الحالة

مسودة

السنة

2026

النوع

Literature review

الملخص

تتناول هذه المراجعة الأدبية استخدام نماذج تعلّم الآلة في كشف الشذوذ الشبكي وكشف التسلل داخل بيئات إنترنت الأشياء. تنطلق الدراسة من التحديات الأمنية التي نتجت عن الانتشار السريع لأنظمة إنترنت الأشياء، حيث أصبحت الأجهزة المتصلة مستخدمة على نطاق واسع في المنازل الذكية، والرعاية الصحية، والنقل، والأتمتة الصناعية، وغيرها من البيئات المعتمدة على تبادل البيانات. وبما أن كثيرًا من أجهزة إنترنت الأشياء تمتلك قدرات محدودة من حيث المعالجة والذاكرة والطاقة، فهي لا تعتمد دائمًا على آليات أمنية مدمجة وقوية، مما يجعلها أكثر عرضة لهجمات مثل حجب الخدمة الموزع، والبرمجيات الخبيثة، وتسريب البيانات، والوصول غير المصرح به. تستعرض الورقة مجموعة من الأساليب الحديثة التي تستخدم تعلّم الآلة والتعلّم العميق لاكتشاف السلوك غير الطبيعي في حركة الشبكة، بما في ذلك النماذج الخاضعة للإشراف مثل أشجار القرار، وRandom Forest، وK-Nearest Neighbors، وXGBoost، إضافة إلى النماذج الهجينة التي تجمع بين CNN وRNN، وأساليب التعلّم الذاتي التي تعتمد على autoencoders، والتعلّم التبايني، وtransformers. تقارن الدراسة بين هذه الأساليب من حيث المنهجية، ونقاط القوة، والقيود، ومقاييس التقييم، وتوضح أن نماذج مثل Random Forest وXGBoost يمكن أن تحقق دقة قوية عند دعمها بعمليات معالجة مسبقة واختيار مناسب للخصائص، بينما تستطيع نماذج التعلّم العميق التقاط أنماط أكثر تعقيدًا في حركة الشبكة على المستويين المكاني والزمني. وفي المقابل، تسلط المراجعة الضوء على عدد من التحديات المهمة، مثل الاعتماد الكبير على البيانات المصنفة، وعدم توازن البيانات، وارتفاع التكلفة الحسابية، وتعقيد التدريب، وصعوبة نشر النماذج المتقدمة على أجهزة إنترنت الأشياء محدودة الموارد. وتخلص الدراسة إلى أن الأبحاث المستقبلية ينبغي أن تتجه نحو نماذج كشف خفيفة، قابلة للتكيّف، وقابلة للتوسع، تستطيع العمل بكفاءة داخل بيئات إنترنت الأشياء الديناميكية مع الحفاظ على أداء موثوق في اكتشاف التهديدات.