في خطوة رائدة نحو تحسين تقنيات تعلم الشبكات، قام مجموعة من الباحثين بتطوير نموذج JA4-JEPA، المستند على طريقة التعلم التنبؤي المعروفة بـ JEPA. يهدف النموذج إلى تقديم فهم أعمق لبصمات الشبكة (network fingerprints) من خلال مقارنة التنبؤات الكامنة مع مخرجات الترميز المستهدفة بدلاً من إعادة إنشاء الإدخال الأصلي. وقد أظهرت التجارب أن هذا النهج يعمل بفعالية مع البيانات المجمعة من عدة مجالات، بما في ذلك JA4 وJA4H وJA4S وJA4X، والتي تم الحصول عليها من قواعد بيانات JA4DB وCIC-IDS-2017.

باستخدام حوالي 397 ألف عينة من البيانات، تم القيام بتقييم المفاهيم المكتسبة عبر استخدام تقنية kNN (k-Nearest Neighbors) للتصنيف بحسب العائلات البروتوكولية (protocol-family classification) مثل TLS وDNS وSSH. أظهرت النتائج وجود تشابه كوسيني يبلغ 0.9899 ودقة قدرها 0.9220 من خلال نموذج kNN المجمد.

تؤكد هذه النتائج على فعالية التعلم التنبؤي بأسلوب JEPA في إنتاج تمثيلات مفيدة من بصمات الشبكة المستمدة من JA4، رغم عدم وجود تداخل كامل في المظاهر عبر المصادر المختلفة. إن هذه التطورات تقدم آمالًا جديدة لتحسين كفاءة الشبكات وتعزيز الأمان السيبراني.