تتزايد التهديدات للأمن السيبراني في الشبكات الذكية (Smart Grids)، حيث يمكن للمهاجمين الاستماع إلى الاتصالات دون أن يتم الكشف عنهم، مما يعرض بيانات الشبكة للخطر. رغم أن هذه الهجمات لا تعدل البيانات بشكل مباشر، إلا أن المعلومات المجمعة يمكن أن تكشف عن هيكل الشبكة وأنماط استهلاك الطاقة وسلوك التشغيل، مما يفتح بابًا لهجمات أكثر خطورة.

ففي ورقة بحثية جديدة تم نشرها، تم تقديم النهج الجديد الذي يستخدم تعلم الرسوم البيانية (Graph Learning) للكشف عن هذه الهجمات السلبية. تعتمد هذه الطريقة على دمج مؤشرات الطبقة الفيزيائية والسلوكية عبر تصميم خاص للرسوم البيانية لفهم التغيرات الزمنية.

للتعرف على الهجمات الخفية، تم تطوير محوّل مكون من مرحلتين، حيث يجمع التجميع الرسومي (Graph Convolution) السياق المكاني عبر الرسوم البيانية النجمية الذاتية، بينما تقوم وحدة GRU ثنائية الاتجاه (Bidirectional GRU) بنمذجة الاعتماديات الزمنية القصيرة. تحول هذه الوحدة الميزات المتنوعة إلى تمثيل مكاني زمني موحد يمكن استخدامه في التصنيف.

تتم عملية التدريب في إطار تعلم فيدرالي (Federated Learning) تحت بروتوكول FedProx، مما يحسن من قدرة النموذج على التعامل مع البيانات المحلية غير المتجانسة وفي الوقت نفسه يحافظ على خصوصية القياسات الخام التي تبقى على أجهزة العملاء.

بتوفير مجموعة بيانات تعكس الاتصالات في الشبكات المنزلية والنقالة والواسعة مع اختلاجات سلبية، حقق النموذج دقة تصل إلى 98.32%، مما يدل على فعالية الجمع بين السياقات المكانية والزمنية للكشف عن الاستطلاعات السرية مع الحفاظ على معدلات إيجابية كاذبة منخفضة. ترسم هذه النتائج صورة واضحة حول كيفية تعزيز أمان الشبكات الذكية في المستقبل، مما يمهد الطريق لتطبيقات أكثر موثوقية في مجال الطاقة الذكية.