ابتكار ثوري: استخدام الشبكات التوليدية لمكافحة الهجمات في أنظمة كشف الاختراق!

تواجه أنظمة كشف الاختراق (Intrusion Detection Systems - IDSs) المعتمدة على التعلم الآلي تحديات كبيرة تتمثل في اختلال ميزان الفئات (class imbalance) وانخفاض قدرتها على مواجهة الهجمات العدائية. لذلك، في خطوة مبتكرة، قام الباحثون بتطوير إطار عمل جديد يُدعى TabTransformer، يتم تحسينه باستخدام شبكة توليدية تعتمد على السعي إلى الحدود (Boundary-Seeking Generative Adversarial Network - BGAN).

يهدف هذا الابتكار إلى تحسين الكشف عن التدفقات السيئة باستخدام مجموعة بيانات CICIDS2017. تعمل شبكة BGAN على إنتاج عينات صناعية من الفئات الأقل تمثيلاً في البيانات، مما يساعد في تقليل اختلال البيانات محققة توازناً أفضل. بالإضافة إلى ذلك، يساهم هذا النموذج في إنتاج عينات عدائية بهدف تقييم قدرة النظام على مقاومة الهجمات.

أظهرت التجارب أن استخدام BGAN أدى إلى تحسين كبير في درجة Macro-F1 في نموذج TabTransformer، حيث زادت النتيجة من 82.96% إلى 86.50%. كان التحسن الأبرز في تصنيف الهجمات الإلكترونية، حيث قفزت درجة F1 من 0.29 إلى 0.61، ما يعكس كفاءة النموذج في التعرف على هذه الأنماط.

عند تقييم قوة النموذج تحت ظروف هجمات عدائية، تبين أن جميع النماذج غير المعززة واجهت انخفاضًا كبيرًا في الأداء بنسبة 100%، في حين أن النماذج المعززة باستخدام BGAN أظهرت قيم سلبية في معدلات انخفاض الأداء، مما يدل على قوتها.

علاوة على ذلك، حافظ نموذج TabTransformer المعزز على قيم منخفضة وثابتة لمعدل التحفيز الزائف (False Triggered Rate - FTR) تتراوح بين 1.51% و2.92% عبر جميع مستويات الضوضاء، بينما وصلت النسبة في نموذج نموذج الشجرة القرار المعزز بـ BGAN إلى 49.09% تحت تأثير التفاعلات الإيجابية.

تُظهر هذه النتائج أن BGAN يُعزز باستمرار توازن الفئات والمقاومة العدائية، مما يجعل إطار العمل BGAN-TabTransformer حلاً فعالاً وقابلاً للتكيف لكشف الاختراق في بيئات الشبكات العدائية.