Quantum Machine Learning in Cybersecurity: A Hybrid Convolutional Neural Network with Skip Connections for QR Code Phishing Detection
تقترح هذه الدراسة شبكة عصبية تلافيفية هجينة كمومية-كلاسيكية مع وصلات تخطي (HybridSkip) تصنف صور رموز الاستجابة السريعة (QR code) مباشرة بناءً على البنية المرئية للكشف عن التصيد الاحتيالي، محققةً بذلك معدلات استدعاء ودرجات F1 أعلى بكثير بمعاملات أقل من النماذج الكلاسيكية المرجعية، مما يقدم حلاً فعالاً من حيث استهلاك الموارد للدفاع الاستباقي ضد التصيد عبر الرموز (quishing).
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 الرقمي الحديث، أصبح مربع بسيط من المربعات السوداء والبيضاء مفتاحاً عالمياً. هذه هي رموز الاستجابة السريعة، أو رموز QR، وهي الرموز الشريطية ثنائية الأبعاد الموجودة على قوائم المطاعم، وأجهزة الدفع، وتذاكر النقل. لقد صُممت ليتم مسحها فوراً بواسطة كاميرا الهاتف الذكي، مما يجسد جسراً بين العالمين الفيزيائي والرقمي دون الحاجة إلى نقرة واحدة. ومع ذلك، فقد خلقت هذه الراحة ثغرة أمنية جديدة؛ فبما أن العين البشرية لا تستطيع قراءة البيانات المخفية داخل هذا النمط، يمكن لفاعل خبيث استبدال رمز شرعي بآخر مزيف يقود الضحية إلى موقع إلكتروني احتيالي. هذا النوع المحدد من الهجمات، المعروف باسم "quishing" (التصيد عبر رمز QR)، يتجاوز مرشحات البريد الإلكتروني التقليدية وماسحات الروابط لأن التهديد يصل في شكل صورة مطبوعة، وليس كرسالة رقمية. ويكمن التحدي الجوهري لخبراء الأمن في أنه بحلول الوقت الذي يمسح فيه المستخدم الرمز، يكون الضرر قد وقع بالفعل، حيث يفتح الهاتف الرابط المخفي تلقائياً.
لقد حاول الباحثون طويلاً حل هذه المشكلة عن طريق فك تشفير الصورة لقراءة رابط URL المخفي ثم التحقق مما إذا كان هذا العنوان خطيراً. لكن هذه الطريقة تفشل إذا كان الرمز تالفاً، أو إذا كانت خدمة الإنترنت غير متوفرة، أو إذا تم إنشاء الرابط الخبيث قبل لحظات فقط من عملية المسح. ويقترح نهج جديد النظر إلى الصورة نفسها بدلاً من النص الموجود بداخلها. الفكرة هي أن طول وتعقيد الرسالة المخفية يتركان بصمة إحصائية دقيقة على ترتيب المربعات السوداء والبيضاء. ويمكن لحاسوب مدرب على التعرف على هذه الأنماط البصرية أن يرصد رمزاً خبيثاً قبل أن يتم فك تشفيره. وهنا يدخل تقاطع الأمن السيبراني والحوسبة الكمومية في القصة؛ حيث يستخدم تعلم الآلة الكمومي مبادئ ميكانيكا الكم لمعالجة المعلومات بطرق لا تستطيع الحواسيب التقليدية القيام بها، مما يوفر إمكانية الوصول إلى طريقة أكثر كفاءة للعثور على الأنماط في مجموعات البيانات الصغيرة والمعقدة.
قام محمد فرحان شهريار، وهو باحث في جامعة حاج محمد دانش للعلوم والتكنولوجيا في بنغلاديش، بتطوير نظام جديد يجمع بين هذه الأفكار للكشف عن هجمات "quishing". هذا النظام هو نموذج هجين، مما يعني أنه يمزج بين برنامج حاسوبي تقليدي عادي ومكون كمومي متخصص. يعمل الجزء التقليدي بمثابة مجموعة من "العيون"، حيث يمسح صورة رمز QR لتحديد أشكالها وهياكلها الأساسية. ثم يأخذ الجزء الكمومي نسخة مضغوطة من تلك الأشكال ويعالجها عبر دائرة كمومية محاكية، وهي بنية رياضية يمكنها استكشاف احتمالات عديدة في وقت واحد. كان الهدف هو معرفة ما إذا كان هذا المزيج يمكنه تحديد الرمز المزيف بدقة أكبر من برنامج الحاسوب القياسي، مع استخدام موارد حوسبة أقل.
اختبرت الدراسة هذا النظام على مجموعة بيانات مكونة من ألف صورة لرموز QR، مقسمة بالتساوي بين الرموز الآمنة والخبيثة. قام الباحثون بتدريب النموذج على النظر إلى الصور الخام دون محاولة قراءة النص بداخلها أبداً. وقارنوا تصميمهم الهجين الجديد بالعديد من النماذج الأخرى، بما في ذلك البرامج التقليدية التي تعتمد على الحاسوب فقط، ونسخ هجينة أخرى تفتقر إلى تعديل معماري محدد. النسخة الأكثر نجاحاً من نظامهم، والتي أطلقوا عليها اسم "HybridSkip"، قدمت ما يسمى بـ "اتصال التخطي" (skip connection). وببساطة، هذا عبارة عن مسار مختصر يسمح للمعلومات البصرية الأولية من الجزء التقليدي للنظام بتجاوز المعالج الكمومي والذهاب مباشرة إلى مرحلة اتخاذ القرار النهائي. يضمن هذا التصميم عدم فقدان أي تفصيل مفيد أثناء المعالجة الكمومية المعقدة ويساعد النظام على التعلم بشكل أكثر فعالية.
أظهرت النتائج أن هذا النهج الجديد كان فعالاً للغاية. فقد حدد نموذج "HybridSkip" رموز QR الخبيثة بنسبة نجاح أعلى من أفضل النماذج التقليدية التي تعمل بالحاسوب فقط. وتحديداً، نجح في رصد حوالي 72 بالمئة من الرموز السيئة، مقارنة بنحو 65 بالمئة لأقوى النماذج التقليدية. هذا التحسن مهم في سياق أمني لأن تفويت رمز سيء قد يعني تعرض المستخدم لخداع للحصول على كلمات المرور أو الأموال، بينما لا يكلف الإنذار الخاطئ سوى بضع ثوانٍ إضافية من الفحص. علاوة على ذلك، حقق النموذج الجديد هذه الدقة العالية باستخدام عدد أقل بنسبة 38 بالمئة تقريباً من الإعدادات القابلة للضبط، أو "المعلمات" (parameters)، مقارنة بالنماذج التقليدية. وفي عالم الذكاء الاصطناعي، يعني وجود معلمات أقل عادةً أن النظام يكون أسرع ويتطلب ذاكرة أقل، مما يسهل تشغيله على الهواتف المحمولة أو الأجهزة الصغيرة.
أكد الباحثون أن هذه التحسينات لم تكن مجرد ضربة حظ من خلال إجراء الاختبارات عدة مرات باستخدام تقسيمات مختلفة للبيانات. وأظهر التحليل الإحصائي أن المكاسب في اكتشاف الرموز السيئة كانت حقيقية ومتسقة. كما أشارت الدراسة إلى أن النظام يعمل بالكامل دون اتصال بالإنترنت؛ ولأنه يحلل الصورة مباشرة، فإنه لا يحتاج إلى اتصال بالشبكة للتحقق من قاعدة بيانات الروابط المعروفة بأنها سيئة. وهذا يجعله مفيداً بشكل خاص في سيناريوهات مثل مسح رمز عند منصة بيع أو كشك بعيد حيث قد يكون الاتصال بالشبكة غير مستقر.
بينما تبدو النتائج واعدة، تقر الدراسة بوجود بعض القيود. فالجزء الكمومي من النظام تمت محاكاته على حاسوب قياسي، وليس تشغيله على أجهزة كمومية حقيقية، والتي لا تزال تكنولوجيا ناشئة. كما لاحظ الباحثون أن مجموعة البيانات المستخدمة كانت صغيرة نسبياً، حيث احتوت على ألف صورة فقط، وأن رموز QR في العالم الحقيقي يمكن أن تختلف بشكل كبير من حيث الجودة والإضاءة والتلف. وسيتعين على العمل المستقبلي اختبار النظام على مجموعات أكبر من الصور وعلى أجهزة كمومية فعلية لمعرفة مدى صموده في ظل ظروف العالم الحقيقي. ومع ذلك، توضح الدراسة أن النهج الهجين، الذي يمزج بعناية بين المعالجة التقليدية والكمومية، يمكن أن يوفر طريقة أكثر كفاءة وفعالية لرصد التهديدات البصرية. ومن خلال التعامل مع رمز QR كصورة وليس كرسالة، يوفر هذا الأسلوب الجديد طبقة دفاع استباقية يمكن أن تساعد في الحفاظ على سلامة المستخدمين في عالم مترابط بشكل متزايد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.