تعدّ عملية اكتشاف الاختراقات (Intrusion Detection) أحد العناصر الأساسية في بنية الأمن السيبراني الحديثة، ومع ذلك، فإنّ النماذج المعتمدة على التعلم العميق تستنزف الموارد بشكل كبير، مما يجعلها غير مناسبة للاستخدام على حواف الشبكة أو في تطبيقات الذكاء الاصطناعي العصبي. هنا تتسارع وتيرة البحث نحو البدائل الخفيفة، مثل الشبكات العصبية النابضة (Spiking Neural Networks) التي أثبتت أنها مرشحة طبيعية لهذا الغرض.

إحدى هذه الدراسات المبتكرة استخدمت دراسة تفصيلية للتحليل، حيث تم اختبار 9 نماذج من الخلايا العصبية مجتمعة مع 3 طرق لترميز النبضات، مما أدى إلى إنشاء 27 نموذجًا مختلفًا كلها تم تنفيذها على Snntorch. وقد تم تقييم الأنظمة على مدخلات أولية بسيطة عبر أربعة مجموعات بيانات مرجعية (NSL KDD، KDDCup99، CIC-IDS2017، و CTU-13) مع 5 محاولات.

النتائج أظهرت أن طريقة ترميز النبضات كانت أكثر تأثيرًا على جودة الاكتشاف من نموذج الخلية العصبية، حيث أظهرت طرق ترميز النبضات بمعدل و دلتا أداءً أقل مقارنة بأسلوب ترميز الكمون. في النهاية، برز نموذج الخلية العصبية LeakyParallel مع ترميز الكمون، حيث حقق أفضل أداء إجمالي بمتوسط دقة 92.11% و 0.80 في معدل F1 الكلي مع نسبة إيجابيات كاذبة تبلغ 2.01% عبر جميع المجموعات، متقاربًا من الدقة المثالية مع مجموعتي CIC-IDS2017 و CTU-13، بالإضافة إلى أدائه الأسرع في الاستدلال.

تشدد هذه النتائج على الإمكانات الكبيرة للشبكات العصبية النابضة كبديل حيوي للطُّرق التقليدية في اكتشاف الاختراقات، خاصة في ظروف النشر ذات البيانات المحدودة أو المتطلبات المنخفضةlatency.

ما هي رؤيتكم لمستقبل الأمن السيبراني مع استخدام تقنيات مثل SNNs؟ شاركونا في التعليقات!