Hybrid CNN-LSTM for Cyberattack Classification in Sudanese E-Government SDN
تقترح هذه الدراسة نموذج تعلم عميق هجين من نوع (CNN-LSTM) تم تدريبه على مجموعة بيانات مخصصة تجمع بين المعايير العالمية وحركة مرور الشبكات المعرفة برمجياً (SDN) المحاكية عبر برنامج (NS-3) لتحقيق دقة بنسبة 97.8% في اكتشاف الهجمات السيبرانية ضد البنية التحتية للحكومة الإلكترونية في السودان، مما يوفر حلاً قابلاً للتوسع لتعزيز الأمن السيبراني الوطني.
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
في العالم الحديث، تنتقل الحكومات بشكل متزايد نحو نقل عملياتها إلى الإنترنت، حيث تنشئ بوابات رقمية تتيح للمواطنين الوصول إلى الخدمات، ودفع الضرائب، واسترجاع السجلات دون الحاجة لزيارة مكتب مادي. هذا التحول، المعروف باسم الحكومة الإلكترونية، يعتمد بشكل كبير على شبكات حاسوبية معقدة لربط هذه الخدمات بالناس الذين يحتاجون إليها. ولجعل هذه الشبكات أسرع وأسهل في الإدارة، يتبنى الكثير منها بنية جديدة تسمى "الشبكات المعرفة بالبرمجيات" (Software-Defined Networking). يفصل هذا النهج بين "عقل" الشبكة، الذي يتخذ القرارات بشأن مسار البيانات، وبين "العضلات"، التي تقوم فعلياً بنقل البيانات. وبينما يجعل هذا النظام أكثر مرونة، فإنه يخلق نوعاً جديداً من الثغرات: فإذا تمكن مهاجم من خداع العقل المركزي، يمكنه تعطيل النظام بأكمله. علاوة على ذلك، ومع نمو هذه المنصات الرقمية، تصبح أهدافاً لهجمات سيبرانية متطورة تحاول سرقة البيانات أو إيقاف الخدمات. أما أنظمة الأمن التقليدية، التي تعتمد على البحث عن الأنماط السيئة المعروفة مثل أمين مكتبة يتحقق من قائمة الكتب المحظورة، فغالباً ما تجد صعوبة في رصد الحيل الجديدة والمتطورة أو الحجم الهائل لحركة المرور المشفرة. وهذا يترك فجوة حرجة في حماية المعلومات الحساسة لملايين المواطنين.
ولمعالجة هذا التحدي، طور باحثون في السودان نظاماً ذكياً جديداً مصمماً لرصد هذه الهجمات السيبرانية قبل أن تسبب ضرراً. لقد أدرك الفريق، بقيادة رانيا الشيخ حميد من جامعة السودان للعلوم والتكنولوجيا، أن المشهد الرقمي الخاص بالبلاد يتطلب حلاً مخصصاً. فقد علموا أن أدوات الأمن القياسية ليست كافية للتعامل مع المزيج الفريد من حركة مرور الويب وتدفقات الشبكة الموجودة في البوابات الحكومية السودانية. وبدلاً من الاعتماد على الأسالط القديمة، قاموا ببناء نموذج هجين للتعلم العميق. يجمع هذا النظام بين نوعين قويين من الذكاء الاصطناعي: أحدهما بارع في رصد الأنماط في البيانات الخام، مثل كاميرا تتعرف على الأشكال، والآخر ماهر في فهم التسلسلات والتوقيت، مثل قارئ يتابع تدفق القصة. ومن خلال دمج هذين النهجين، يمكن للنظام النظر في كل من المحتوى الفوري لحزمة البيانات وتاريخ وصول تلك البيانات، مما يسم يسمح له بالتمييز بين طلب مواطن مشروع وهجوم خبيث بدقة عالية.
كانت العقبة الكبرى التي واجهت الباحثين هي نقص البيانات الواقعية. فبسبب قوانين الخصوصية الصارمة والمخاوف المتعلقة بالأمن القومي، لم يكن بإمكانهم ببساطة استخدام سجلات حقيقية من خوادم الحكومة لتدريب نظامهم. ولحل هذه المشكلة، أنشأوا مجموعة بيانات مخصصة تحاكي البيئة الحقيقية دون الكشف عن أي معلومات خاصة. لقد جمعوا ثلاثة مصادر مختلفة من المعلومات لبناء أرضية التدريب هذه. أولاً، استخدموا معايير عالمية تحتوي على أمثلة لهجمات الشبكة الشائعة، مثل محاولات "حجب الخدمة" (Denial-of-Service) التي تغمر النظام بحركة مرور كثيفة. ثانياً، تضمنت مجموعات بيانات مصممة خصيصاً لإظهار هجمات الويب، مثل محاولات حقن أكواد ضارة في موقع إلكتروني. وأخيراً، ولجعل المحاكاة محلية حقاً، استخدموا برنامجاً حاسوبياً لتوليد حركة مرور اصطناعية تتصرف تماماً مثل شبكة الحكومة السودانية، بما في ذلك التأخيرات المحددة وأنماط التوجيه الموجودة في بنيتهم التحتية. سمحت لهم هذه البيانات الاصطناعية بتدريب نموذجهم على تمثيل واقعي للتهديدات التي تواجه السودان، مما يضمن عمل النظام عند نشره.
بمجرد تدريب النموذج، وضعه الباحثون تحت الاختبار لمعرفة مدى قدرته على تحديد الهجمات مقارنة بالطرق القديمة. لقد قارنوا نظامهم الهجين الجديد بعدة تقنيات راسخة، بما في ذلك أدوات التعلم الآلي التقليدية التي تعتمد على خبراء بشريين لتحديد شكل الهجوم، ونماذج أخرى من الذكاء الاصطناعي المستقلة. كانت النتائج واضحة؛ فقد حقق النموذج الهجين الجديد دقة إجمالية بلغت 97.8 بالمائة، مما يعني أنه حدد طبيعة حركة المرور بشكل صحيح في كل حالة تقريباً. والأهم من ذلك، أنه حافظ على معدل منخفض للغاية من الإنذارات الكاذبة، حيث صنف أقل من 1.5 بالمائة من الطلبات المشروعة على أنها خطيرة. وفي سياق الخدمات الحكومية، يعد الإنذار الكاذب مشكلة خطيرة لأنه يمكن أن يمنع المواطن من الوصول إلى بياناته الخاصة أو دفع فاتورة. ومن خلال إبقاء هذا الرقم منخفضاً للغاية، يضمن النظام بقاء الخدمات متاحة للجمب مع الاستمرار في اصطياد المهاجمين السيئين.
كما بحثت الدراسة في مدى سرعة اتخاذ النظام للقرارات. ففي شبكة تتعامل مع آلاف الطلبات في الثانية، لا يمكن لنظام أمني أن يكون بطيئاً، وإلا سيصبح عائقاً يؤخر كل شيء. وجد الباحثون أن نموذجهم يمكنه تحليل قطعة واحدة من البيانات وإجراء تنبؤ في غض most 18.6 مللي ثانية فقط. هذه السرعة كافية لتناسب المتطلبات الزمنية الحقيقية لمتحكم الشبكة، مما يعني أنه يمكنه إيقاف الهجوم في اللحظة التي يحدث فيها دون إبطاء تدفق المعلومات. وقد أثبت النظام فعالية خاصة ضد أنواع معينة من التهديدات، حيث حدد بنجاح يتجاوز 98 بالمائة محاولات "حقن SQL" (SQL injection)، التي تحاول التلاعب بقواعد البيانات، وهجمات "حجب الخدمة الموزعة" (DDoS)، التي تحاول إغراق الخادم. تشير هذه النتائج إلى أن النهج الهجين ليس سليماً من الناحية النظرية فحسب، بل هو قابل للتطبيق العملي لحماية البنية التحتية الوطنية الحيوية.
بينما تبدو النتائج واعدة، يحرص الباحثون على الإشارة إلى أن هذه خطوة للأمام وليست حلاً نهائياً. فقد تم اختبار النموذج على مجموعة بيانات، رغم كونها واقعية للغاية، إلا أنها تم إنشاؤها لمحاكاة البيئة بدلاً من سحبها من حركة المرور الحكومية الحية والمستمرة. ويقر الفريق بأنه مع استمرار تطور الهجمات السيبرانية، سيتعين على النظام التكيف. وفي عملهم المستقبلي، يخططون لاستكشاف طريقة تسمى "التعلم الاتحادي" (Federated Learning). هذا النهج سيسمح لمختلف الوكالات الحكومية بتدريب نموذج الأمن معاً باستخدام بياناتهم المحلية دون الحاجة أبداً إلى مشاركة المعلومات الخام والحساسة مع خادم مركزي. وهذا من شأنه أن يعزز قدرة النظام على اكتشاف التهديدات الجديدة مع احترام قيود الخصوصية والأمن الصارمة التي تحكم التعامل مع بيانات المواطنين. أما في الوقت الحالي، توفر الدراسة أساساً قوياً لمستقبل رقمي أكثر أماناً، حيث تقدم قاعدة ذكية وقابلة للتوسع يمكن أن تساعد في حماية نزاهة وثقة خدمات الحكومة الإلكترونية في السودان.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.