في عالم الذكاء الاصطناعي، يعتبر كشف التسلل أحد المجالات الحيوية التي تتطلب توازنًا دقيقًا بين الخصوصية والقوة. لقد أصبح التعلم الموزع (Federated Learning) وسيلة فعالة لتمكين التعاون في كشف التسلل مع الحفاظ على بيانات المرور الحساسة. ومع ذلك، يواجه هذا النوع من التعلم ثلاث تحديات رئيسية: ضمان الخصوصية الفرقية، والقدرة على تحمل المشاركين العدائيين (Byzantine), والتغطية الموثوقة للكشف عبر فئات الهجمات غير المتوازنة.

تتناول هذه الورقة البحثية السؤال الهام: كيف تتداخل هذه المتطلبات الثلاثة مع بعضها البعض؟ فبينما يتعامل الأدب الحالي مع هذه الخصائص كعناصر مستقلة، تتحدى هذه الدراسة هذا الافتراض من خلال تحليلها النظري والعملي.

نستخدم دراسة حالة على مجموعة بيانات UNSW-NB15 لتقييم تأثير استخدام تقنيات الضجيج في الحفاظ على الخصوصية على القدرة على اكتشاف الهجمات نادرة الحدوث. النتائج الأولية تشير إلى أن الجمع بين الضوضاء الخصوصية والتجميع القوي قد يؤدي إلى تدهور كبير في اكتشاف الهجمات النادرة مقارنة بالأغلبية.

علاوة على ذلك، نبرز مشكلة انحراف التدريب كعامل يسهم في هذا التدهور، مما يُظهر ضرورة التعامل مع الخصوصية والقوة والتغطية للهجمات النادرة كعناصر مترابطة بدلاً من كونها خصائص مستقلة. هذه النتائج تفتح بابًا جديدًا للبحث في أساليب كشف التسلل الموزع، مشيرة إلى أهمية النمذجة الواعية للتجميع وتقييم عينة البيانات.