تواجه أنظمة الكشف عن التسلل (Intrusion Detection Systems - IDS) في بيئات إنترنت الأشياء (Internet of Things - IoT) تحديات كبيرة، خاصة فيما يتعلق بتنوع البيانات وغياب البيانات المعلّمة وصعوبة تفسير نماذج الخوارزميات. يعرض التعلم الفدرالي (Federated Learning - FL) حلاً مبتكرًا يحافظ على خصوصية البيانات، ولكن تقنيات مثل SOH-FL تعاني من قيود رئيسية.

لذا، نحن نقدم لكم إطار العمل الجديد XAI-SOH-FL، الذي يدمج بين التجميع التكيفي والذكاء الاصطناعي التفسيري. يتضمن هذا الإطار ثلاث تحسينات رئيسية:
1. **آلية اختيار ديناميكية**: يتم تحديد قيمة التجميع (γ) عبر عتبات التشابه، مما يتيح للعملية التكيف مع توزيع البيانات المتغيرة.
2. **تحسين بايزي**: يُستخدم لتحديد قيم (γ) المثلى تلقائيًا، مما يزيل الحاجة للتعديل اليدوي.
3. **التفسير من خلال SHAP**: يوفر SHapley Additive exPlanations تفسيرًا على مستوى المميزات للقرارات الخاصة باكتشاف التسلل.

تقييمنا العملي على مجموعة بيانات CICIDS2017 أظهر أن الاقتراح الجديد حقق دقة بلغت 94.12% ومدى F1-score قدره 0.92، متفوقًا على نموذج SOH-FL الأساسي بينما يحتاج لعدد أقل من جولات الاتصال. علاوة على ذلك، كشفت تحليلات SHAP أن ميزات مستوى الجريان مثل مدة الجريان وطول الحزمة تؤثر بشكل كبير على تنبؤات النموذج.

تظهر هذه النتائج أن XAI-SOH-FL تحقق توازنًا فعالًا بين الدقة، والمرونة، وسهولة الفهم في بيئات إنترنت الأشياء المتنوعة.