KiNETGAN: تمكين الكشف عن الانتهاكات في الشبكات الموزعة من خلال توليد بيانات اصطناعية مدعومة بالمعرفة

في مجال أنظمة الإنترنت للأشياء (IoT) وأنظمة الفيزيائيات السيبرانية (CPS) المتصلة عبر شبكات الهاتف المحمول، تحلل الطرق التقليدية للكشف عن الاختراق حركة الشبكة عبر الأجهزة المتعددة باستخدام تقنيات اكتشاف الانحرافات لتحديد التهديدات الأمنية المحتملة. ومع ذلك، تواجه هذه الطرق تحديات خصوصية كبيرة، خاصة مع فحص الحزم العميقة وتحليل الاتصالات الشبكية. هذا النوع من الرصد غاية في الإزعاج، حيث يشمل فحص محتوى حزم البيانات التي قد تحتوي على معلومات شخصية وحساسة. غالباً ما تخضع مثل هذه عمليات الفحص للقوانين واللوائح الصارمة، خاصة في بيئات مثل المنازل الذكية حيث تعتبر خصوصية البيانات أمراً بالغ الأهمية. تقدم البيانات المصنعة حلاً واعداً من خلال تقليد سلوك الشبكة الحقيقي دون الكشف عن التفاصيل الحساسة. يمكن لأمثلة النماذج الجenerative مثل شبكات المنافسة التوليدية (Generative Adversarial Networks - GANs) إنتاج بيانات مصنعة، لكنها غالباً ما تعاني من صعوبة في إنشاء بيانات واقعية في المجالات المتخصصة مثل نشاط الشبكة. ينبع هذا القيد من نقص البيانات التدريبية، مما يعيق قدرة النموذج على فهم قواعد وقيود المجال بشكل كافٍ. بالإضافة إلى ذلك، يزيد نقص البيانات التدريبية من مشكلة عدم التوازن بين الفئات في طرق الكشف عن الاختراق. لمعالجة هذه التحديات، نقترح إطار عمل مدفوع بالخصوصية يستخدم شبكة المنافسة التوليدية المدمجة بالمعرفة لإنتاج بيانات نشاط شبكة مصنعة (KiNETGAN). يعزز هذا النهج صمود الكشف عن الاختراق الموزع بينما يعالج مخاوف الخصوصية. ينتج نموذج GAN الذي يتم توجيهه بالمعرفة تمثيلات واقعية لأنشطة الشبكة، وقد تم التحقق منها من خلال التجارب الدقيقة. نثبت أن KiNETGAN تحتفظ بخسارة دقة أدنى في المهام اللاحقة، مما يؤدي إلى تحقيق توازن فعال بين خصوصية البيانات ومصلحتها العملية.