منذ نشأتها، تمثل أنظمة إنترنت الأشياء (IoT) نقطة تحول كبيرة في عالم التقنية. ومع تزايد الاعتماد على هذه الأنظمة، تتزايد أيضاً المخاطر المرتبطة بها، وخاصة في مجال الأمن السيبراني. يعتبر الكشف عن التهديدات في شبكات إنترنت الأشياء تحدياً حقيقياً، خصوصاً مع استخدام الطرق التقليدية التي لا تُظهر فعالية في مواجهة التهديدات المتزايدة.

إحدى أكبر المشكلات التي يتعرض لها الباحثون في هذا المجال هي فئة التوازن في مجموعات البيانات. أظهرت دراسة حديثة أجراها فريق من الباحثين تحت إشراف دومينغيز وزملائه أن نسبة العينات الطبيعية مقارنةً بالهجمات في مجموعة بيانات الجوانب الجانبية يمكن أن تصل إلى 75,964 إلى 1!

لحل هذه المشكلة، قامت الدراسة الجديدة بتطبيق تقنية تجاوز الأقلية الاصطناعية (SMOTE) على بياناتها، مما ساعد في تحقيق نسبة توازن قدرها 1.1 لجميع المجموعات التسع المستخرجة. ونتيجةً لذلك، تم تدريب ثمانية خوارزميات متطورة مثل Random Forest وXGBoost وغيرها تحت ظروف متطابقة بمجموعات بيانات متوازنة. كانت النتيجة مثيرة؛ حيث حقق نموذج Random Forest نقطة F1 متوسطة تصل إلى 0.9989، متفوقاً بذلك على أفضل النتائج السابقة.

كما أظهرت التحليلات لأهمية الميزات أن الخطوات الزمنية الأخيرة تظهر كأهم الإشارات التنبؤية من بين 60 خطوة في نافذة الطاقة. تشير هذه النتائج إلى أن استخدام التقنية المناسبة يمكن أن يحدث فرقًا كبيرًا في كيفية كشف التهديدات، مما يُعزز الأمان في شبكات إنترنت الأشياء.

ماذا عن رأيكم في استخدام التقنية الحديثة مثل SMOTE لتحسين الكشف عن التهديدات؟ شاركونا أفكاركم في التعليقات!