في ظل الاعتماد المتزايد على أنظمة الاتصالات عبر الأقمار الصناعية في المدار المنخفض (LEO)، تبرز أهمية تطوير أساليب ذكية للكشف عن الهجمات الإلكترونية في بيئات فضائية معقدة وديناميكية. تختلف أنظمة الأقمار الصناعية في طريقة جمع المعلومات، حيث تعتمد على بيانات متنوعة تأتي من الروابط ذات الترددات الراديوية (RF) والعتاد الموجود على متن القمر وأيضًا العمليات المدارية.

على الرغم من أن العديد من المنهجيات التقليدية للكشف عن الهجمات تعتمد على مجموعات بيانات تتعلق بالشبكات الأرضية أو تُقيّم الملاحظات بشكل منفصل، فإن هذه الطرق تعاني من عجز في القدرة على فهم سلوك الهجمات الزمنية المحدد للأقمار الصناعية في المدار المنخفض. وتعتبر هذه الثغرات دافعًا رئيسيًا لدراسة جديدة تتناول كشف الهجمات الإلكترونية باستخدام بيانات مجموعة بيانات UNSW-IoTSAT المخصصة للأقمار الصناعية.

تستكشف هذه الدراسة الهياكل التعليمية المدروسة التي تحافظ على المعلومات الخاصة بالعتاد والمدار والترددات الراديوية، حيث تتضمن نماذج مثل MLP التناسخي ونموذج Transformer متعدد النماذج الهرمي الذي يعالج التفاعل بين الأنظمة المختلفة والتطور الزمني للهجمات. كما تم تقييم إعدادات مقاومة التسرب بمستويات صفية وزمنية، بالإضافة إلى تعميم البيانات عبر الأقمار الصناعية، لتحديد كيفية تأثير هيكل النموذج وبروتوكول التقييم على كشف الهجمات.

تظهر النتائج التجريبية قيمة بنية النموذج المتعددة النماذج والتقييم الدقيق، حيث حقق النموذج الهرمي Transformer دقة تصل إلى 91.66% و85.63% في مؤشرات F1 الكلية تحت بروتوكول التقييم المقاوم للتسرب.

بهذا الشكل، ليس فقط يُعزز التعلم العميق من فرص الكشف عن الهجمات، بل يُعيد تشكيل الطريقة التي نتعامل بها مع الأمان السيبراني في عالم التكنولوجيا المتقدمة.