DOI: https://doi.org/10.1038/s41598-025-21648-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41162457
تاريخ النشر: 2025-10-29
المؤلف: P. Chinnasamy وآخرون
الموضوع الرئيسي: أمن الشبكات وكشف التسلل
نظرة عامة
تناقش ورقة البحث تطوير نظام جديد لاكتشاف التسلل لشبكات الجيل السادس (6G) اللاسلكية، والتي من المتوقع أن تكون قيد التشغيل بحلول عام 2030. يستخدم النظام المقترح خوارزمية تعلم الآلة، وتحديداً شبكة عصبية متعددة الوكلاء ذات ترميز كمي غاوسي متحدة على البلوكشين (BFGMAQENN)، لتعزيز قدرات مراقبة واكتشاف الهجمات السيبرانية. يتم تحقيق تحسين شبكة 6G من خلال تحسين الذئب الثنائي لسرعة الحوت (WSBWO). تظهر النتائج التجريبية أن النموذج يحقق دقة اكتشاف تبلغ 97%، ونزاهة البيانات 94%، وقابلية التوسع 93%، وعبء اتصالات 60%، وكفاءة الشبكة 98%، مما يشير إلى فعاليته في مواجهة التحديات الأمنية التي تطرحها التهديدات السيبرانية المتطورة.
في الخاتمة، يبرز المؤلفون إمكانية نهجهم لتحسين الأمان في شبكات 6G من خلال الذكاء الاصطناعي. ويلاحظون أهمية معالجة عدم توازن فئات مجموعة البيانات في الأبحاث المستقبلية لتعزيز أداء النموذج بشكل أكبر. تقدم الورقة أيضًا تحليلًا مقارنًا لدقة الاكتشاف عبر أنواع الهجمات المختلفة، مما يظهر تحسينات كبيرة مع التقنية المقترحة. على سبيل المثال، تحسنت دقة الاكتشاف لهجمات الباب الخلفي من 70% إلى 79.4% مع الدفاع المقترح. بالإضافة إلى ذلك، تشير تحليل عبء الاتصالات إلى تقليل يصل إلى 80% مع تكرارات تحديث النموذج المتغيرة، مما يبرز كفاءة النظام المقترح.
طرق
في هذا القسم، يصف المؤلفون طرق اختيار الميزات (FS) والمصنفات المختلفة المستخدمة في تجاربهم لتقييم أنظمة اكتشاف التسلل (IDS). استخدموا تقنيات التعلم الجماعي (EL)، وتحديداً الغابة العشوائية (RF) مع اختيار الميزات القائم على الارتباط، محققين معدلات دقة عالية عبر مجموعات بيانات متعددة: 99.6% دقة مع معدل إنذار كاذب (FAR) قدره 0.004 لـ NSL_KDD، و99.1% دقة مع FAR قدره 0.008 لـ UNSW_NB2015، و99.4% دقة مع FAR قدره 0.0012 لـ CIC_IDS2017. ومع ذلك، أدت مجموعة من استراتيجيتين EL إلى وقت حسابي مفرط.
بالإضافة إلى ذلك، استكشف المؤلفون نموذج اكتشاف الشذوذ ذو الطبقتين باستخدام تحليل التمييز الخطي (LDA) وجيران كNearest (KNN)، مما أسفر عن دقة قدرها 83.24% مع FAR قدره 4.83%. لاحظوا التحديات في التعامل مع عدم توازن الشبكة داخل مجموعة بيانات الشذوذ وأبلغوا عن مقاييس أداء أقل مع طرق أخرى، مثل نهج RF الهجين الذي حقق دقة 78.90%. أظهر استخدام خوارزمية جينية لاختيار الميزات نتائج واعدة، مع دقة 98.99% لـ CIC_IDS17، و98.73% لـ NSL_KDD، و97.997% لـ UNSW_NB15. كما أظهر مصنف التعلم العميق المعزز بالتدرج الشديد أيضًا معدلات دقة عالية، لكن تعقيد الخوارزميات أدى إلى أوقات تنفيذ كبيرة. بشكل عام، تسلط النتائج الضوء على التوازن بين الدقة وFAR والكفاءة الحاسوبية في منهجيات IDS.
النتائج
يقدم قسم النتائج تكوين النظام المستخدم للنهج المقترح، كما هو موضح في الجدول 3. تتضمن الإعدادات جهاز كمبيوتر يعمل بنظام Windows 10 مزود بمعالج Intel Core i5-8300H بسرعة ساعة 2.3 جيجاهرتز، وبطاقة رسومات GeForce GTX 1050، وذاكرة وصول عشوائي سعتها 8 جيجابايت. تم بناء الإطار الحسابي على Python 3.6، الذي طورته مؤسسة برمجيات بايثون، ويستفيد من CUDA 10.2، التي أنشأتها شركة NVIDIA، لتعزيز الأداء. يعتبر هذا التكوين حاسمًا لتنفيذ التجارب والتحليلات الموضحة في الدراسة.
المناقشة
تقدم الدراسة نهجًا جديدًا قائمًا على تعلم الآلة لاكتشاف التسلل ومراقبة الهجمات السيبرانية في شبكات 6G، باستخدام شبكة عصبية متعددة الوكلاء ذات ترميز كمي غاوسي متحدة على البلوكشين (BFGMAQENN). يدمج هذا الأسلوب تحسين الذئب الثنائي لسرعة الحوت (WSBWO) لتعزيز أداء الشبكة. تهدف البنية المقترحة إلى توفير إطار أمان متعدد الطبقات لشبكات إنترنت الأشياء الكبيرة، مع معالجة تحديات زيادة حجم البيانات وتعقيد التهديدات السيبرانية، مثل هجمات الحرمان من الخدمة الموزعة (DDoS) وهجمات الرجل في المنتصف (MITM). تسلط الدراسة الضوء على قيود أنظمة اكتشاف التسلل الحالية، ولا سيما عدم قدرتها على اكتشاف هجمات اليوم الصفري، وتؤكد على الحاجة إلى تقنيات أمان تكيفية.
تستعرض المناقشة أعمالًا ذات صلة، مشيرة إلى التقدم في منهجيات اكتشاف التسلل، بما في ذلك تطبيق نماذج التعلم العميق مثل الذاكرة طويلة وقصيرة المدى (LSTM) والشبكات العصبية الالتفافية (CNN). تظهر هذه الدراسات معدلات دقة عالية عبر مجموعات بيانات متعددة، ومع ذلك، يعتمد العديد منها على البيانات التاريخية، والتي قد لا تعالج التهديدات الناشئة بشكل فعال. يهدف نموذج BFGMAQENN المقترح إلى التغلب على هذه القيود من خلال اعتماد نهج التعلم الفيدرالي الذي يسمح بخصوصية البيانات اللامركزية واستخدام الموارد بكفاءة. يعزز دمج تقدير التباين وحساب الوزن من مرونة النموذج ضد الهجمات، مما يضمن تمثيل توزيعات البيانات من العملاء بشكل فعال في النموذج العالمي. بشكل عام، تسهم هذه الدراسة بشكل كبير في مجال الأمن السيبراني في الشبكات من الجيل التالي من خلال اقتراح إطار اكتشاف تسلل قوي وتكيفي وفعال.
DOI: https://doi.org/10.1038/s41598-025-21648-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41162457
Publication Date: 2025-10-29
Author(s): P. Chinnasamy et al.
Primary Topic: Network Security and Intrusion Detection
Overview
The research paper discusses the development of a novel intrusion detection system for sixth-generation (6G) wireless networks, which are expected to be operational by 2030. The proposed system utilizes a machine learning algorithm, specifically a blockchain federated Gaussian multiagent Q-encoder neural network (BFGMAQENN), to enhance cyber-attack monitoring and detection capabilities. The optimization of the 6G network is achieved through whale swarm binary wolf optimization (WSBWO). Experimental results demonstrate that the model achieves a detection accuracy of 97%, data integrity of 94%, scalability of 93%, communication overhead of 60%, and network efficiency of 98%, indicating its effectiveness in addressing the security challenges posed by sophisticated cyber threats.
In the conclusion, the authors highlight the potential of their approach to improve security in 6G networks through artificial intelligence. They note the importance of addressing dataset class imbalances in future research to further enhance model performance. The paper also presents a comparative analysis of detection accuracy across various attack types, showing significant improvements with the proposed technique. For instance, detection accuracy for backdoor attacks improved from 70% to 79.4% with the proposed defense. Additionally, communication overhead analysis indicates a reduction of up to 80% with varying model update frequencies, underscoring the efficiency of the proposed system.
Methods
In this section, the authors describe various feature selection (FS) methods and classifiers employed in their experiments to evaluate intrusion detection systems (IDS). They utilized ensemble learning (EL) techniques, specifically Random Forest (RF) combined with correlation-based FS, achieving high accuracy rates across multiple datasets: 99.6% accuracy with a false alarm rate (FAR) of 0.004 for NSL_KDD, 99.1% accuracy with a FAR of 0.008 for UNSW_NB2015, and 99.4% accuracy with a FAR of 0.0012 for CIC_IDS2017. However, the combination of two EL strategies resulted in excessive computational time.
Additionally, the authors explored a two-tier anomaly detection model using Linear Discriminant Analysis (LDA) and K-Nearest Neighbors (KNN), which yielded an accuracy of 83.24% with a FAR of 4.83%. They noted challenges in handling network imbalance within the anomaly dataset and reported lower performance metrics with other methods, such as a hybrid RF approach that achieved 78.90% accuracy. The use of a genetic algorithm for feature selection demonstrated promising results, with accuracies of 98.99% for CIC_IDS17, 98.73% for NSL_KDD, and 97.997% for UNSW_NB15. The extreme gradient boosting deep learning classifier also showed high accuracy rates, but the complexity of the algorithms led to significant execution times. Overall, the findings highlight the trade-offs between accuracy, FAR, and computational efficiency in IDS methodologies.
Results
The results section presents the system configuration utilized for the proposed approach, as detailed in Table 3. The setup includes a Windows 10 computer featuring an Intel Core i5-8300H CPU with a clock speed of 2.3 GHz, a GeForce GTX 1050 graphics card, and 8 GB of RAM. The computational framework is built on Python 3.6, developed by the Python Software Foundation, and leverages CUDA 10.2, created by NVIDIA Corporation, to enhance performance. This configuration is critical for executing the experiments and analyses outlined in the study.
Discussion
The research presents a novel machine learning-based approach for intrusion detection and cyberattack monitoring in 6G networks, utilizing a blockchain federated Gaussian multi-agent Q-encoder neural network (BFGMAQENN). This method integrates swarm binary wolf optimization (WSBWO) to enhance network performance. The proposed architecture aims to provide a multi-tiered security framework for large IoT networks, addressing the challenges of increased data volume and the complexity of cyber threats, such as Distributed Denial of Service (DDoS) and Man-in-the-Middle (MITM) attacks. The study highlights the limitations of existing intrusion detection systems, particularly their inability to detect zero-day attacks, and emphasizes the need for adaptive security techniques.
The discussion reviews various related works, noting advancements in intrusion detection methodologies, including the application of deep learning models like Long Short-Term Memory (LSTM) and Convolutional Neural Networks (CNN). These studies demonstrate high accuracy rates across multiple datasets, yet many rely on historical data, which may not effectively address emerging threats. The proposed BFGMAQENN model aims to overcome these limitations by employing a federated learning approach that allows for decentralized data privacy and efficient resource utilization. The integration of divergence estimation and weight calculation further enhances the model’s resilience against attacks, ensuring that data distributions from clients are effectively represented in the global model. Overall, this research contributes significantly to the field of cybersecurity in next-generation networks by proposing a robust, adaptive, and efficient intrusion detection framework.