في ظل التطور السريع للتكنولوجيا وازدياد الاعتماد على شبكات إنترنت الأشياء (IoT)، أصبح من الضروري تطوير طرق فعالة لرصد التسللات والحفاظ على أمان هذه الشبكات. تعتبر تقنية التعلم الفدرالي المخصص (Personalized Federated Learning) إحدى الحلول الواعدة في هذا السياق؛ إذ تسهم في تعزيز التكيف المحلي تحت بيئات بيانات غير متجانسة.

لكن على الرغم من فوائد التعلم الفدرالي، فإن الطرق الحالية غالباً ما تعتمد على التكيف الذاتي من جانب العميل، مما يؤدي أحياناً إلى توسع مفرط في التخصيص وتقليل فعالية الكشف عن الهجمات غير المعروفة (Out-of-Distribution Attacks, OOD).

في ورقة بحثية جديدة نُشرت في arXiv، عرض الباحثون تقنية مبتكرة تُدعى "FBID" (Federated Bandit Intrusion Detection) والتي تستخدم إطار عمل التعلم الفدرالي المخصص بشكل مبتكر للتغلب على هذه القيود. يقوم FBID بتوظيف خوارزمية متعددة الأذرع مدعومة بالسياق لتنظيم شدة تدريب كل عميل بناءً على سلوكه ومعدل جودة التحديث.

علاوة على ذلك، يقدم FBID آلية تعتمد على الثقة لاستنباط معاملات محددة للعميل بين النماذج العالمية والمحلية، مما يضمن الحفاظ على المعرفة العالمية عن الكشف عن الهجمات مع تمكين التخصيص المحلي المفيد.

من خلال تجارب واسعة على مجموعة بيانات CICIoT2023، أظهر FBID تحسناً في دقة الكشف عن الهجمات غير المعروفة بمعدل يصل إلى 7.66% وتحسن في معدل F1-score يصل إلى 5.08% مقارنةً بأفضل الأساليب الداعمة الحالية. هذه النتائج تعزز من القدرة على مواجهة فئات الهجمات الجديدة التي لم يسبق التعرض لها، مما يجعل FBID خطوة مهمة نحو أمان أكثر فعالية في عالم إنترنت الأشياء.