في عصر الذكاء الاصطناعي المتطور، أصبحت هجمات الشبكات أكثر تعقيدًا حيث تستخدم تقنيات متقدمة مثل الذكاء الاصطناعي التوليدي (Generative AI) والتعلم المعزز (Reinforcement Learning). أولاً، تعتبر عملية الكشف عن الهجمات جزءًا محوريًا في أنظمة الكشف عن التسلل. تكمن أهمية هذا البحث في تقديم مجموعة بيانات موحدة متعددة الوسائط تتضمن بيانات تدفق الشبكة، معلومات حزمة البيانات، وميزات السياق الزمني، تمت معالجتها من مجموعات بيانات CIC-IDS-2017، CIC-IoT-2023، UNSW-NB15 وCIC-DDoS-2019.

في المهمة الأولى، يتم استخدام خوارزميات التعلم الآلي، مع ضمان الاستقرار والموثوقية بواسطة التحقق المتقاطع الطبقي. بينما في المهمة الثانية، يتم تطبيق خوارزميات التعلم العدواني لتوليد بيانات اصطناعية، حيث يتم مقارنتها بالبيانات الحقيقية وتقييم موثوقيتها وفائدتها وخصوصيتها باستخدام إطار عمل SDV، الفروقات الفريدة، والاختبارات الإحصائية غير المعلمية.

تشير النتائج إلى تطوير نماذج تعلم آلي مستقرة لاكتشاف التسلل، بالإضافة إلى نماذج توليدية ذات دقة عالية وفائدة كبيرة، عن طريق دمج إطار توليد البيانات الاصطناعية (Synthetic Data Vault) مع اختبارات TRTS وTSTR، إضافةً إلى اختبارات إحصائية غير معلمية وقياسات الفروقات الفريدة.

إذا كنت مهتمًا بكيفية تطور مجال الأمان السيبراني باستخدام الذكاء الاصطناعي، فقد حان الوقت لاستكشاف النتائج المثيرة التي يقدمها هذا البحث!