Smart Cities AVNs: Transparent and Privacy-Preserving Cyber Attack Prediction with Explainable Federated Feature Selection

في المدينة الحديثة، لم تعد المركبة مجرد آلة للنقل؛ بل أصبحت عقدة متحركة في شبكة واسعة وغير مرئية. تتواصل السيارات مع بعضها البعض، ومع إشارات المرور، وأجهزة استشعار الطريق، وخوادم السحابة، مما يخلق نسيجاً ديناميكياً من البيانات يسمح بحركة مرور أكثر سلاسة ورحلات أكثر أماناً. هذا النظام المترابط، المعروف باسم شبكة المركبات ذاتية القيادة، يعد بمستقبل من التنقل الذكي. ومع ذلك، فإن هذا الاتصال يخلق ثغرة أمنية جديدة. فتماماً كما أن المنزل الذي يحتوي على نوافذ كثيرة مفتوحة يكون من السهل اقتحامه، فإن شبكة السيارات المتصلة توفر نقاط دخول عديدة للمهاجمين السيبرانيين. يمكن لهؤلاء المتسللين الرقميين حقن معلومات كاذبة، أو تعطيل الاتصالات، أو اختطاف عناصر التحكم في المركبة، مما يحول ميزة الأمان إلى خطر أمني. ولحماية هذه الأنظمة، اعتمد المهندسون لفترة طويلة على أنظمة كشف التسلل، التي تعمل مثل كاميرات المراقبة لحركة مرور الشبكة، حيث تبحث عن الأنماط التي تشير إلى وقوع هجوم.

ومع ذلك، فإن التحدي يكمن في أن هذه الشبكات واسعة جداً وخاصة جداً بحيث لا يمكن مراقبتها من قبل سلطة مركزية واحدة. إن جمع كل قطعة من البيانات من كل سيارة وإرسالها إلى خادم مركزي سيكون بطيئاً ومكلفاً وينتهك الخصوصية بشكل صارخ. علاوة على ذلك، فإن أنماط حركة المرور في المدينة ليست موحدة؛ فالسيارة في منطقة وسط المدينة المزدحمة ترى حركة مرور تختلف عن تلك الموجودة في ضاحية هادئة، وقد يتصرف المهاجم بشكل مختلف في منطقة ما عن منطقة أخرى. وغالباً ما تفشل الطرق التقليدية لتدريب الأنظمة الأمنية هنا لأنها تفترض أن جميع البيانات تبدو متشابهة ويمكن جمعها في مكان واحد. ويتطلب الحل وسيلة تتيح للعديد من الحواسيب المختلفة أن تتعلم معاً دون مشاركة بياناتها الخام الخاصة، مع ضمان أن تكون القرارات التي تتخذها مفهومة للمشغلين البشريين.

لقد طور باحث في جامعة الملك سعود نهجاً جديداً لهذه المشكلة، حيث أنشأ نظاماً يسمح للمركبات بالتعلم التعاوني حول كيفية رصد الهجمات السيبرانية دون الكشف عن بيانات قيادتها الخاصة. وتجمع طريقتهم، الموصوفة في دراسة حديثة، بين ثلاث أفكاء قوية: وسيلة للتعلم معاً دون مشاركة الأسرار، وطريقة لاختيار أهم القرائن فقط من جبل من البيانات، وتقنية لتفسير السبب الدقيق وراء اتخاذ قرار ما. وبدلاً من إرسال سجلات حركة المرور الخام إلى عقل مركزي، يسمح النظام لكل مركبة أو وحدة جانب الطريق بتحليل بياناتها المحلية الخاصة. ثم تشارك هذه الوحدات المحلية فقط "الدروس" التي تعلمتها — وتحديداً أي سمات حركة المرور هي الأكثر إثارة للريبة — بدلاً من البيانات نفسها. وهذا يحافظ على الخصوصية مع السماح للشبكة ببناء فهم شامل للتهديدات.

واجه الباحث عقبة محددة: البيانات القادمة من أجزاء مختلفة من المدينة غير منظمة وغير متوازنة. فبعض المناطق تشهد حركة مرور طبيعية في الغالب، بينما قد تشهد مناطق أخرى طفرة في نوع معين من الهجمات. وإذا قام النظام ببساطة بمتوسط النتائج من جميع المواقع، فقد يفقد الهجمات النادرة ولكن الخطيرة التي تظهر فقط في أماكن محددة. ولحل ذلك، صمم الباحث عملية "اختيار السمات الاتحادية". تخيل مجموعة من الخبراء، ينظر كل منهم إلى جزء مختلف من لغز (بازل). بدلاً من إرسال قطع اللغز الخاصة بهم إلى طاولة مركزية، يقوم كل منهم بكتابة القطع التي يعتقد أنها الأكثر أهمية. ثم يجمع النظام هذه القوائم، ويوزنها بناءً على حجم البيانات التي يمتلكها كل خبير، ويتفق على قائمة قصيرة نهائية تضم العشرين دليلاً الأكثر حرجاً من أصل مائة وستة عشر مؤشراً ممكناً. لقد قللت هذه العملية من تعقيد البيانات بنسبة تقارب ثلاثة وثمانين بالمائة، حيث جردت البيانات من الضجيج للتركيز على الإشارات التي تهم حقاً، مثل حجم البيانات المرسلة، وتكرار الاتصالات، ومعدلات خطأ محددة.

بمجرد أن حدد النظام هذه السمات الرئيسية، قام بتدريب مجموعة من النماذج المحلية للتعرف على الهجمات. واختبر الباحث تسعة أنواع مختلفة من نماذج تعلم الآلة لمعرفة أي منها كان الأفضل أداءً عبر البيانات المتنوعة وغير المتوازنة للمدينة المحاكية. ووجد أن نوعاً معيناً من النماذج، وهو "الغابة العشوائية المنتظمة" (regularized random forest)، كان الأكثر موثوقية. تم دمج هذا النموذج في متنبئ عالمي، ولكن ليس عن طريق مجرد متوسط النتائج. بدلاً من ذلك، منح النظام تأثيراً أكبر للنماذج المحلية التي أثبتت دقتها وموثوقيتها خلال الاختبار. هذا التوزين "الواعي بالتحقق" ضمن أن القرار العالمي النهائي مدفوع بأكثر الرؤى المحلية موثوقية، مما خلق دفاعاً قوياً يمكنه التعامل مع الواقع الفوضوي لحركة المرور في المدينة.

كانت نتائج هذه المحاكاة مذهلة. فعند اختبارها على مجموعة من بيانات حركة المرور غير المرئية التي تحتوي على أكثر من أربعة آلاف حالة، حدد النظام الهجمات بشكل صحيح بدقة تقترب من ثمانية وتسعين بالمائة. وكان فعالاً بشكل خاص في التمييز بين حركة المرور الطبيعية والهجمات الشائعة مثل هجمات حجب الخدمة (DoS) أو محاولات الاستطلاع. ومع ذلك، سلطت الدراسة الضوء أيضاً على صعوبة مستمرة: فقد عانى النظام في اكتشاف أنواع نادرة للغاية من الهجمات، مثل تلك التي يكتسب فيها المستخدم وصولاً غير مصرح به إلى نظام الجذر (root system) للمركبة. في بيانات الاختبار، كانت هناك ثماني حالات فقط من هذا النوع النادر من الهجمات، وفشل النظام في تحديد أي منها، وصنفها بدلاً من ذلك كحركة مرور طبيعية. وتؤكد هذه النتيجة حقيقة جوهرية في الأمن السيبراني: حتى الأنظمة الأكثر تقدماً يمكن أن تكون عمياء تجاه التهديدات التي تكون نادرة جداً بحيث يصعب التعلم منها، وهو قصور أقر به الباحث بصراحة.

إن ما يجعل هذا العمل مهماً بشكل خاص ليس فقط الدقة العالية، بل الشفافية التي يوفرها. ففي البيئات الحرجة للسلامة مثل القيادة الذاتية، لا يكفي معرفة أن النظام قد رصد هجوماً؛ بل يحتاج المشغلون إلى معرفة السبب. لقد دمج الباحث أدوات تعمل مثل العدسة المكبرة، مما يسمح لهم برؤية أي نقاط بيانات أدت إلى قرار معين بدقة. فبالنسبة لهجوم تم تحديده بشكل صحيح، استطاع النظام الإشارة إلى أحجام البيانات المرتفعة ومعدلات خطأ محددة كأسباب لإطلاق الإنذار. أما بالنسبة للحالات الصعبة حيث كان النظام غير متأكد، فقد كشف التفسير أن أنماط حركة المرور كانت غامضة، حيث تراوحت بين الطبيعي والمريب. هذه القدرة على شرح منطقه تبني الثقة، مما يسم يسمح للمحللين الأمنيين البشريين بفهم المنطق وراء تحذيرات الآلة والتدخل عند الضرورة.

تخلص الدراسة إلى أن هذا النهج يقدم مساراً قابلاً للتطبيق لتأمين المدن الذكية في المستقبل. فمن خلال إبقاء البيانات محلية، واختيار السمات الأكثر صلة فقط، وتوزين مساهمات مختلف عقد الشبكة بناءً على أدائها، يحقق النظام توازناً بين الخصوصية والكفاءة والموثوقية. إنه يثبت أنه من الممكن بناء شبكة دفاع تعاونية تحترم خصوصية المركبات الفردية مع توفير درع جماعي قوي ضد التهديدات السيبرانية. وبينما يظل تحدي اكتشاف الهجمات النادرة للغاية قائماً، فإن الإطار يوفر أساساً شفافاً وفعالاً للجيل القادم من أمن المركبات، مما يضمن أنه كلما أصبحت سياراتنا أكثر ذكاءً، أصبحت أيضاً أكثر أماناً.