STEAD: اكتشاف التناقضات الفعّالة الزمانية والمكانية للتطبيقات الحساسة للزمن والحساب

تقدم هذه الورقة منهجًا جديدًا للكشف عن الشذوذ في الأنظمة الآلية التي تتمتع بمتطلبات حساسة زمنيًا وحولية الحوسبة، مثل القيادة الذاتية، بفعالية غير مسبوقة. ومع ازدياد شعبية الأنظمة مثل القيادة الذاتية، أصبح ضمان سلامتها أكثر أهمية من أي وقت مضى. ولهذا، تركز هذه الورقة على كيفية الكشف السريع والفعال عن أنواع مختلفة من الشذوذ في الأنظمة المذكورة أعلاه، بهدف جعلها أكثر أمانًا وفعالية. تم تطوير العديد من أنظمة الكشف بنجاح كبير في السياقات المكانية؛ ومع ذلك، لا يزال هناك مجال واسع للتحسين فيما يتعلق بالسياقات الزمنية. وعلى الرغم من وجود أبحاث واسعة في هذا المجال، فإن العمل المُنجز بشأن كفاءة النماذج وقدرتها على التطبيق في السيناريوهات التي تتطلب استنتاجًا في الوقت الفعلي – مثل القيادة الذاتية، حيث يجب اكتشاف الشذوذ فور رؤيته – ما زال محدودًا جدًا. ولسد هذه الفجوة، نقترح نموذج STEAD (الكشف عن الشذوذ الفعّال المكاني-الزمني)، الذي يعتمد على هيكل مبني على التحويلات (2+1)D والانتباه الخطي من نوع Performer، مما يضمن الكفاءة الحسابية دون التضحية بالأداء. عند اختبار النموذج الأساسي على معيار UCF-Crime، حقق أداءً بقيمة AUC بلغت 91.34%، متفوقًا على الحالة الراهنة للتقنية، في حين حقق النسخة السريعة أداءً بقيمة AUC بلغت 88.87%، مع تقليل بنسبة 99.70% في عدد المعلمات، وبما يفوق أيضًا الحالة الراهنة للتقنية. تم إتاحة الشيفرة البرمجية والنماذج المُدرّبة مسبقًا للجمهور عبر الرابط التالي: https://github.com/agao8/STEAD