DOI: https://doi.org/10.14500/aro.12365
تاريخ النشر: 2026-02-05
المؤلف: Umed H. Jader وآخرون
الموضوع الرئيسي: أمن الشبكات وكشف التسلل
نظرة عامة
إن التقدم السريع في تقنيات الجيل الخامس (5G) يبشر بمرحلة تحول للإنترنت للأشياء (IoT)، تتميز بتحسين الاتصال، السرعة، وتقليل زمن الاستجابة. ومع ذلك، فإن هذه التطورات تقدم أيضًا ثغرات أمنية كبيرة، مما يستدعي دراسة مركزة للدفاعات المعتمدة على التعلم الآلي (ML) والتعلم العميق (DL) المصممة خصيصًا لبيئات IoT المدعومة بتقنية 5G. تستعرض هذه الدراسة الأدبيات الحديثة من السنوات الخمس الماضية بشكل منهجي، مستخدمة إطار عمل العناصر المفضلة للتقارير للمراجعات المنهجية والتحليلات التلوية (PRISMA) لاستخراج المنهجيات، النتائج، مجموعات البيانات، المقاييس، والقيود. تشير النتائج إلى أن نماذج DL، وخاصة الهياكل الهجينة، تُستخدم بشكل أساسي لاكتشاف التسللات، الشذوذ، وحركة المرور الضارة، ومع ذلك، هناك تركيز غير متناسب على هجمات حرمان الخدمة مقارنة بالتهديدات الأخرى مثل برامج الفدية والتصيد.
تحدد الدراسة الفجوات الحرجة في الأبحاث الحالية، خاصة الاعتماد على مجموعات البيانات القديمة والاصطناعية، مما يعيق التطبيق العملي لأنظمة كشف التسلل (IDS) في سياقات 5G-IoT. بينما تظهر هياكل DL مثل الشبكات العصبية الالتفافية (CNNs) والمحولات وعودًا، هناك استكشاف غير كافٍ للكفاءة، التعميم، واهتمامات الخصوصية، خاصة في عمليات النشر على الحافة. علاوة على ذلك، فإن نقص بروتوكولات التقييم الموحدة يعقد جهود القياس والمقارنات عبر الدراسات. تؤكد المراجعة على الحاجة الملحة لمجموعات بيانات متنوعة وواقعية، ومعايير قابلة للتكرار، وهياكل تحافظ على الخصوصية لتعزيز قوة وموثوقية IDS في أنظمة 5G-IoT. الجهود التعاونية بين الباحثين، أصحاب المصلحة في الصناعة، وصانعي السياسات ضرورية لمعالجة هذه التحديات وتقدم المجال.
مقدمة
إن دمج تقنية الجيل الخامس (5G) مع الإنترنت للأشياء (IoT) أمر محوري لإنشاء نظام بيئي أكثر ترابطًا وذكاءً، مستفيدًا من موثوقية 5G العالية، زمن الاستجابة المنخفض، والاتصال الواسع لتلبية الطلبات المتنوعة لتطبيقات IoT. يسهل هذا التعاون نشر أجهزة IoT عبر بيئات مختلفة، بما في ذلك المناطق الحضرية والنائية، مما يمكّن من حلول اتصال مرنة وقابلة للتوسع. ومع ذلك، فإن انتشار الأجهزة المتصلة يزيد أيضًا من الثغرات الأمنية، مما يجعل شبكات IoT أهدافًا رئيسية للهجمات الإلكترونية مثل هجمات الرجل في المنتصف (MitM)، حرمان الخدمة (DoS)، وهجمات الشبكات الآلية. تشير التوقعات إلى أن الاتصالات العالمية لـ IoT ستتجاوز 38 مليار بحلول عام 2030، مع تجاوز الاتصالات الخلوية لـ IoT 7 مليار، بينما من المتوقع أن ينمو سوق IoT من 70 مليار دولار في 2024 إلى 181 مليار دولار بحلول عام 2030، مما يعكس معدل نمو سنوي يتجاوز 16%.
على الرغم من هذا التوسع السريع، فإن سطح الهجوم لأنظمة IoT و5G يتزايد أيضًا، مع تقديرات تشير إلى أن خروقات الأمان المتعلقة بـ 5G قد تكلف الصناعات أكثر من 27 مليار دولار سنويًا بحلول عام 2030. استجابةً لهذه التحديات، كان هناك ارتفاع كبير في تطبيق تقنيات التعلم الآلي (ML) والتعلم العميق (DL) لتعزيز تدابير الأمن السيبراني ضد تهديدات إلكترونية متنوعة. أظهرت الدراسات الحديثة أن اختيار الميزات الهجينة المدمجة مع هياكل DL يمكن أن تحقق دقة عالية في اكتشاف الهجمات الإلكترونية داخل شبكات IoT. ومع ذلك، تكشف مراجعة الأدبيات عن فجوة في التحليلات الشاملة التي تعالج الثغرات المشتركة لأمان 5G وIoT، فضلاً عن أداء حلول ML/DL، مما يشير إلى الحاجة إلى مزيد من المناهج البحثية المنهجية والمتكاملة.
الطرق
في القسم الذي يتناول التهديدات الأمنية الرئيسية، الثغرات، وطرق الهجوم (RQ1)، تسلط الأبحاث الضوء على أهمية هجمات حرمان الخدمة (DoS) وهجمات حرمان الخدمة الموزعة (DDoS)، التي تشكل 18.5% من الدراسات بسبب تأثيرها المزعزع على شبكات IoT و5G. تكشف التحليلات عن تركيز كبير على تصنيف الهجمات المتعددة، الذي يمثل أيضًا 18.5%، مما يشير إلى ضرورة وجود أطر كشف شاملة يمكنها التعامل مع مجموعة متنوعة من متجهات التهديد، بما في ذلك DDoS، الحقن، وبرامج الفدية. تمثل دراسات كشف التسلل، التي تستهدف الشذوذ العام، 14.8% من الأبحاث، بينما يتم استكشاف أنواع الهجمات الأخرى، مثل الشبكات الآلية والتزوير، بشكل أقل تكرارًا. تشير النتائج إلى حاجة ملحة لمزيد من التحقيق في التهديدات الممثلة تمثيلًا ناقصًا، خاصة تلك التي تظهر انحرافات سلوكية بدلاً من أحجام حركة مرور عالية، مما يتطلب تقنيات متقدمة من التعلم الآلي (ML) والتعلم العميق (DL) للكشف الفعال.
فيما يتعلق بمجموعات البيانات والسياقات التجريبية (RQ3)، تؤكد الأبحاث على أهمية مجموعات البيانات عالية الجودة والمتنوعة لتقدم تطبيقات ML وDL في بيئات 5G-IoT. لوحظ الاعتماد الملحوظ على عدد محدود من مجموعات البيانات المرجعية، وخاصة NSL-KDD وUNSW_NB15، حيث تستخدم العديد من الدراسات مجموعات بيانات اصطناعية قد لا تعكس بدقة تعقيدات حركة مرور 5G-IoT الحقيقية. يمثل نقص مجموعات البيانات الواقعية والموحدة، مثل 5G-NIDD، فجوة بحثية كبيرة في كشف التسلل. يدعو المؤلفون إلى تحسين توحيد ومشاركة مجموعات البيانات لتعزيز القابلية للمقارنة وإمكانية التكرار في كشف التهديدات. يوصون باستخدام تقنيات توليد البيانات الاصطناعية ومعالجة قضايا مثل عدم توازن الفئات وضيق تنوع حركة المرور لإعداد النماذج بشكل أفضل للتطبيقات الواقعية.
المناقشة
في قسم المناقشة من الورقة، يحدد المؤلفون معايير الاختيار الصارمة لتضمين الأوراق البحثية في مراجعتهم لمنهجيات التعلم الآلي (ML) والتعلم العميق (DL) لكشف الهجمات في أنظمة 5G-الإنترنت للأشياء (IoT). تؤكد معايير الإدراج على المنشورات التي تمت مراجعتها من قبل الأقران والتي تركز على المنهجيات المعتمدة على ML/DL ذات الصلة بأمان 5G-IoT، مع استبعاد الأوراق غير الإنجليزية، وتلك التي تفتقر إلى الوصول إلى النص الكامل، والدراسات التي لا تنفذ تقنيات ML/DL. تتضمن عملية الفحص، الموضحة بواسطة مخطط تدفق PRISMA، تحديدًا أوليًا لـ 2,885 سجلًا، تم تضييقها إلى 27 دراسة بعد فحص شامل وتقييم الأهلية.
كما يبرز المؤلفون التحديات الأمنية الحرجة التي تواجه أنظمة 5G-IoT، بما في ذلك مجموعة واسعة من التهديدات الإلكترونية مثل حرمان الخدمة (DoS)، التنصت، وهجمات برامج الفدية. يشيرون إلى أن الخصائص الفريدة لتقنية 5G، مثل الاتصال الضخم للأجهزة والتواصل منخفض زمن الاستجابة، تزيد من الثغرات، مما يجعل هذه الأنظمة عرضة لانتشار الهجمات السريع واستنفاد الموارد. تصنف الورقة أنواع الهجمات المختلفة وآثارها على اتصالات 5G-IoT، مما يبرز الحاجة إلى آليات أمان قوية للتخفيف من المخاطر وحماية المعلومات الحساسة. يختتم المؤلفون بمناقشة إمكانية حلول ML وDL لتعزيز الأمان في شبكات IoT المدعومة بتقنية 5G، مما يشير إلى مسار واعد للبحث والتطوير في المستقبل.
القيود
يسلط قسم القيود الضوء على التحديات الكبيرة التي تواجه دراسة الأمان داخل أنظمة IoT المدعومة بتقنية 5G، ويرجع ذلك أساسًا إلى ندرة مجموعات بيانات حركة مرور 5G الحقيقية. تعتمد معظم الأبحاث الحالية على بيانات محاكاة أو مجموعات بيانات قديمة، والتي لا تعكس بدقة تعقيدات بيئات 5G التشغيلية، بما في ذلك تقسيم الشبكة الديناميكي والتواصل منخفض زمن الاستجابة. يمكن أن يؤدي هذا الاعتماد على بيانات غير أصلية إلى تضخيم دقة النموذج ويقيد عمومية أنظمة كشف التسلل (IDS) على السيناريوهات الواقعية. يُعزى نقص توفر مجموعات البيانات الناتجة عن اختبارات 5G الفعلية إلى بيانات الاتصالات الملكية، والتكاليف العالية، واللوائح المتعلقة بالخصوصية.
علاوة على ذلك، بينما تظهر نماذج التعلم العميق مثل المحولات، والشبكات العصبية الالتفافية (CNNs)، والشبكات العصبية طويلة الأمد (LSTMs) دقة كشف عالية، فإن تنفيذها في السيناريوهات الزمنية الحقيقية يعيقه زمن الاستجابة وقيود الذاكرة على أجهزة IoT. تؤكد الورقة على الحاجة إلى هياكل خفيفة الوزن وتقنيات ضغط النموذج لتسهيل النشر العملي لـ IDS في بيئات 5G-IoT. من خلال اعتماد نهج قائم على PRISMA، تحدد هذه المراجعة بشكل فريد القيود المنهجية في الدراسات الحالية، مع مراعاة جوانب حاسمة مثل مجموعات البيانات، مقاييس التقييم، وأنواع الهجمات الإلكترونية المعالجة، مما يوفر نظرة شاملة غالبًا ما يتم تجاهلها في الأدبيات. يجب أن تركز الجهود المستقبلية على تطوير مجموعات بيانات ذات جودة معيارية ومبادرات اختبار تعاونية لتعزيز واقعية التقييمات في هذا المجال سريع التطور.
DOI: https://doi.org/10.14500/aro.12365
Publication Date: 2026-02-05
Author(s): Umed H. Jader et al.
Primary Topic: Network Security and Intrusion Detection
Overview
The rapid advancement of Fifth Generation (5G) technologies heralds a transformative phase for the Internet of Things (IoT), characterized by enhanced connectivity, speed, and reduced latency. However, this evolution also introduces significant security vulnerabilities, necessitating a focused examination of machine learning (ML) and deep learning (DL) defenses specifically designed for 5G-enabled IoT environments. This survey systematically reviews recent literature from the past five years, employing the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) framework to extract methodologies, results, datasets, metrics, and limitations. The findings indicate that DL models, particularly hybrid architectures, are predominantly utilized for detecting intrusions, anomalies, and malicious traffic, yet there is a disproportionate focus on denial-of-service attacks compared to other threats such as ransomware and phishing.
The study identifies critical gaps in existing research, particularly the reliance on legacy and synthetic datasets, which hampers the real-world applicability of intrusion detection systems (IDS) in 5G-IoT contexts. While DL architectures like Convolutional Neural Networks (CNNs) and Transformers show promise, there is insufficient exploration of efficiency, generalization, and privacy concerns, especially in edge deployments. Moreover, the lack of standardized evaluation protocols complicates benchmarking efforts and cross-study comparisons. The review emphasizes the urgent need for diverse and realistic datasets, reproducible benchmarks, and adaptive, privacy-preserving architectures to enhance the robustness and reliability of IDS in 5G-IoT systems. Collaborative efforts among researchers, industry stakeholders, and policymakers are essential to address these challenges and advance the field.
Introduction
The integration of Fifth Generation (5G) technology with the Internet of Things (IoT) is pivotal for creating a more interconnected and intelligent ecosystem, leveraging 5G’s high reliability, low latency, and extensive connectivity to meet the diverse demands of IoT applications. This synergy facilitates the deployment of IoT devices across various environments, including urban and remote areas, thereby enabling flexible and scalable connectivity solutions. However, the proliferation of connected devices also heightens security vulnerabilities, making IoT networks prime targets for cyber-attacks such as Man-in-the-Middle (MitM), denial of service (DoS), and botnet attacks. Projections indicate that global IoT connections will exceed 38 billion by 2030, with cellular IoT connections surpassing 7 billion, while the IoT market is expected to grow from $70 billion in 2024 to $181 billion by 2030, reflecting an annual growth rate exceeding 16%.
Despite this rapid expansion, the attack surface for IoT and 5G systems is also increasing, with estimates suggesting that security breaches related to 5G could cost industries over $27 billion annually by 2030. In response to these challenges, there has been a significant rise in the application of machine learning (ML) and deep learning (DL) techniques to enhance cybersecurity measures against various cyber threats. Recent studies have demonstrated that hybrid feature selection combined with DL architectures can achieve high accuracy in detecting cyber-attacks within IoT networks. However, a review of the literature reveals a gap in comprehensive analyses that address the joint vulnerabilities of 5G and IoT security, as well as the performance of ML/DL solutions, indicating a need for more systematic and integrated research approaches.
Methods
In the section addressing primary security threats, vulnerabilities, and attack methods (RQ1), the research highlights the prominence of Denial of Service (DoS) and Distributed Denial of Service (DDoS) attacks, which constitute 18.5% of the studies due to their disruptive impact on IoT and 5G networks. The analysis reveals a significant focus on multi-attack classification, which also accounts for 18.5%, indicating the necessity for comprehensive detection frameworks that can handle various threat vectors, including DDoS, injection, and ransomware. Intrusion detection studies, which target general anomalies, represent 14.8% of the research, while other attack types, such as botnets and spoofing, are less frequently explored. The findings suggest a critical need for further investigation into underrepresented threats, particularly those that exhibit behavioral deviations rather than high traffic volumes, necessitating advanced machine learning (ML) and deep learning (DL) techniques for effective detection.
Regarding datasets and experimental contexts (RQ3), the research underscores the importance of high-quality, diverse datasets for the advancement of ML and DL applications in 5G-IoT environments. A notable reliance on a limited number of benchmark datasets, particularly NSL-KDD and UNSW_NB15, is observed, with many studies utilizing synthetic datasets that may not accurately reflect the complexities of real 5G-IoT traffic. The lack of realistic and standardized datasets, such as the 5G-NIDD, represents a significant research gap in intrusion detection. The authors advocate for improved dataset standardization and sharing to enhance comparability and reproducibility in threat detection. They recommend employing synthetic data generation techniques and addressing issues like class imbalance and narrow traffic diversity to better prepare models for real-world applications.
Discussion
In the discussion section of the paper, the authors outline the rigorous selection criteria for including research papers in their review of machine learning (ML) and deep learning (DL) methodologies for attack detection in 5G-Internet of Things (IoT) systems. The inclusion criteria emphasize peer-reviewed publications that focus on ML/DL-based methodologies relevant to 5G-IoT security, while excluding non-English papers, those lacking full-text access, and studies that do not implement ML/DL techniques. The screening process, illustrated by a PRISMA flow chart, involved an initial identification of 2,885 records, which were narrowed down to 27 studies after a thorough screening and eligibility assessment.
The authors also highlight the critical security challenges faced by 5G-IoT systems, including a wide array of cyber threats such as Denial of Service (DoS), eavesdropping, and ransomware attacks. They note that the unique characteristics of 5G technology, such as massive device connectivity and low-latency communication, exacerbate vulnerabilities, making these systems susceptible to rapid attack propagation and resource exhaustion. The paper categorizes various attack types and their implications for 5G-IoT communications, emphasizing the need for robust security mechanisms to mitigate risks and protect sensitive information. The authors conclude by discussing the potential of ML and DL solutions to enhance security in 5G-enabled IoT networks, indicating a promising avenue for future research and development.
Limitations
The section on limitations highlights the significant challenges faced in the study of security within 5G-enabled IoT systems, primarily due to the scarcity of real 5G traffic datasets. Most existing research relies on simulated data or legacy datasets, which do not accurately reflect the complexities of operational 5G environments, including dynamic network slicing and ultra-low latency communication. This reliance on non-authentic data can lead to inflated model accuracy and restrict the generalizability of intrusion detection systems (IDS) to real-world scenarios. The limited availability of datasets generated from actual 5G testbeds is attributed to proprietary telecom data, high costs, and privacy regulations.
Moreover, while deep learning models such as Transformers, CNNs, and LSTMs demonstrate high detection accuracy, their implementation in real-time scenarios is hindered by latency and memory constraints on IoT devices. The paper emphasizes the need for lightweight architectures and model compression techniques to facilitate practical deployment of IDS in 5G-IoT environments. By employing a PRISMA-based approach, this review uniquely identifies methodological limitations in existing studies, considering crucial aspects such as datasets, evaluation metrics, and the types of cyber-attacks addressed, thereby providing a comprehensive overview that is often overlooked in the literature. Future efforts should focus on developing benchmark-quality datasets and collaborative testbed initiatives to enhance the realism of evaluations in this rapidly evolving field.