الدفاع السيبراني الاستباقي من خلال التعلم العميق متعدد المهام: الكشف في الوقت الفعلي والتنبؤ بحركة البيانات في شبكات المؤسسات

الملخص

تواجه البنى التحتية الحديثة للشبكات تحديات متزايدة في اكتشاف الحالات الشاذة الدقيقة والتنبؤ بديناميكيات حركة البيانات، وذلك بسبب الحجم الكبير وسرعة البيانات وتعقيدها. يتناول هذا البحث ثغرة حاسمة، ألا وهي: هل يوجد نموذج واحد للتعلم العميق قادر على أداء كل من اكتشاف الحالات الشاذة والتنبؤ بمقاييس حركة البيانات في آن واحد وبكفاءة عالية؟ للإجابة على هذا السؤال، نقترح إطار عمل جديدًا متعدد المهام قائم على شبكة LSTM عميقة، يوحد التصنيف (تحديد الحالات الشاذة) والانحدار (التنبؤ بحركة البيانات المستقبلية) ضمن بنية مشتركة. بالاستفادة من مجموعة بيانات CESNET-TimeSeries24 الواقعية، يستغل هذا النهج البحثي التبعيات الزمنية في بيانات تدفق الشبكة لتعلم تمثيلات قوية لكلا المهمتين معًا. تكمن الميزة الرئيسية لهذا التصميم متعدد المهام في قدرته على تعزيز التعميم من خلال مشاركة الميزات المتعلمة، مما يحسن اكتشاف الحالات الشاذة عبر التنبؤ السياقي، ويحسن التنبؤات من خلال التعرف على الأنماط غير الطبيعية. يحقق هذا النموذج البحثي دقة تصنيف تصل إلى 95.8%، ونسبة استدعاء للحالات الشاذة تبلغ 76.8%، ومعامل تحديد (R²) استثنائي قدره 0.98 في الانحدار، مما يدل على موثوقية تشغيلية عالية. يقدم هذا العمل حلاً عملياً شاملاً يُعزز مراقبة الشبكات الذكية من خلال دمج تحليلات الأمن والأداء في نظام واحد، مما يوفر لمشغلي الشبكات أداة استباقية للدفاع السيبراني، وتخطيط السعة، واتخاذ القرارات في الوقت الفعلي. ومن خلال التحقق من التآزر بين التنبؤ والكشف، يضع هذا البحث أساساً لإدارة شبكات أكثر تكيفاً وكفاءة وشمولية مدعومة بالذكاء الاصطناعي.