في عصر تتزايد فيه التهديدات السيبرانية، تتصاعد أهمية تأمين بنية الشبكة الأساسية بحلول مبتكرة. هجمات حرمان الخدمة الموزعة (DDoS) تمثل تهديدات متنامية، حيث أصبحت أدوات الذكاء الاصطناعي التوليدية (Generative AI) تعتبر مفاتيح للمواجهة. في هذا الإطار، تقدم دراسة حديثة نهجاً مبتكراً للكشف عن هجمات DDoS من خلال دمج تقنيات البيانات الاصطناعية التي تنتجها الشبكات العُصبية التوليدية (Generative Adversarial Networks) مع مصنف الغابات العشوائية (Random Forest classifier).

تظهر النتائج أن البيانات التي تم توليدها بواسطة الشبكات العُصبية التوليدية تعكس 80.3% من التشابه الكوني مع حركة المرور الحقيقية، مما ساعد النموذج على فهم الأنماط الأساسية لحركة المرور بشكل أكثر فعالية. ومن خلال معالجة التوازنات في البيانات، خاصة تلك المتعلقة بخصائص الحزم، تم تطبيق تقنيات إزالة التحيز العدائي (adversarial debiasing)، مما أدى إلى تقليص حساسية النموذج تجاه التوزيعات المنحرفة في المتغيرات مثل عدد الحزم المرسلة والمستلمة وطول البيانات الكلي.

تظهر النتائج أن النماذج المدربة على مزيج من البيانات الاصطناعية والحقيقية حققت أداءً أفضل بوضوح: حيث ارتفعت الدقة إلى 99.98% على بيانات الاختبار، مع تحسين بنسبة 22.60% عند اختبارها على حركة مرور اصطناعية لم تُرَ سابقاً. هذا يقترح أن الطريقة قادرة على التكيف بشكل جيد مع سيناريوهات حركة المرور المختلفة والرد بسرعة على أنواع جديدة من الهجمات.

الأهم من ذلك، أن النهج المقترح لا يُحسن فقط من كشف هجمات DDoS، بل يوفر أيضاً أساساً قابلاً للتوسع لنماذج الأمان التي تأخذ في اعتبارها التحيز وتستفيد من تعزيز البيانات. تدل النتائج على أن دمج الشبكات العُصبية التوليدية مع إزالة التحيز العدائي يمكن أن يقود إلى طرق أكثر قوة وفعالية في تخفيف هجمات DDoS، مما يدعم تطوير الأمن السيبراني القائم على تعلم الآلة بشكل أكبر.