في عالمنا المتزايد من الاعتماد على أنظمة البيانات الموزعة، تظهر الحاجة الملحة لاكتشاف anomalies (الشذوذات) في السجلات. فهذه السجلات تكشف عن تهديدات سيبرانية محتملة، ولكن التحديات تكمن في تدفق البيانات الضخم وضرورة الحفاظ على الخصوصية. هنا يأتي دور تقنية جديدة تُعرف بـ DP-FLogTinyLLM، وهي خوارزمية مبتكرة تربط بين التعلم التعاوني وحماية البيانات.

تقنية DP-FLogTinyLLM تتميز بكونها إطار عمل موزع يؤمن الخصوصية، حيث يمكن الكشف عن anomalies دون الحاجة لمشاركة البيانات الخام بين المنظمات. من خلال دمج تحسين الفيدرالية (Federated Optimization) مع الخصوصية التفاضلية (Differential Privacy)، تتيح الخوارزمية التعلم التعاوني بشكل آمن.

هذه الطريقة تعتمد على أسلوب تكييف أدنى مرتبة (LoRA) لتسهيل التعديلات على Tiny LLMs (نماذج لغوية صغيرة) لكل عميل على حدة، مما يجعلها مناسبة للاستخدام في البيئات ذات الموارد المحدودة. النتائج التجريبية على مجموعات البيانات المعروفة مثل Thunderbird وBGL أثبتت فعالية هذا الإطار مقارنة بالأساليب التقليدية المركزية، حيث حققت دقة عالية وF1-score متميز.

إن الإنجازات التي تحققت تصلح لإحداث تأثير كبير في مجال الأمن السيبراني، نظرًا لقدرتها على اكتشاف anomalies بدقة واستباقية مع تقليل الإيجابيات الزائفة، مما يجعلها خيارًا مثاليًا للمؤسسات التي تسعى للحفاظ على أمان بياناتها بينما تعمل على تحسين جودة النظام.