اكتشاف الشذوذ الذاتي التكيف باستخدام التعلم المعزز وردود الفعل البشرية في السيارات المتصلة

في عصر التكنولوجيا الحديثة، تزداد أهمية السيارات المتصلة (Connected Vehicles) والتي تُعتبر أنظمة سيبرانية فيزيائية تعمل بشكل شبه تلقائي. ومع ذلك، تتطلب هذه الأنظمة مراقبة مستمرة أثناء التشغيل لتحديد أي انحرافات عن الأداء الطبيعي قبل أن تؤدي إلى عواقب وخيمة. لكن التحدي يكمن في أن هذه الأنظمة تتطور باستمرار؛ إذ يمكن أن تتسبب التحديثات عن بُعد (Over-the-Air Updates) وتغيرات الإعدادات في إعادة تعريف السلوك الطبيعي، مما يؤدي إلى تدهور طرق التشخيص الثابتة مع مرور الوقت.

لا تكاد الطرق الحالية تقدم حلًا شاملًا؛ إذ أنها عادةً ما تتعامل مع تكيف النموذج تلقائيًا أو دمج مشغلي النظام بشكل منفصل. لكن الدراسة الجديدة تقدم إطار عمل متكامل لاكتشاف الشذوذ على الإنترنت (Online Anomaly Detection)، يجمع بين ثلاثة آليات متناسقة.

يستخدم هذا النظام شبكة عميقة Q مع انتباه ذاتي (Self-Attention) لاختيار أفضل كاشف من مجموعة مختارة لكل خدمة مراقبة، مستفيدًا من التداخلات بين الخدمات في بنية الخدمات الدقيقة (Microservice Topology). كما يراقب طاقم من ثلاثة كاشفين إحصائيين انزياح البيانات (Statistical Drift Detectors) توزيع الإدخال، ويصدر إنذارًا فقط عندما تتفق جميع الأجهزة الثلاثة، مما يوفر دقة عالية على حساب الاسترجاع.

إضافةً إلى ذلك، يدمج النظام آلية إعادة تدريب تضم خوارزمية تفاعلية تُعزز المعرفة البشرية، مما يسمح لمشغل النظام بإدماج خبرة المتخصصين دون إلحاق الضرر باستجابة النظام تجاه توزيعات البيانات السابقة. تم تقييم هذا النظام الجديد على منصة اختبار للسيارات المتصلة، حيث أظهر نظام التصنيف المكثف أداءً قويًا، وبفضل إعادة التدريب، استعاد الأداء بعد التحديث البرمجي.

تظهر النتائج المستخلصة من الدراسة أن قدرة الإطار على التكيف المستدام تظل فعالة دون فقدان المعرفة السابقة، مما يمهد الطريق لمستقبل أكثر أمانًا وذكاءً للسيارات المتصلة.