إطار عمل هجين تكيفي للتعلم العميق للتنبؤ بتهديدات الأمن السيبراني واكتشاف الحالات الشاذة
الكلمات المفتاحية:
الأمن السيبراني، اكتشاف الحالات الشاذة، التنبؤ بالتهديدات، التعلم العميق، الشبكات العصبية الالتفافية، الشبكات العصبية ثنائية الاتجاه طويلة المدى، آلية الانتباه، الذكاء الاصطناعي الهجينالملخص
أصبح الأمن السيبراني تحديًا بالغ الأهمية في الأنظمة الحديثة المترابطة نظرًا للتطور السريع للهجمات السيبرانية المعقدة. وتعجز أنظمة كشف التسلل التقليدية القائمة على القواعد عن رصد التهديدات المعقدة وغير المسبوقة. تقترح هذه الورقة البحثية إطار عمل هجينًا تكيفيًا للتعلم العميق، يدمج الشبكات العصبية الالتفافية (CNN) والذاكرة طويلة المدى ثنائية الاتجاه (BiLSTM) وآليات الانتباه، لتحسين التنبؤ بالتهديدات السيبرانية وكشف الحالات الشاذة. وقد تم تقييم النموذج المقترح باستخدام مجموعة بيانات الكيان [\"dataset\",\"CICIDS2017\",\"cybersecurity intrusion detection dataset\"]. وتُظهر النتائج التجريبية تحسنًا في دقة الكشف، وانخفاضًا في معدلات الإنذارات الكاذبة، وأداءً قويًا في ظل سيناريوهات هجوم متنوعة. علاوة على ذلك، تؤكد دراسات الاستبعاد وتحليلات الأمان فعالية كل مكون في البنية المقترحة. يعتمد الإطار المقترح على استخراج الخصائص المكانية والزمانية من بيانات حركة الشبكة وتحليلها بصورة تكيفية لتحسين دقة كشف التهديدات الإلكترونية. تم تقييم النموذج باستخدام مجموعة بيانات \"CICIDS2017\"، حيث أظهرت النتائج تحقيق دقة عالية في الكشف وتقليل معدلات الإنذار الكاذب مقارنة بالأساليب التقليدية للتعلم الآلي والتعلم العميق.كما أوضحت نتائج دراسة الإزالة (Ablation Study) وتحليل الأمان أن دمج CNN وBiLSTM وآلية الانتباه ضمن إطار موحد يسهم بشكل فعال في تحسين قوة النظام وقدرته على التعامل مع الهجمات الحديثة والمتطورة. ويُعد الإطار المقترح حلًا واعدًا لتطبيقات الأمن السيبراني الذكية التي تتطلب اكتشافًا تكيفيًا للشذوذ وتنبؤًا فعالًا بالتهديدات الإلكترونية.
