Computational model of multi-source data fusion for submarine cable threat detection
تقترح هذه الورقة نموذجاً حوسبياً لدمج البيانات متعدد المصادر يدمج طوبولوجيا الكابلات، ومسارات نظام التعريف الآلي (AIS)، والبيانات الصوتية تحت الماء عبر الالتفاف الرسومي ونظرية دمبستر-شيفر لتحسين دقة اكتشاف تهديدات الكابلات البحرية والمتانة ضد هجمات التزييف بشكل كبير مقارنة بالطرق أحادية المصدر.
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
تقبع تحت أمواج محيطات العالم شبكة عصبية هشة وغير مرئية: شبكة واسعة من الكابلات البحرية التي تحمل الغالبية العظمى من البيانات الدولية، وتربط القارات وتدعم الاقتصاد العالمي. هذه الكابلات هي العمود الفقري المادي للإنترنت، ومع ذلك فهي معرضة لأمواج البحر المفتوح، وعرضة للأضرار العرضية الناتجة عن معدات الصيد أو التخريب المتعمد من قبل سفن معادية. لعقود من الزمن، كانت الطريقة الأساسية لمراقبة هذه الكابلات هي تتبع تحركات السفن على السطح باستخدام نظام يسمى نظام التعريف الآلي (AIS). يعمل هذا النظام مثل منارة رقمية، حيث يبث موقع السفينة وسرعتها وهويتها. ومع ذلك، فإن هذه الطريقة تعاني من نقطة ضعف حرجة: الإشارات تُرسل بنصوص مجردة دون أمن قوي، مما يعني أن أي جهة خبيثة يمكنها بسهء بث إحداثيات مزيفة. يمكن للسفينة أن تتظاهر بأنها بعيدة عن الكابل بينما هي في الواقع تحوم فوقه مباشرة، مستعدة لقطع الخط، بينما لا يرى نظام المراقبة سوى سفينة "آمنة" في الجانب الآخر من المحيط.
ولحل هذه المشكلة، طور الباحثون طريقة جديدة لمراقبة المحيطات لا تعتمد على مصدر واحد للحقيقة. فبدلاً من الثقة فقط في الإشارة الرقمية من السفينة، يقومون بدمجها مع الواقع المادي للمياه. يتعامل هذا النهج مع المحيط كفضاء معقد ثلاثي الأبعاد حيث يجب التحقق من البيانات الرقمية، والتخطيط المادي للكابلات، والأصوات الفعلية للبحر مع بعضها البعض. ومن خلال دمج هذه الأنواع المختلفة من المعلومات، يمكن للنظام اكتشاف متى تكذب البيانات الرقمية وتتعارض مع الأدلة المادية، مما يضمن حماية الكابلات البحرية حتى لو حاول شخص ما خداع برنامج المراقبة.
قام الباحثون، بالعمل مع بيانات من المياه قبالة الساحل الغربي لأمريكا الشمالية، ببناء نموذج حوسبي مصمم لرؤية الصورة الكاملة دفعة واحدة. بدأوا بإنشاء خريطة رقمية لقاع المحيط، وتقسيم منطقة البحر إلى مربعات صغيرة. وفي هذه الشبكة، صبوا ثلاثة تدفقات متميزة من المعلومات: أولاً، رسموا الموقع المادي الفعلي للكابلات البحرية. ثانياً، أدخلوا بيانات حركة السفن في الوقت الفلي من نظام (AIS). ثالثاً، وهو الأهم، أضافوا بيانات من ميكروفونات تحت الماء، تُعرف باسم الهيدروفونات، والتي تستمع إلى أصوات قاع المحيط. يمكن لهذه الميكروفونات اكتشاف الضوضاء المحددة لمرساة ثقيلة تجر عبر قاع البحر أو مروحة سفينة تشق المياه، وهي أصوات لا يمكن لبرنامج كمبيوتر تزييفها.
كان التحدي الجوهري الذي واجهه الفريق هو أن هذه المصادر الثلاثة للمعلومات غالباً ما تختلف، خاصة عند وقوع هجوم. فإذا كانت سفينة تحاول تخريب كابل ما، فقد تشير إشارة (AIS) الخاصة بها إلى أنها تتحرك بعيداً بأمان، بينما تسمع الميكروفونات تحت الماء صوت مرساة تسقط مباشرة فوق الكابل. في الماضي، كان الكمبيوتر الذي يحاول فهم هذا التضارب سيقوم ببساطة بمتوسط هذين التقريرين المتعارضين، مما يؤدي على الأرجح إلى نتيجة مشوشة مثل "ربما" تفشل في رصد الخطر. ومع ذلك، يستخدم النموذج الجديد طريقة متطورة لوزن هذه القصص المتضاربة؛ فهو يعامل بيانات (AIS) الرقمية والبيانات الصوتية الفيزيائية كشاهدين مختلفين. عندما تتطابق قصصهما، يكون النظام واثقاً، ولكن عندما تتعارض، يتبع النموذج قاعدة: إنه يثق في الدليل المادي أكثر. ولأن الموجة الصوتية التي تنتقل عبر الماء هي حدث فيزيائي يصعب جداً تزييفه، يتعلم النظام تجاهل الإحداثيات الرقمية المزيفة والتركيز على الصوت الحقيقي للتهديد.
ولإنجاح ذلك، صمم الببحاث نظاماً يتعلم كيفية الانتباه إلى الأجزاء الأكثر أهمية من البيانات. إنه يستخدم نوعاً من الذكاء الاصطناعي الذي يفهم كيفية ارتباط الأشياء في الزمان والمكان، مما يسمح له برؤية الأنماط التي قد تغفل عنها قائمة بسيطة من الأرقام. يمكنه التمييز بين سفينة تمر فحسب وأخرى تتربص بشكل مريب فوق كابل ما. وعندما يكتشف النظام تعارضاً بين ما تدعي السفينة فعله وما تسمعه المستشعرات تحت الماء، فإنه يخفض تلقائياً مستوى ثقته في التقرير الرقمي للسفينة ويرفع حالة الإنذار بناءً على الصوت الفيزيائي. وهذا يخلق "قاطع دائرة" يمنع الكذبة الرقمية من إسكات التحذير المادي.
اختبر الفريق هذا النموذج باستخدام بيانات واقعية جُمعت على مدار عام كامل، شملت آلاف تحركات السفن وساعات من التسجيلات الصوتية تحت الماء. ووجدوا أن النظام الجديد كان أكثر دقة بكثير من الطرق القديمة التي تعتمد فقط على تتبع السفن. في الاختبارات القياسية، حقق النموذج مساحة تحت المنحنى (AUC) بلغت 0.95، وهو تحسن كبير مقارنة بالتقنيات السابقة. والأهم من ذلك، قام الباحثون بمحاكاة سيناريو تم فيه تزييف 30 بالمائة من بيانات السفن عمداً لإخفاء محاولة تخريب. وبينما فشلت الأنظمة القديمة تماماً تحت هذا الخداع، حيث انخفضت قيمة (AUC) لديها إلى أقل من 0.6، حافظ النموذج الجديد على قوته؛ إذ استمر في الحفاظ على مستوى عالٍ من الدقة، ونجح في تحديد التهديد لأن الميكروفونات تحت الماء قدمت حقيقة لا يمكن للإشارات الرقمية المزيفة تجاوزها.
يبرهن هذا البحث على أن مستقبل حماية البنية التحتية الحيوية يكمن في التدقيق المتبادل بين أنواع مختلفة من الأدلة. فمن خلال الجمع بين العالم الرقمي لتتبع السفن والعالم الفيزيائي للصوتيات تحت الماء، يخلق النظام دفاعاً قوياً ضد الخداع. إنه لا يراقب السلوك السيئ فحسب، بل يبحث بنشاط عن اللحظة التي تتوقف فيها القصة الرقمية عن مطابقة الواقع المادي. وتشير النتائج إلى أنه من أجل سلامة الإنترنت العالمي، يجب ألا نكتفي بالاعتماد على مصدر واحد للمعلومات، بل يجب بناء أنظمة يمكنها سماع الحقيقة حتى عندما تكون البيانات كاذبة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.