تشكل هجمات إنكار الخدمة الموزعة (DDoS) تهديداً كبيراً لاستقرار الشبكات، مما يتطلب أساليب جديدة للكشف السريع والفعال. في ورقة بحثية جديدة نُشرت مؤخرًا، تم تقديم نهج مبتكر يعتمد على تقنية الرسوم البيانية يُعرف بشبكة المنطقة التنافسية القابلة للتكيف (GraphGAN).

تعتمد هذه التقنية على التعلم العميق لالتقاط العلاقات المعقدة بين تدفقات المرور، حيث تتجاوز التحديات المتمثلة في عدم التوازن بين الفئات وظروف البيانات غير المستقرة.

يتم تحويل التدفقات المتتالية إلى رسوم بيانية من خلال تقنية الجيران الأقرب (k-nearest neighbor) مع الحفاظ على التشابه في الخصائص والاعتمادية الزمنية بين التدفقات. يعمل مولد الشبكة على تعلم توزيع هجمات DDoS لتوليد عينات أصغر حجمًا تمثيلية، مما يساعد في تعزيز دقة النظام.

من جانب آخر، يستخدم المميز القائم على الشبكات التلافيفية (GCN) لتفريق البيانات الحقيقية عن البيانات الاصطناعية. كما أن مصنف GCN منفصل، يتم تدريبه على مجموعة بيانات متوازنة، يقوم باتخاذ القرار النهائي للكشف عن الهجمات.

تشير التقييمات على أربعة مجموعات بيانات معروفة إلى أن GraphGAN يحقق دقة وموثوقية أعلى مقارنة مع الأساليب التقليدية، خاصة في السيناريوهات التي تعاني من نقص البيانات.

بفضل دمج بناء الرسوم البيانية الزمنية، وزيادة البيانات التنافسية، وتصنيف GCN، يوفر GraphGAN نموذجاً فعالاً لسلوكيات الهجمات المنسقة، مما يساهم في خلق حلول قوية ومتفهمة لطبيعة الشبكة في بيئات البيانات المقيّدة.

ما هو رأيك في استخدام الذكاء الاصطناعي لمواجهة تهديدات DDoS؟ شاركونا في التعليقات!