اختبار ضغط ثلاثي المحاور: هل تتفوق نماذج اللغة الكبيرة على التعلم الآلي الكلاسيكي في اكتشاف الهجمات عبر الشبكة؟

في عالم الأمن السيبراني، حيث يتزايد استخدام نماذج اللغة الكبيرة (Large Language Models) مثل RoBERTa-LoRA، يتعين علينا فهم الأداء الحقيقي لهذه الأنظمة مقابل طرق التعلم الآلي الكلاسيكي مثل XGBoost. دراسة جديدة تسلط الضوء على تقييم ثلاثي المحاور يُظهر أن كلتا الطريقتين لهما نقاط قوة وضعف.

طالما تم تقييم هذه النماذج باستخدام نفس مجموعة البيانات، إلا أن هذا الأسلوب لم يكن كافياً وفقًا للنتائج. أُجريت الاختبارات على شبكتين مستقلة باستخدام بيانات NetFlow v2، وركزت الدراسة على ثلاثة محاور رئيسية: الأداء على نفس مجموعة البيانات، والتحويل بين المجموعات المختلفة، ونجاح تفادي الهجمات.

النتائج كانت مفاجئة، حيث أظهرت أن لا نموذج يتفوق بشكل شامل. على المحور الأول، كانت النماذج مرتبطة إحصائيًا بنفس المجموعة. بينما في اختبار التحويل بين المجموعات، حقق XGBoost تفوقاً واضحاً بفارق 15 نقطة في درجة تحسين النموذج (F1) و25 نقطة في دقة التوازن. ومع ذلك، في ما يتعلق بتفادي الهجمات، تفوقت RoBERTa-LoRA بفارق 17 نقطة على نفس المقياس، مما يشير إلى أن النماذج تقدم أداءً متفاوتًا اعتمادًا على المعيار المستخدم.

كما أظهرت الدراسة أهمية تقييم نماذج كشف اختراق الشبكات بطرق متعددة واستفادة من أكثر من مقياس واحد في كل محور، مما يعكس حقيقة أن الأداء يعتمد على التركيبة المتنوعة للبيانات وتحديات الهجمات.

في ختام هذه الدراسة، تبين أن الاختيار بين XGBoost وRoBERTa-LoRA يعتمد بشكل كبير على طبيعة الاختبار والتحديات المرتبطة بالسياق.

ما رأيكم في استخدام هذه النماذج؟ هل تعتقدون أن نموذجًا واحدًا يمكن أن يتفوق على الآخر في مختلف البيئات؟ شاركونا آراءكم!