استخدام تعلم الآلة الخصمي (أو التنافسي) للكشف عن هجمات الثغرات الصفرية في شبكات إنترنت الأشياء

الملخص

أدى إنترنت الأشياء (IoT) إلى توسع هائل في الاتصال العالمي، حيث تولد مليارات الأجهزة المتنوعة كميات هائلة من حركة مرور الشبكة. وقد أدى هذا النمو إلى زيادة كبيرة في مساحة الهجمات الإلكترونية، لا سيما الهجمات المصطنعة غير المعروفة التي تستغل الثغرات الأمنية غير المسجلة في قواعد بيانات التوقيعات الحالية. وتفشل أنظمة كشف التسلل التقليدية (IDS)، التي تعتمد على توقيعات الهجمات المعروفة، في اكتشاف هذه التهديدات الجديدة. تقترح هذه الدراسة إطار عمل شامل للتعلم الآلي التنافسي (AML) مصممًا لاكتشاف الهجمات المصطنعة غير المعروفة في شبكات إنترنت الأشياء من خلال دمج ثلاث تقنيات متكاملة: الشبكات التوليدية التنافسية (GANs) لتوليد عينات هجوم واقعية، والمشفرات التلقائية التنافسية (AAEs) لاستخراج ميزات قوية منخفضة الأبعاد، والشبكات العصبية العميقة (DNNs) لتصنيف الحالات الشاذة في الوقت الفعلي. تم تقييم إطار العمل على مجموعة بيانات اصطناعية مضبوطة لإنترنت الأشياء تضم 250,000 عينة من حركة المرور. أظهرت النتائج دقة كشف بلغت 94.8%، ودقة 93.1%، واستدعاء 92.7%، ودرجة F1 بلغت 92.9%، متفوقةً بذلك بشكل ملحوظ على أنظمة كشف التسلل القائمة على التوقيعات (63.5%)، وخوارزمية SVM (87.2%)، وخوارزمية الغابة العشوائية (90.1%). وحافظ الإطار على معدلات كشف بلغت 90.2%، و87.5%، و85.3% في ظل تشويشات FGSM، وPGD، وCarlini-Wagner المعادية، على التوالي. وأكد اختبار قابلية التوسع عبر مجموعات بيانات تصل إلى 4 ملايين عينة استمرار الأداء مع زمن استجابة للاستدلال أقل من 0.021 ثانية لكل عينة. يمثل الإطار المقترح نهجًا قابلًا للتوسع ومقاومًا للهجمات المعادية لكشف التسلل في إنترنت الأشياء، مع الإقرار بوجود قيود تتعلق بالتعميم في العالم الحقيقي.