DOI: https://doi.org/10.7759/s44389-025-00009-3
تاريخ النشر: 2026-01-12
المؤلف: Kavita U. Rahane وآخرون
الموضوع الرئيسي: أمن الشبكات وكشف التسلل
نظرة عامة
تقدم البحث نظام الكشف عن الثغرات الديناميكي العصبي الضبابي (DNF-VDS)، وهو إطار عمل جديد مصمم لتعزيز الكشف عن الثغرات في بيئات إنترنت الأشياء الصناعية (IIoT). يجمع DNF-VDS بين التفكير القائم على القواعد الضبابية مع تحسين الشبكات العصبية لإنشاء نظام ليس فقط قابلًا للتفسير ولكن أيضًا قابلًا للتكيف مع الطبيعة المتطورة للهجمات السيبرانية. يتميز الإطار بتوليد القواعد التلقائي، والتحديثات المستمرة، ووظائف العضوية القابلة للتكيف، مما يمكّنه بشكل جماعي من الحفاظ على أداء عالٍ في الإعدادات الديناميكية. تم تقييمه باستخدام مجموعة بيانات Edge-IIoTset، حيث حقق DNF-VDS دقة مثيرة للإعجاب بنسبة 95%، ودرجة F1 بنسبة 93.5%، ومعدل إيجابيات خاطئة بنسبة 5%، متفوقًا بشكل كبير على النماذج التقليدية مثل الذاكرة الطويلة القصيرة ثنائية الاتجاه وآلة الدعم الناقل، مع تأكيد الأهمية الإحصائية (p < 0.05). في الختام، يتميز DNF-VDS بدمجه لتطور القواعد الديناميكية وتقنيات التعلم الآلي/التعلم العميق الهجينة، مما يعزز من قوته مع ضمان القابلية للتفسير. أظهر النظام دقة ملحوظة بنسبة 98.74% وAUC قدره 0.99، مما يؤكد موثوقيته كحل للكشف عن الثغرات مناسب للتطبيقات الصناعية في الوقت الحقيقي. تجعل منه فترة الاستدلال المنخفضة والقابلية العالية للتفسير مناسبًا بشكل خاص للنشر على أجهزة حافة IIoT. تشمل اتجاهات البحث المستقبلية التحقق من النظام عبر مجموعات بيانات متعددة، وتحسين كفاءة الطاقة في البيئات الحافة، وتطوير استراتيجيات للمتانة ضد الهجمات وتجميع القواعد الضبابية الهرمية لاستيعاب نظم IIoT الكبيرة.
مقدمة
تسلط المقدمة الضوء على التحديات التي تطرحها النمو السريع لبيئات إنترنت الأشياء الصناعية (IIoT) عبر مختلف القطاعات، بما في ذلك التصنيع والرعاية الصحية. بينما يسهل IIoT الأتمتة والتحليلات في الوقت الحقيقي، فإنه يقدم أيضًا ثغرات وتعقيدات تكافح أنظمة الكشف عن التسلل التقليدية (IDS) للتعامل معها بسبب الطبيعة الصاخبة والديناميكية لتدفقات بيانات IIoT. على الرغم من أن تقنيات التعلم الآلي (ML) والتعلم العميق (DL) تظهر وعدًا في الكشف عن الشذوذ، إلا أنها غالبًا ما تفتقر إلى القابلية للتفسير وتتطلب إعادة تدريب مكلفة، مما يجعلها أقل ملاءمة للتطبيقات في الوقت الحقيقي في البيئات الحرجة للسلامة.
لتجاوز هذه القيود، يقترح المؤلفون نظام الكشف عن الثغرات الديناميكي العصبي الضبابي (DNF-VDS)، الذي يدمج التفكير القائم على القواعد الضبابية مع التعلم العصبي ويشمل آلية تحديث القواعد الديناميكية (DRUM) للتكيف في الوقت الحقيقي مع القواعد ووظائف العضوية. يهدف هذا الإطار الهجين إلى تعزيز القابلية للتفسير والتكيف مع توفير قواعد شفافة وقابلة للقراءة من قبل البشر للتدقيق الصناعي. يتم تقييم DNF-VDS بدقة باستخدام مجموعة بيانات Edge-IIoT، مما يساهم في مجال الأمن السيبراني من خلال تقديم إطار كشف محدد لـ IIoT يكون مقاومًا لتحول المفاهيم وتم التحقق منه من خلال التحليل التجريبي. ستتناول الأقسام التالية من المخطوطة تحديات الكشف الذكي عن الثغرات، ومراجعة الأدبيات، والمنهجية المقترحة، والنتائج التجريبية، وقابلية تطبيق النظام العملية.
طرق
تدمج منهجية DNF-VDS المقترحة المنطق الضبابي مع التعلم العصبي لتعزيز القابلية للتفسير والتكيف في بيئات إنترنت الأشياء الصناعية (IIoT) غير الثابتة. يتكون سير العمل من ثماني مراحل متسلسلة: المعالجة المسبقة، اختيار الميزات، التمويه، توليد القواعد الأولية، تحديث القواعد الديناميكية، الاستدلال العصبي الضبابي، دمج النموذج الهجين، والتصنيف النهائي. يقوم هذا الخط الأنبوبي القابل للتعديل بتحويل حركة مرور IIoT الخام إلى توقعات ثغرات قابلة للتفسير، بدءًا من خطوات المعالجة المسبقة التي تعالج القيم المفقودة، وتصنيف القيم الشاذة، والتطبيع.
في الإعداد التجريبي، تشمل المعلمات الرئيسية استخدام وظائف العضوية الغاوسية (MFs)، وعدد القواعد الأولية 20 التي تم توليدها من خلال التجميع، وحد أقصى لعدد القواعد القابلة للتكيف يبلغ 50. تم تعيين معدل التعلم لتكيف MF عند 0.01، مع حجم دفعة يبلغ 256 و50 دورة. يتم استخدام آلية تحديث القواعد الديناميكية (DRUM) جنبًا إلى جنب مع نهج دمج هجين يجمع بين نظام الاستدلال العصبي الضبابي (NFIS)، والذاكرة الطويلة القصيرة ثنائية الاتجاه (BiLSTM)، وغابة عشوائية (RF) من خلال التصويت الموزون. تم إجراء التجارب على نظام مزود بمعالج Intel i7، وذاكرة RAM سعة 16 جيجابايت، وبطاقة رسومات NVIDIA GTX 1660، مما يظهر قدرة الهيكل على دمج القابلية للتفسير مع التعلم الزمني العميق بشكل فعال.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التحديات الكبيرة في الكشف عن الثغرات داخل بيئات إنترنت الأشياء الصناعية (IIoT) الحديثة. تشمل القضايا الرئيسية تباين الأجهزة، مما يعقد تطبيق طرق الكشف الثابتة بسبب أنماط حركة المرور والبروتوكولات المتنوعة؛ وزيادة سطح الهجوم السيبراني الفيزيائي الذي يزيد من خطر الاختراق؛ والحاجة إلى قدرات المعالجة في الوقت الحقيقي التي غالبًا ما تفشل النماذج التقليدية للتعلم الآلي (ML) والتعلم العميق (DL) في تلبيتها بسبب المتطلبات الحسابية العالية. بالإضافة إلى ذلك، فإن العديد من أجهزة IIoT لديها موارد محدودة، مما يجعلها غير مناسبة للخوارزميات المعقدة للكشف. إن انتشار الأنظمة القديمة ذات البرامج الثابتة القديمة يزيد من تفاقم الثغرات، بينما تتحدى الطبيعة الصاخبة وغير الثابتة لتدفقات بيانات IIoT فعالية النماذج الثابتة.
تؤكد الورقة على ضرورة وجود أطر كشف قابلة للتكيف، وقابلة للتفسير، وخفيفة الوزن، مثل نظام الكشف عن الثغرات الديناميكي العصبي الضبابي (DNF-VDS) المقترح. يهدف هذا النظام إلى معالجة الفجوات المحددة في المنهجيات الحالية، بما في ذلك نقص آليات تحديث القواعد الديناميكية وعدم كفاية القابلية للتفسير في أنظمة ML/DL الهجينة. من خلال دمج المنطق الضبابي مع التكيف العصبي، يقدم DNF-VDS حلاً يتطور مع المشهد المتغير للتهديدات ويحافظ على عمليات اتخاذ القرار القابلة للقراءة من قبل البشر. يتضمن تصميم الإطار خط معالجة مسبقة شاملة وآلية تحديث القواعد الديناميكية، مما يضمن أداءً قويًا في نشرات الحافة في الوقت الحقيقي. تظهر النتائج أن DNF-VDS يتفوق بشكل كبير على النماذج التقليدية والمعاصرة في الدقة والدقة ومعدلات الإنذارات الكاذبة، مما يؤكد إمكانيته كأداة موثوقة لتعزيز الأمن السيبراني في بيئات IIoT.
القيود
تحدد قسم القيود التحديات الرئيسية المرتبطة بنموذج DNF-VDS، لا سيما في سياق النشر على الحافة في بيئات صناعية ذات زمن استجابة منخفض وموارد محدودة. تم ملاحظة فجوة كبيرة وهي أن القليل من النماذج الحالية تم تحسينها بشكل خاص لهذه الظروف، مما قد يعيق تطبيقها العملي.
بالإضافة إلى ذلك، فإن أداء DNF-VDS يعتمد على جودة عوامل النموذج الأولية (MF). بينما يسمح نموذج استخدام الموارد الديناميكي (DRUM) بالتكيف الديناميكي لـ MFs، فإن التهيئة غير المثلى يمكن أن تؤثر سلبًا على نتائج التعلم في المراحل المبكرة. لمعالجة هذه المشكلة، يقترح المؤلفون أن استخدام تقنيات تهيئة MF الأكثر تقدمًا، مثل الخوارزميات الجينية أو المحسنات المستوحاة من الكم، يمكن أن يعزز الأداء العام للنموذج.
DOI: https://doi.org/10.7759/s44389-025-00009-3
Publication Date: 2026-01-12
Author(s): Kavita U. Rahane et al.
Primary Topic: Network Security and Intrusion Detection
Overview
The research presents the Dynamic Neuro-Fuzzy Vulnerability Detection System (DNF-VDS), a novel framework designed to enhance vulnerability detection in Industrial Internet of Things (IIoT) environments. DNF-VDS combines fuzzy rule-based reasoning with neural network optimization to create a system that is not only interpretable but also adaptive to the evolving nature of cyberattacks. The framework features automatic rule generation, continuous updates, and adaptable membership functions, which collectively enable it to maintain high performance in dynamic settings. Evaluated using the Edge-IIoTset dataset, DNF-VDS achieved an impressive 95% accuracy, 93.5% F1-score, and a 5% false positive rate, significantly outperforming traditional models such as Bidirectional Long Short-Term Memory and Support Vector Machine, with statistical significance confirmed (p < 0.05). In conclusion, DNF-VDS stands out for its integration of dynamic rule evolution and hybrid machine learning/deep learning techniques, which enhance its robustness while ensuring interpretability. The system demonstrated a remarkable 98.74% accuracy and an AUC of 0.99, affirming its reliability as a vulnerability detection solution suitable for real-time industrial applications. Its low inference latency and high interpretability make it particularly well-suited for deployment on IIoT edge devices. Future research directions include validating the system across multiple datasets, optimizing for energy efficiency in edge environments, and developing strategies for adversarial robustness and hierarchical fuzzy rule grouping to accommodate large-scale IIoT ecosystems.
Introduction
The introduction highlights the challenges posed by the rapid growth of Industrial Internet of Things (IIoT) ecosystems across various sectors, including manufacturing and healthcare. While IIoT facilitates automation and real-time analytics, it also introduces vulnerabilities and complexities that traditional intrusion detection systems (IDS) struggle to address due to the noisy and dynamic nature of IIoT data streams. Although machine learning (ML) and deep learning (DL) techniques show promise for anomaly detection, they often lack interpretability and require costly retraining, making them less suitable for real-time applications in safety-critical environments.
To overcome these limitations, the authors propose the Dynamic Neuro-Fuzzy Vulnerability Detection System (DNF-VDS), which integrates fuzzy rule-based reasoning with neural learning and incorporates a Dynamic Rule Updating Mechanism (DRUM) for real-time adaptation of rules and membership functions. This hybrid framework aims to enhance interpretability and adaptability while providing transparent, human-readable rules for industrial auditability. The DNF-VDS is rigorously evaluated using the Edge-IIoT dataset, contributing to the field of cybersecurity by offering an IIoT-specific detection framework that is resilient to concept drift and validated through empirical analysis. Subsequent sections of the manuscript will delve into the challenges of smart vulnerability detection, a literature review, the proposed methodology, experimental results, and the practical applicability of the system.
Methods
The proposed DNF-VDS methodology integrates fuzzy logic with neural learning to enhance interpretability and adaptability in non-stationary Industrial Internet of Things (IIoT) environments. The workflow consists of eight sequential stages: preprocessing, feature selection, fuzzification, initial rule generation, dynamic rule updating, neuro-fuzzy inference, hybrid model fusion, and final classification. This modular pipeline effectively transforms raw IIoT traffic into interpretable vulnerability predictions, beginning with preprocessing steps that address missing values, outlier filtering, and normalization.
In the experimental setup, key parameters include the use of Gaussian membership functions (MFs), an initial rule count of 20 generated through clustering, and a maximum adaptive rule count of 50. The learning rate for MF adaptation is set at 0.01, with a batch size of 256 and 50 epochs. The dynamic rule updating mechanism (DRUM) is employed alongside a hybrid fusion approach that combines Neuro-Fuzzy Inference System (NFIS), Bidirectional Long Short-Term Memory (BiLSTM), and Random Forest (RF) through weighted voting. The experiments were conducted on a system equipped with an Intel i7 CPU, 16GB RAM, and an NVIDIA GTX 1660 GPU, demonstrating the architecture’s capability to merge interpretability with deep temporal learning effectively.
Discussion
The discussion section of the research paper highlights the significant challenges in vulnerability detection within modern Industrial Internet of Things (IIoT) environments. Key issues include device heterogeneity, which complicates the application of static detection methods due to varying traffic patterns and protocols; an expanded cyber-physical attack surface that increases the risk of compromise; and the need for real-time processing capabilities that traditional machine learning (ML) and deep learning (DL) models often fail to meet due to high computational demands. Additionally, many IIoT devices have limited resources, making them unsuitable for complex detection algorithms. The prevalence of legacy systems with outdated firmware further exacerbates vulnerabilities, while the noisy and non-stationary nature of IIoT data streams challenges the effectiveness of static models.
The paper emphasizes the necessity for adaptive, interpretable, and lightweight detection frameworks, such as the proposed Dynamic Neuro-Fuzzy Vulnerability Detection System (DNF-VDS). This system aims to address the identified gaps in existing methodologies, including the lack of dynamic rule updating mechanisms and insufficient interpretability in hybrid ML/DL systems. By integrating fuzzy logic with neural adaptation, DNF-VDS offers a solution that evolves with the changing threat landscape and maintains human-readable decision-making processes. The framework’s design incorporates a comprehensive preprocessing pipeline and a dynamic rule updating mechanism, ensuring robust performance in real-time edge deployments. The results demonstrate that DNF-VDS significantly outperforms traditional and contemporary models in accuracy, precision, and false alarm rates, confirming its potential as a reliable tool for enhancing cybersecurity in IIoT environments.
Limitations
The section on limitations identifies key challenges associated with the DNF-VDS model, particularly in the context of edge-deployment in low-latency, low-resource industrial environments. A significant gap noted is that few existing models are specifically optimized for these conditions, which may hinder their practical application.
Additionally, the performance of DNF-VDS is contingent upon the quality of the initial model factors (MF). While the Dynamic Resource Utilization Model (DRUM) allows for dynamic adaptation of MFs, suboptimal initialization can adversely affect early-stage learning outcomes. To address this issue, the authors suggest that employing more advanced MF initialization techniques, such as genetic algorithms or quantum-inspired optimizers, could potentially enhance the model’s overall performance.