمع الحديث بشكل متزايد.