تُعتبر نماذج الشبكات العميقة (Deep Neural Networks - DNN) من أبرز الابتكارات في مجالات الذكاء الاصطناعي، حيث تُحقق إنجازات مثيرة، لكنها تظل ضعيفة أمام هجمات العبور الخفية (Backdoor Attacks). في الوقت الذي تعتمد فيه الدفاعات الحالية على تحليل الشذوذ في العمليات أو الهندسة العكسية للمؤشرات، فإن فعاليتها وقابليتها للتطبيق مازالت محدودة.

ولذلك، تم طرح DFBScanner، إطار فحص معايير خفيف وسريع يُعتبر حلاً مبتكرًا للكشف عن هجمات العبور المخفية. يعتمد هذا الإطار على ملاحظة رئيسية تفيد بأن التحولات الناتجة عن وجود العبور يمكن أن تثير تحديثات غير طبيعية في المعلمات الطبقة النهائية.

بدلاً من التعرف على الأنماط المعقدة المحددة للهجمات كما فعلت الأساليب السابقة، يركز DFBScanner على كشف تجليات العبور الموحدة في الطبقة النهائية مما يتيح اكتشافًا فعالًا وغير محدد للهجمات. يعتمد DFBScanner على بناء وتوليف مؤشرات الشذوذ المتعددة من معلمات الطبقة النهائية لتشكيل دليل يبرز وجود العبور، مما يتيح له تحقيق معدلات اكتشاف عالية.

تشير التجارب التي أُجريت على مجموعة بيانات كبيرة تتألف من أكثر من 5000 نموذج عبور، إلى أن DFBScanner يحقق معدل إيجابية صحيح يبلغ 97.17% ومعدل إيجابية زائفة لا يتجاوز 0.95%، مع متوسط زمن الكشف لا يتعدى 1 مللي ثانية لكل نموذج، مما يمكّنه من التفوق بشكل كبير على الأساليب السابقة.

ما رأيكم في هذا التطور في عالم الكشف عن هجمات الذكاء الاصطناعي؟ شاركونا في التعليقات!