في عصر تتزايد فيه التهديدات السيبرانية، تصبح أنظمة الكشف عن الاختراق في الشبكات (NIDS) أداة حيوية للحفاظ على سلامة البيانات وتأمين الشبكات. ورغم الجهود الكبيرة المبذولة في استخدام تقنيات تعلم الآلة المشرف (Supervised Machine Learning)، إلا أن اعتمادها على مجموعات بيانات مصنفة بدقة يعد من أكبر التحديات. فهذه البيانات غالباً ما تكون مكلفة للحصول عليها، كما أن العديد من مجموعات البيانات العامة تعاني من نقص في التحديث أو احتواء على معلومات مضللة.

لذا، نقدم لكم تقنية مبتكرة تُعرف بـ AutoGraphAD، وهي نظام كشف عن الأنماط غير الاعتيادية يعتمد على Graph Autoencoder متغير (Variational Graph Autoencoder) يعمل على تحليل الرسومات البيانية الهتيروجينية. يقوم نموذج AutoGraphAD بمعالجة الرسومات البيانية التي تتضمن عقد الاتصال وعناوين IP، مما يمكّن من تمثيل النشاط الشبكي بشكل دقيق.

ما يميز AutoGraphAD هو أسلوبه في التعلم غير المشرف (Unsupervised Learning) والتعلم التبايني (Contrastive Learning) الذي لا يعتمد على بيانات مصنفة، مما يؤدي إلى تقليل التكاليف والجهد في عملية الاكتشاف. بعد التدريب، يتم وزن وفصل الخسائر لتوليد نقاط شذوذ تستخدم للكشف عن الأنماط غير الاعتيادية.

أظهرت نتائج AutoGraphAD فعالية كبيرة، حيث قدّم نتائج مماثلة بل وأفضل في بعض الحالات مقارنةً بتقنية Anomal-E، ولكن من دون الحاجة إلى أدوات كشف إضافية مكلفة. وبفضل هذه التقنية، يتم تحقيق سرعة تدريب تتفوق بأكثر من 1.18 مرة وسرعة استنتاج أسرع بمعدل 1.03 مرة، مما يشكل ميزة كبيرة لنشرها في العمليات اليومية.

إذا كنتم ترغبون في تعزيز أمن شبكاتكم بطريقة مبتكرة وفعالة، فـ AutoGraphAD تقدم لكم الطريق لذلك، فهل أنتم مستعدون لاستكشاف هذه التقنية الثورية؟ شاركونا آرائكم في التعليقات!