DOI: https://doi.org/10.48084/etasr.13778
تاريخ النشر: 2026-02-09
المؤلف: Khalid Ammar وآخرون
الموضوع الرئيسي: أمن الشبكات وكشف التسلل
نظرة عامة
يتناول قسم ورقة البحث تكامل تقنية 5G ضمن الإنترنت الصناعي للأشياء (IIoT)، مع التأكيد على دورها في تعزيز العمليات الصناعية من خلال الجمع بين الحوسبة السحابية والذكاء الاصطناعي (AI). تبرز الورقة التهديدات المتزايدة للأمن السيبراني في مشهد الإنترنت للأشياء، وخاصة تحدي اكتشاف هجمات اليوم الصفري بسبب طبيعتها غير المتوقعة.
لمعالجة هذه المشكلة، يقترح المؤلفون خوارزمية تحسين ميتاheuristic جديدة مع تمكين التعلم العميق لاكتشاف هجمات اليوم الصفري (MHOA-DLZDAD). تقوم هذه الطريقة بأتمتة اكتشاف هجمات اليوم الصفري من خلال تطبيق التحجيم بالحد الأدنى والحد الأقصى أولاً لمعالجة البيانات، تليها استخدام شبكة عصبية متكررة من نوع إلمان (ERNN) لاكتشاف الهجمات. بالإضافة إلى ذلك، يتم استخدام خوارزمية تحسين البجع (POA) لضبط المعلمات. تظهر النتائج التجريبية فعالية نهج MHOA-DLZDAD، حيث تحقق معدل دقة مثير للإعجاب يبلغ 99.56% على مجموعة بيانات مرجعية، متفوقة على الطرق الحالية في هذا المجال.
مقدمة
تناقش مقدمة ورقة البحث التطور السريع للإنترنت للأشياء (IoT)، الذي يتميز بتكامل مليارات الأجهزة عبر مجالات مختلفة مثل المنازل الذكية والرعاية الصحية والمركبات. أدى هذا الانتشار إلى زيادة في الهجمات السيبرانية، خاصة بسبب تقارب البيئات الرقمية والفيزيائية. يتم تسليط الضوء على أنظمة كشف التسلل (IDS) كأدوات حاسمة لمكافحة هذه التهديدات، خاصة في تحديد هجمات اليوم الصفري. ومع ذلك، غالبًا ما تعتمد IDS التقليدية على توقيعات محددة مسبقًا، مما يؤدي إلى قيود مثل ارتفاع معدلات الإيجابيات الكاذبة وعدم القدرة على اكتشاف الهجمات الجديدة، لا سيما هجمات حرمان الخدمة (DoS) وهجمات حرمان الخدمة الموزعة (DDoS).
تؤكد الورقة على أوجه القصور في تقنيات التعلم الآلي التقليدية (ML)، التي تكافح للتعميم خارج بيانات التدريب الخاصة بها. بالمقابل، تُعرض طرق التعلم العميق (DL)، وخاصة الشبكات العصبية التلافيفية (CNNs)، كأكثر فعالية في تحديد الأنماط المعقدة وغير الخطية في البيانات. تعتبر CNNs بارعة بشكل خاص في معالجة البيانات على شكل صور، مما يجعلها مناسبة لتعزيز قدرات الكشف في IDS ضد التهديدات المتطورة. تمهد المقدمة الطريق لاستكشاف كيفية تحسين CNNs لصلابة ودقة كشف التسلل في بيئات الإنترنت للأشياء.
نقاش
في قسم النقاش من الورقة، يبرز المؤلفون الانتشار المتزايد للتهديدات السيبرانية في مشهد الإنترنت للأشياء (IoT) الذي يتوسع بسرعة، مؤكدين على عدم كفاية أنظمة كشف التسلل التقليدية (IDS) في معالجة ثغرات اليوم الصفري. يجادلون بضرورة استخدام أساليب التعلم الآلي التكيفية لتعزيز الأمان في بيئات الإنترنت للأشياء المعقدة. يستعرض المؤلفون منهجيات مختلفة، بما في ذلك تقنيات ميتاheuristic الهجينة ونماذج التعلم العميق، التي تم اقتراحها لتحسين اكتشاف الشذوذ والتصنيف. ومع ذلك، يلاحظون أن العديد من الحلول الحالية تعاني من عبء حسابي مرتفع، وضعف التعميم على هجمات اليوم الصفري، ونقص في قابلية التوسع في الوقت الحقيقي.
تهدف الطريقة المقترحة MHOA-DLZDAD إلى معالجة هذه التحديات من خلال دمج التحجيم بالحد الأدنى والحد الأقصى لمعالجة البيانات، وشبكة عصبية متكررة من نوع إلمان (ERNN) للاكتشاف، وخوارزمية تحسين البجع (POA) لضبط المعلمات. تشمل المساهمات الرئيسية تحسين كفاءة تعلم النموذج من خلال التطبيع، وتحسين التكيف مع التهديدات في الوقت الحقيقي عبر قدرات الذاكرة الديناميكية لـ ERNN، وأداء محسّن من خلال توازن POA بين الاستكشاف والاستغلال. تظهر النتائج أن نموذج MHOA-DLZDAD يحقق دقة ملحوظة تبلغ 99.56% على مجموعة بيانات NSL-KDD، متفوقًا على النماذج الحالية عبر مقاييس مختلفة، مما يثبت إطار عمل قوي لاكتشاف هجمات اليوم الصفري في سياقات الإنترنت الصناعي. يُقترح أن تركز الأعمال المستقبلية على تطوير نماذج مرنة يمكن أن تتكيف مع التهديدات الناشئة وتدمج تقنيات متقدمة للحفاظ على الخصوصية.
DOI: https://doi.org/10.48084/etasr.13778
Publication Date: 2026-02-09
Author(s): Khalid Ammar et al.
Primary Topic: Network Security and Intrusion Detection
Overview
The research paper section discusses the integration of 5G technology within the Industrial Internet of Things (IIoT), emphasizing its role in enhancing industrial processes through a combination of cloud computing and artificial intelligence (AI). The paper highlights the increasing cybersecurity threats in the IoT landscape, particularly the challenge of detecting zero-day attacks due to their unpredictable nature.
To address this issue, the authors propose a novel Metaheuristic Optimization Algorithm with Deep Learning Enabled Zero-Day Attack Detection (MHOA-DLZDAD). This method automates the detection of zero-day attacks by first applying min-max scalarization for data preprocessing, followed by the use of an Elman Recurrent Neural Network (ERNN) for attack detection. Additionally, the Pelican Optimization Algorithm (POA) is utilized for parameter tuning. Experimental results demonstrate the effectiveness of the MHOA-DLZDAD approach, achieving an impressive accuracy rate of 99.56% on a benchmark dataset, outperforming existing methods in the field.
Introduction
The introduction of the research paper discusses the rapid evolution of the Internet of Things (IoT), characterized by the integration of billions of devices across various domains such as smart homes, healthcare, and vehicles. This proliferation has led to an increase in cyberattacks, particularly due to the convergence of digital and physical environments. Intrusion Detection Systems (IDS) are highlighted as crucial tools for combating these threats, particularly in identifying zero-day attacks. However, traditional IDS often rely on predefined signatures, leading to limitations such as high false positive rates and the inability to detect novel attacks, notably Denial of Service (DoS) and Distributed DoS (DDoS) attacks.
The paper emphasizes the shortcomings of conventional machine learning (ML) techniques, which struggle to generalize beyond their training data. In contrast, Deep Learning (DL) methods, particularly Convolutional Neural Networks (CNNs), are presented as more effective for identifying complex, non-linear patterns in data. CNNs are particularly adept at processing data in the form of images, making them suitable for enhancing the detection capabilities of IDS against sophisticated threats. The introduction sets the stage for exploring how CNNs can improve the robustness and accuracy of intrusion detection in IoT environments.
Discussion
In the discussion section of the paper, the authors highlight the increasing prevalence of cyber threats in the rapidly expanding Internet of Things (IoT) landscape, emphasizing the inadequacy of conventional Intrusion Detection Systems (IDS) in addressing zero-day vulnerabilities. They argue for the necessity of adaptive machine learning approaches to enhance security in complex IoT environments. The authors review various methodologies, including Hybrid Meta-heuristic techniques and deep learning models, that have been proposed to improve anomaly detection and classification. However, they note that many existing solutions suffer from high computational overhead, poor generalization to zero-day attacks, and lack of real-time scalability.
The proposed MHOA-DLZDAD method aims to address these challenges by integrating min-max scaling for data preprocessing, an Elman Recurrent Neural Network (ERNN) for detection, and the Pelican Optimization Algorithm (POA) for hyperparameter tuning. Key contributions include enhanced model learning efficiency through normalization, improved adaptability to real-time threats via the ERNN’s dynamic memory capabilities, and optimized performance through the POA’s balance of exploration and exploitation. The results demonstrate that the MHOA-DLZDAD model achieves a remarkable accuracy of 99.56% on the NSL-KDD dataset, outperforming existing models across various metrics, thereby establishing a robust framework for zero-day attack detection in Industrial IoT contexts. Future work is suggested to focus on developing flexible models that can adapt to emerging threats and incorporate advanced privacy-preserving techniques.