تقنيات تعلم الآلة للكشف عن الاختراقات في الشبكات: مراجعة مقارنة للخوارزميات، ومجموعات البيانات، ومقاييس الأداء (2020–2025)
DOI:
https://doi.org/10.65421/jibas.v2i4.248الكلمات المفتاحية:
التعلم الآلي، نظام كشف التسلل، أمن الشبكات، الغابة العشوائية (Random Forest)، التعلم العميق، تقييم الأداء، مراجعة مقارنة، الأمن السيبرانيالملخص
تقدم هذه الورقة مراجعة مقارنة لتقنيات التعلم الآلي المستخدمة في أنظمة كشف التسلل عبر الشبكات، وذلك من خلال تحليل أربع عشرة دراسة نُشرت في الفترة ما بين عامي 2020 و2025. أُجريت هذه المراجعة وفقاً لإرشادات "العناصر المفضلة للمراجعات المنهجية وتحليل البيانات التجميعي" (PRISMA)، حيث تم تحديد الدراسات باستخدام محرك البحث "جوجل سكولار" (Google Scholar) عبر سلسلة بحثية تجمع مصطلحات تتعلق بالتعلم الآلي، وكشف التسلل، وتقييم الأداء. وقد وقع الاختيار على الدراسات بناءً على معايير محددة، منها: استخدام خوارزمية واحدة على الأقل من خوارزميات التعلم الآلي، وتوفر مقاييس أداء كمية، وأن تكون الدراسات منشورة باللغة الإنجليزية خلال الفترة الزمنية المذكورة. تضمنت الدراسات التي شملتها المراجعة خوارزميات تندرج تحت ثلاث فئات رئيسية: النماذج التقليدية (مثل الغابة العشوائية "Random Forest"، وشجرة القرار "Decision Tree"، وآلة المتجهات الداعمة "Support Vector Machine")، ونماذج التعلم العميق (مثل الشبكات العصبية المتكررة "Long Short-Term Memory" وشبكات الاعتقاد العميق "Deep Belief Networks")، والأساليب التجميعية (مثل "XGBoost" و"AdaBoost"). ومن بين ثلاث عشرة دراسة قدمت قيمة إجمالية لدقة الأداء، بلغ متوسط الدقة 96.42%، تراوحت بين 83.27% و99.99%. وكانت خوارزمية "الغابة العشوائية" (Random Forest) هي الأكثر اختباراً، حيث ظهرت في عشر دراسات من أصل أربع عشرة، بينما كانت مجموعة بيانات "NSL-KDD" هي الأكثر استخداماً، إذ وردت في ست دراسات. ومع ذلك، لم تذكر تسع دراسات من أصل أربع عشرة مقياس "F1-Score"، مما حدّ من إمكانية إجراء مقارنة مباشرة بين النتائج. وتشير النتائج إلى أن النماذج التقليدية والأساليب التجميعية لا تزال تتمتع بقدرة تنافسية عالية مقارنة بأساليب التعلم العميق عند تطبيقها على مجموعات بيانات قياسية. علاوة على ذلك، تبين أن اختيار مجموعة البيانات يؤثر بشكل جوهري على مستويات الأداء المُبلغ عنها. وتوصي الدراسة بأن تركز الأبحاث المستقبلية على استخدام مجموعات بيانات أحدث وأكثر تمثيلاً لبيئات العمل الواقعية، مع الالتزام بتقديم تقارير متسقة تتضمن مقاييس أداء متعددة، وتطوير أطر تقييم موحدة تتيح إجراء مقارنات أكثر موثوقية بين الدراسات المختلفة.
