From Packets to Tokens: A Transformer Framework for Real-Time Network Traffic Classification
تقترح هذه الورقة إطار عمل "ترانسفورمر" (Transformer) متكاملًا يعامل حركة مرور الشبكة كسلسلة من الرموز (tokens) للتغلب على قيود الطرق التقليدية في تصنيف الاتصالات المشفرة والمتنوعة عبر الإنترنت، محققةً دقة بنسبة 93.11% على مجموعة بيانات ISCXVPN2016 ومثبتةً قابليتها للتطبيق في الوقت الفعلي.
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
إن الإنترنت عبارة عن نهر شاسع وغير مرئي من المعلومات، يحمل كل شيء من رسالة نصية سريعة إلى ملف فيديو ضخم. ولعقود من الزمن، حاول حراس هذا التدفق الرقمي — من مسؤولي الشبكات وخبراء الأمن — فهم ما يتحرك عبر أنظمتهم. لقد احتاجوا لمعرفة ما إذا كان تدفق البيانات عبارة عن مكالمة فيديو غير ضارة، أو بريد إلكتروني تجاري مهم، أو علامة على هجوم سيبراني. تقليديًا، فعلوا ذلك من خلال النظر في "ملصقات العناوين" على حزم البيانات، مثل أرقام المنافذ أو التواقيع البرمجية المحددة المستخدمة. ومع ذلك، ومع ازدياد تعقيد الإنترنت وأمانه، أصبح معظم هذه الحركة مشفرة. لقد اختفت الملصقات، وأُغلق المحتوى بطريقة جعلت طرق الفحص القديمة عديمة الفائدة. وقد خلق هذا حاجة ملحة لنوع جديد من الذكاء، ذكاء يمكنه فهم شكل وإيقاع حركة المرور نفسها دون الحاجة إلى قراءة الرسائل السرية بداخلها.
ولحل هذه المشكلة، بدأ الباحثون في استعارة أفكار من كيفية فهم الحواسيب للغة البشرية. فتمامًا كما تتكون الجملة من كلمات تكتسب معناها من الكلمات المحيطة بها، فإن اتصال الشبكة يتكون من حزم بيانات تروي قصة بناءً على ترتيب وصولها. تقترح دراسة جديدة أجراها فريق من جامعة فرانسيسكو فيتوريا ومؤسسات أخرى طريقة لمعاملة هذه الحزم الرقمية مثل الكلمات في كتاب. فقد طوروا نظامًا يأخذ البيانات الخام المشفرة، ويجزئها إلى قطع صغيرة يمكن إدارتها، ثم يترجم تلك القطع إلى لغة رقمية يمكن للحاسوب قراءتها. يسمح هذا النهج للنظام بتعلم "القواعد" الفريدة لمختلف أنواع حركة مرور الإنترنت، والتمييز بين بث الفيديو، أو تنزيل الملفات، أو المكالمات الصوتية، حتى عندما يكون المحتوى مخفيًا.
ركز الباحثون على تحدٍ محدد: تصنيف خمسة أنواع شائعة من نشاط الإنترنت — الدردشة، والبريد الإلكتروني، ونقل الملفات، والبث، والمكالمات الصوتية — باستخدام نوع قوي من الذكاء الاصطناعي يسمى "المحول" (Transformer). هذه التكنولوجيا، التي اشتهرت في الأصل بقدرتها على ترجمة اللغات وكتابة النصوص، مصممة لفهم السياق والعلاقات داخل تسلسل ما. بنى الفريق مسارًا كاملاً يبدأ بالتقاط حركة مرور الشبكة الحية، تمامًا مثل تسجيل محادثة. ثم قاموا بتنظيف هذه البيانات، وإزالة الأجزاء غير الضرورية وتجميع الحزم المتبقية في قطع صغيرة ثابتة الحجم تسمى "التدفقات شبه الكاملة" (semi-flows). بعد ذلك، تم تحويل هذه القطع إلى سلسلة من الأرقام، أو "الرموز" (tokens)، التي تمثل البيانات الخام للرسالة. هذا التحول أمر بالغ الأهمية لأنه يحول التدفق الفوضوي والمشفر للإنترنت إلى تسلسل منظم يمكن للذكاء الاصطناعي تحليله.
بمجرد إعداد البيانات، قام الفريق بتغذية نموذج "المحول" الخاص بهم بها. وبخلاف الأنظمة القديمة التي قد تنظر إلى حزمة واحدة في كل مرة، ينظر هذا النموذج إلى التسلسل بأكمله دفعة واحدة، مدركًا كيف ترتبط الحزمة الأولى بالأخيرة. كانت النتال مذهلة؛ فعند اختبارهم على مجموعة بيانات ضخمة ومعيارية لحركة مرور الشبكة، حدد النظام نوع النشاط بدقة بلغت 93.11% من الحالات. وتعد هذه الدرجة من الدقة مهمة لأن مجموعة البيانات كانت منحازة بشدة؛ حيث كانت بعض أنواع حركة المرور، مثل نقل الملفات، أكثر شيوعًا بكثير من غيرها، مثل البريد الإلكتروني. ورغم هذا عدم التوازن، كان النموذج يعمل بشكل جيد عبر جميع المجالات، مما أظهر أنه تعلم الخصائص الحقيقية لكل نوع من أنواع حركة المرور بدلاً من مجرد التخمين بناءً على النوع الأكثر تكرارًا. وقد أثبت النظام كفاءة خاصة في تحديد المكالمات الصوتية ونقل الملفات، حيث أصاب في تحديدها في كل مرة تقريبًا، بينما واجه صعوبة أكبر مع البريد الإلكتروني، ويرجع ذلك على الأرجح إلى وجود أمثلة قليلة جدًا منه في بيانات التدريب للتعلم منها.
ومع ذلك، كان الاختبار الحقيقي هو ما إذا كان بإمكان هذا النظام العمل في العالم الحقيقي، وفي الوقت الفعلي. أقام الباحثون تجربة حية حيث التقطوا حركة مرور إنترنت فعلية من شبكة Wi-Fi وعالجوا من خلال نظامهم أثناء حدالها. ووجدوا أن النظام كان سريعًا بما يكفي لمواكبة تدفق البيانات. فبالنسبة لمعظم أنواع حركة المرور، كان الوقت الذي يستغرقه معالجة البيانات جزءًا ضئيلًا من الوقت الذي استغرقه التقاطها. في الواقع، استطاع النظام معالجة نافذة زمنية كاملة مدتها ثماني ثوانٍ من نشاط الشبكة في أقل من عُشر ثانية، مما يترك وقتًا كافيًا للنظام للاستجابة أو تنبيه المسؤول. تشير هذه السرعة إلى أن مثل هذه الأداة يمكن نشرها على الشبكات الحية لمراقبة حركة المرور فورًا، بدلاً من مجرد تحليل التسجيلات القديمة بعد حدوثها.
ومع ذلك، كشيدت الدراسة أيضًا حدود هذا الذكاء. فعندما اختبر الباحثون النظام على تطبيقات لم يسبق له رؤيتها من قبل، كانت النتائج مختلطة. عمل النموذج بشكل جيد عندما جاءت حركة المرور من نفس أنواع البرامج التي تعلم منها، لكنه عانى عندما واجه تطبيقات حديثة جديدة. على سبيل المثال، بينما كان مثاليًا في تحديد نوع معين من المكالمات الصوتية المستخدمة في بيانات التدريب، فشل تمامًا عند سؤاله عن التعرف على مكالمة فيديو عبر أداة مؤتمرات شهيرة وحديثة. لقد خلط بين مكالمة الفيديو وبين بث الفيديو، مما أظهر أن النظام تعلم الأنماط المحددة للبيانات القديمة بدلاً من المفهوم العام لمكالمة الفيديو. وهذا يشير إلى أنه على الرغم من قوة هذه التكنولوجيا، إلا أنها تحتاج إلى إعادة تدريب مستمرة ببيانات جديدة لمواكبة المشهد المتغير للإنترنت دائمًا.
في نهاية المطاف، يوضح هذا العمل أن معاملة حركة مرور الشبكة كتسلسل من الرموز، على غرار الكلمات في جملة، هو وسيلة قابلة للتطبيق وقوية لتصنيف نشاط الإنترنت. لقد أظهر الباحثون أن إطار عمل يعتمد على تقنية "المحول" يمكنه تحقيق دقة عالية والعمل في الوقت الفعلي، مما يوفر مسارًا واعدًا لأمن الشبكات وإدارتها. ومع ذلك، فإن الدراسة تعمل أيضًا كتذكير بأن الذكاء الاصطناعي يكون جيدًا بقدر جودة البيانات التي يتعلم منها. ومع ظهور تطبيقات جديدة وتطور التشفير، يجب أن تتطور هذه الأنظمة معها أيضًا. قد يكمن مستقبل مراقبة الشبكات في الجمع بين هذا التصنيف في الوقت الفعلي وطرق أخرى، ربما باستخدام النظام لتحديد نوع حركة المرور أولاً، ثم استخدام أدوات أكثر تقدمًا للكشف عما إذا كانت حركة المرور تلك تتصرف بشكل ضار. في الوقت الحالي، تمثل القدرة على فهم تدفق الإنترنت فورًا، حتى عندما تكون محتوياته مغلقة، خطوة كبيرة نحو عالم رقمي أكثر أمانًا وإمكانية للإدارة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.