DOI: https://doi.org/10.1038/s41598-026-43058-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41826618
تاريخ النشر: 2026-03-14
المؤلف: Gaoyang Guo وآخرون
الموضوع الرئيسي: أمن الشبكات وكشف التسلل
نظرة عامة
إن دمج تقنية الاتصالات من الجيل السادس (6G) مع الإنترنت الصناعي للأشياء (IIoT) يقدم تحديات كبيرة لاكتشاف التهديدات السيبرانية بسبب تعقيد وتنوع البيانات. تقدم هذه الدراسة نموذج تعلم عميق هجين يجمع بين شبكة عصبية عميقة (DNN) ووحدة متكررة ذات بوابات ثنائية الاتجاه (BiGRU) وآلية انتباه لتعزيز قدرات اكتشاف التهديدات في بيئات 6G-IIoT. تتحمل DNN مسؤولية استخراج الميزات العالمية، بينما تلتقط BiGRU الاعتماديات الزمنية الثنائية الاتجاه، وتؤكد آلية الانتباه على الشذوذات الحرجة. تظهر النتائج التجريبية أن هذا النموذج يحقق دقة تبلغ 96.88%، متجاوزًا النماذج التقليدية الأساسية مثل الشبكات العصبية الاصطناعية (ANN) والشبكات العصبية التلافيفية (CNN) وDNN مع الذاكرة قصيرة وطويلة المدى (DNN-LSTM)، مع الحفاظ على معدل إيجابيات كاذبة منخفض (FPR).
في الختام، النموذج الهجين المقترح يكتشف ويصنف التهديدات السيبرانية بفعالية في شبكات 6G-IIoT، محققًا مقاييس أداء ملحوظة تشمل دقة 97.23% ودرجة F1 تبلغ 96.94%. قدرة الهيكل على معالجة بيانات حركة المرور الشبكية المعقدة متعددة الأبعاد تسمح بتحديد السلوكيات غير الطبيعية والتهديدات المستمرة، مما يبرز تطبيقه العملي في أمان الشبكات. ستتركز الأعمال المستقبلية على تحسين معلمات النموذج للتكيف مع ظروف الشبكة الديناميكية وطرق الهجوم الناشئة، بالإضافة إلى تعزيز المتانة ضد الهجمات العدائية. علاوة على ذلك، سيتم بذل الجهود لتحقيق استجابات منخفضة الكمون من خلال تقنيات تحسين تعاونية ودمج القابلية للتفسير في عملية اكتشاف التهديدات. كما يُخطط لتقييم إضافي على مجموعات بيانات IIoT متنوعة من العالم الحقيقي للتحقق من متانة النموذج.
مقدمة
تناقش مقدمة ورقة البحث التقدم السريع للإنترنت الصناعي للأشياء (IIoT) في سياق الصناعة 4.0 والتصنيع الذكي. تبرز دمج مجموعة متنوعة من المستشعرات والأجهزة التي تسهل اكتساب البيانات في الوقت الحقيقي والمعالجة الذكية، مما يمكّن التطبيقات مثل القيادة الذاتية والطب عن بُعد. يتم التأكيد على الانتقال من تقنية الاتصالات من الجيل الخامس (5G) إلى الجيل السادس (6G)، لا سيما قدراتها في الاتصالات المعززة فائقة الموثوقية ذات الكمون المنخفض (eURLLC) والاتصالات الضخمة من نوع الآلات (umMTC) والاتصالات المحمولة المعززة المستقبلية (FeMBB). بينما تعزز هذه التقدمات الأتمتة واتخاذ القرار في الأنظمة الصناعية، فإنها تقدم أيضًا تحديات كبيرة لأمان الشبكة.
تحدد الورقة قلقين أمنيين رئيسيين ضمن إطار 6G-IIoT: التعقيد المتزايد وتنوع البيانات، مما يعقد طرق اكتشاف التهديدات التقليدية، وقيود التدابير الأمنية التقليدية في التكيف مع بروتوكولات الاتصال المتنوعة والمعدات في الشبكات الصناعية الكبيرة. لمعالجة هذه التحديات، يقترح المؤلفون الاستفادة من تقنيات التعلم العميق (DL)، التي تستخدم الشبكات العصبية لاكتشاف الشذوذ ومنع التسلل. ومع ذلك، يشيرون إلى أن النماذج الفردية قد تواجه صعوبة مع البيانات المتنوعة عالية الأبعاد، مما يدفع الباحثين لاستكشاف نماذج هجينة ذات هياكل متعددة الفروع. بالإضافة إلى ذلك، فإن المتطلبات الصارمة للأداء في الوقت الحقيقي والتحكم في معدل الإيجابيات الكاذبة (FPR) في بيئة 6G-IIoT تعقد تصميم النموذج بشكل أكبر.
طرق
في هذا القسم، يتم توضيح المنهجية المستخدمة في الدراسة من خلال سلسلة من المراحل الرئيسية، كما هو موضح في الشكل 1. في البداية، تم تحليل مجموعة البيانات ومعالجتها مسبقًا لضمان ملاءمتها لمهام النمذجة اللاحقة. بعد ذلك، تم تقسيم مجموعة البيانات إلى مجموعات تدريب واختبار، مما يسهل تقييم أداء النموذج. تم تدريب النموذج المقترح واختباره بشكل تكراري، مما سمح بالتنقيح والتحسين حتى تم تحقيق النتائج النهائية. تؤكد هذه الطريقة المنظمة على الطبيعة المنهجية لمنهج البحث.
نتائج
تشير نتائج النموذج المقترح إلى تحسين مستمر عبر مقاييس الأداء المختلفة خلال مراحل التدريب والتحقق. على وجه التحديد، زادت دقة التدريب من 94.63% إلى 97.20%، بينما انخفضت الخسارة بشكل مستمر، واقتربت كل من الاسترجاع ودرجات F1 من 97%. أظهرت مجموعة التحقق اتجاهًا تصاعديًا مشابهًا، مع الحفاظ على الدقة والاسترجاع ودرجات F1 فوق 96%، على الرغم من التقلبات الطفيفة في خسارة التحقق. وهذا يشير إلى أن النموذج يمتلك قدرات تعميم قوية.
لتخفيف الإفراط في التكيف، تم تنفيذ استراتيجية الإيقاف المبكر، كما يتضح من مراقبة منحنيات الخسارة. انخفضت خسارة التدريب باستمرار، بينما بدأت خسارة التحقق في الارتفاع بعد الوصول إلى الحد الأدنى، مما يشير إلى الإفراط في التكيف. كشفت تحليل مصفوفة الارتباك أن النموذج صنف بدقة فئة “طبيعي” ولكنه واجه إيجابيات كاذبة عند تمييز بعض أنواع الهجمات، مثل مسح المنافذ وحقن SQL. وهذا يشير إلى أن هذه الهجمات تشترك في ميزات شبكة أولية مشابهة، مما يعقد تمييزها. بشكل عام، يظهر النموذج قدرات اكتشاف قوية، خاصة في التعامل مع البيانات غير المتوازنة في سياق اكتشاف التسلل في IIoT.
مناقشة
في قسم المناقشة، يقدم المفلح وآخرون المحسن الثنائي للثعابين مع اكتشاف وتصنيف هجمات اليوم الصفري المدعومة بالتعلم العميق (BSODL-ZDADC)، الذي يحدد بفعالية سلوكيات الهجوم غير المعروفة، بما في ذلك هجمات اليوم الصفري. يؤكد المؤلفون على قيود الطرق التقليدية، داعين إلى أساليب التعلم العميق (DL) التي يمكن أن تتعلم بشكل مستقل من البيانات وتتكيف مع التهديدات المتطورة. يتم مراجعة دراسات متنوعة، تبرز التقدم في نماذج DL لأمان الإنترنت الصناعي للأشياء (IIoT). على سبيل المثال، حقق أويينلوي وآخرون دقة تبلغ 92% مع نموذج ANN محسّن، بينما جمع شنين وآخرون بين الحوسبة الحافة مع Faster R-CNN، محققين دقة 93.77% ودرجة F1 تبلغ 91.03%. ومع ذلك، تواجه هذه النماذج تحديات مثل القابلية للتفسير، ومتطلبات الموارد، والاعتماد على بيانات عالية الجودة.
يشير المؤلفون إلى أن نماذج DL الهجينة أصبحت شائعة في اكتشاف التهديدات، كما يتضح من نموذج DeepCLG لجولزار وآخرين، الذي يدمج هياكل متعددة وحقق دقة ملحوظة تبلغ 99.82%. على الرغم من هذه التقدمات، لا تزال قضايا مثل قابلية تفسير النموذج واستهلاك الموارد الحاسوبية قائمة، مما يستلزم تطوير هياكل هجينة أكثر كفاءة. كما توضح الدراسة مجموعة بيانات Edge-IIoTset المستخدمة لتدريب النموذج، مما يبرز أهمية أخذ عينات مصنفة لمعالجة عدم التوازن في الفئات وضمان تقييم موثوق. يجمع الهيكل الهجين متعدد الفروع المقترح بين DNN وBiGRU مع آلية انتباه ذاتي لتعزيز استخراج الميزات وتحسين دقة الاكتشاف، مما يضع في النهاية أساسًا قويًا لتصنيف هجمات الشبكة الفعالة في بيئات IIoT.
DOI: https://doi.org/10.1038/s41598-026-43058-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41826618
Publication Date: 2026-03-14
Author(s): Gaoyang Guo et al.
Primary Topic: Network Security and Intrusion Detection
Overview
The integration of sixth-generation (6G) communication technology with the Industrial Internet of Things (IIoT) presents significant challenges for cyber threat detection due to the complexity and heterogeneity of data. This study introduces a hybrid deep learning model that combines a Deep Neural Network (DNN), a Bidirectional Gated Recurrent Unit (BiGRU), and an attention mechanism to enhance threat detection capabilities in 6G-IIoT environments. The DNN is responsible for extracting global features, while the BiGRU captures bidirectional temporal dependencies, and the attention mechanism emphasizes critical anomalies. Experimental results demonstrate that this model achieves an accuracy of 96.88%, surpassing traditional baseline models such as Artificial Neural Networks (ANN), Convolutional Neural Networks (CNN), and DNN with Long Short-Term Memory (DNN-LSTM), while maintaining a low False Positive Rate (FPR).
In conclusion, the proposed hybrid model effectively detects and classifies cyber threats in 6G-IIoT networks, achieving notable performance metrics including 97.23% precision and a 96.94% F1-score. The architecture’s ability to process complex multidimensional network traffic data allows for the identification of abnormal behaviors and persistent threats, underscoring its practical application in network security. Future work will focus on refining model parameters to adapt to dynamic network conditions and emerging attack vectors, as well as enhancing robustness against adversarial attacks. Additionally, efforts will be made to achieve low-latency responses through collaborative optimization techniques and to incorporate interpretability into the threat detection process. Further evaluation on diverse real-world IIoT datasets is also planned to validate the model’s robustness.
Introduction
The introduction of the research paper discusses the rapid advancement of the Industrial Internet of Things (IIoT) in the context of Industry 4.0 and intelligent manufacturing. It highlights the integration of various sensors and devices that facilitate real-time data acquisition and intelligent processing, thereby enabling applications such as autonomous driving and telemedicine. The transition from fifth-generation (5G) to sixth-generation (6G) communication technology is emphasized, particularly its capabilities in Enhanced Ultra-Reliable Low-Latency Communication (eURLLC), Ultra-Massive Machine-Type Communication (umMTC), and Future Enhanced Mobile Broadband (FeMBB). While these advancements enhance automation and decision-making in industrial systems, they also introduce significant network security challenges.
The paper identifies two primary security concerns within the 6G-IIoT framework: the increased complexity and heterogeneity of data, which complicate traditional threat detection methods, and the limitations of conventional security measures in adapting to diverse communication protocols and equipment in large-scale industrial networks. To address these challenges, the authors propose leveraging deep learning (DL) techniques, which utilize neural networks for anomaly detection and intrusion prevention. However, they note that single models may struggle with high-dimensional heterogeneous data, prompting researchers to explore hybrid models with multi-branch architectures. Additionally, the stringent requirements for real-time performance and control of the False Positive Rate (FPR) in the 6G-IIoT environment further complicate model design.
Methods
In this section, the methodology employed in the study is delineated through a series of key stages, as illustrated in Figure 1. Initially, the dataset was subjected to analysis and preprocessing to ensure its suitability for the subsequent modeling tasks. Following this, the dataset was divided into training and testing sets, facilitating the evaluation of the model’s performance. The proposed model was then trained and tested iteratively, allowing for refinement and optimization until the final results were achieved. This structured approach underscores the systematic nature of the research methodology.
Results
The results of the proposed model indicate a consistent improvement across various performance metrics during both training and validation phases. Specifically, training accuracy increased from 94.63% to 97.20%, while the loss decreased steadily, and both recall and F1 scores approached 97%. The validation set exhibited a similar upward trend, maintaining accuracy, recall, and F1 scores above 96%, despite minor fluctuations in validation loss. This suggests that the model possesses strong generalization capabilities.
To mitigate overfitting, an early stopping strategy was implemented, as evidenced by the monitoring of loss curves. The training loss consistently decreased, while the validation loss began to rise after reaching its minimum, indicating overfitting. The confusion matrix analysis revealed that the model accurately classified the “Normal” category but encountered false positives when distinguishing certain attack types, such as port scanning and SQL injection. This suggests that these attacks share similar initial network features, complicating their differentiation. Overall, the model demonstrates robust detection capabilities, particularly in handling imbalanced data within the context of IIoT intrusion detection.
Discussion
In the discussion section, Almuflih et al. introduce the Binary Snake Optimizer with DL-Enabled Zero-Day Attack Detection and Classification (BSODL-ZDADC), which effectively identifies unknown attack behaviors, including zero-day attacks. The authors emphasize the limitations of traditional methods, advocating for deep learning (DL) approaches that can autonomously learn from data and adapt to evolving threats. Various studies are reviewed, highlighting advancements in DL models for Industrial Internet of Things (IIoT) security. For instance, Oyinloye et al. achieved a 92% accuracy with an improved ANN model, while Shnain et al. combined Edge Computing with Faster R-CNN, achieving 93.77% accuracy and 91.03% F1-score. However, these models face challenges such as interpretability, resource demands, and reliance on high-quality data.
The authors note that hybrid DL models are becoming prevalent in threat detection, as evidenced by Gulzar et al.’s DeepCLG model, which integrates multiple architectures and achieved a remarkable 99.82% accuracy. Despite these advancements, issues such as model interpretability and computational resource consumption persist, necessitating the development of more efficient hybrid architectures. The study also details the Edge-IIoTset dataset used for model training, emphasizing the importance of stratified sampling to address class imbalance and ensure reliable evaluation. The proposed multi-branch hybrid DL architecture combines DNN and BiGRU with a self-attention mechanism to enhance feature extraction and improve detection accuracy, ultimately laying a solid foundation for effective network attack classification in IIoT environments.