تتطلب البيئة التكنولوجية الحالية تعزيزات عاجلة في أمن الشبكات، خاصة مع انتشار إنترنت الأشياء (IoT) بشكل متزايد. تتسم شبكات إنترنت الأشياء بالتنوع وعدم التوازن في مرور البيانات، مما يُعقد الكشف عن التسللات. إذ تُظهر هذه الشبكات فراغات في الهياكل وسلوكيات متداخلة تجعل من الصعب استخدام الطرق التقليدية للكشف عن التسلل.

لذا، نحن نقدم أسلوبًا مبتكرًا يُسمى SKGFusionKAN، الذي يدمج بين الشبكات العصبية المعززة (GNNs) وآليات الانتباه الانتقائي. يعتمد هذا الأسلوب على تحسين تقنيات GraphSAGE، مع التركيز على استخراج الخصائص dynamically لكل من العقد والحواف أثناء المرور المتقن للمعلومات.

التقنية المُعتمدة تُعزّز من قدرة الكشفت على التقاط التهديدات الدقيقة والتي تظهر في سياقات تغير حركة البيانات، حيث تعمل آليات الانتباه الانتقائي على إعطاء وزن متغير للمعلومات المأخوذة من حواف متعددة المقاييس لتلبية احتياجات اللامركزية.

بالإضافة إلى ذلك، يتم تقديم العملية المدمجة لتكييف الخصائص المتعددة المقاييس، مما يعزز المرونة ضد الهجمات المتطورة. وأخيرًا، يعتمد أسلوبنا على شبكة Kolmogorov-Arnold (KAN) لتصنيف التهديدات، ما يمنحنا قدرة نموذجية غير خطية قادرة على الكشف عن هجمات معقدة ونادرة.

تظهر التجارب المكثفة على أربعة معايير للكشف عن التسلل أن أسلوب SKGFusionKAN يتفوق باستمرار على الأساليب الحالية في مهام التصنيف الثنائية والمتعددة، مما يُثبت إمكانيته الكبيرة في تحسين أمان أنظمة إنترنت الأشياء.