إطار عمل ذكاء اصطناعي متسلسل وخفيف لاكتشاف الاقتحامات في الوقت الحقيقي في شبكات المركبات الديناميكية

لماذا تهم شبكات السيارات الأذكى

تتحول السيارات الحديثة إلى حواسيب متحركة تتواصل باستمرار مع بعضها ومع معدات الطريق، مما يساعد على منع الحوادث، وتقليل الاختناقات المرورية، ودعم وظائف القيادة الذاتية. لكن هذا التواصل اللاسلكي يفتح أيضاً الباب أمام القراصنة الذين قد يحقنون رسائل مزيفة أو يعطلون الإشارات أو ينتحلون هويات مركبات أخرى. يقدّم هذا المقال نظام أمني جديد يعتمد على الذكاء الاصطناعي مصمم لاكتشاف مثل هذه الهجمات بسرعة ودقة، دون تحميل موارد الحوسبة المحدودة المتاحة في المركبات عبئًا كبيرًا.

مركبات تتواصل — ويمكن خداعها

تتيح شبكات المركبات الذاتية التكوين، أو VANETs، للسيارات المتقاربة مشاركة معلومات مثل الموقع والسرعة والفرملة المفاجئة، بالإضافة إلى الربط مع وحدات على جانب الطريق والإنترنت الأوسع. تستند إليها العديد من أنظمة مساعدة السائق المتقدمة ووظائف القيادة الذاتية المستقبلية. ومع ذلك، وبما أن هذه الشبكات مفتوحة وتتكيف باستمرار مع حركة المركبات، فمن الصعب حمايتها. يمكن للمهاجمين شن هجمات حجب الخدمة، أو التظاهر بوجود العديد من المركبات المزيفة (هجمات سيبيل)، أو إسقاط رسائل مهمة مثل تنبيهات الحوادث (هجمات الثقب الأسود). أنظمة كشف التسلل التقليدية إما تتفاعل ببطء شديد أو تتطلب طاقة معالجة أعلى من اللازم لتعمل جيدًا في حركة المرور عالية السرعة.

مساعد أمني ذكي خطوة بخطوة

يقترح المؤلفون نظام كشف تسلّل متسلسل وخفيف مدعوم بالذكاء الاصطناعي، أُطلق عليه اسم Seq-AIIDS، ومصمم لواقع المركبات المتحركة. يعمل عبر سلسلة من المراحل. أولاً، يجمع بيانات قيادة واتصال من مجموعة بيانات عامة واقعية تحتوي على 5000 سجل لمركبات مع متغيرات مثل الموقع والسرعة وقوة الإشارة ودرجات الثقة وعدد السلوكيات المشبوهة. تليها «تنقية البيانات»: تُملأ القيم المفقودة باستخدام العلاقات الإحصائية بين الميزات، وتُزال القيم الشاذة الواضحة باستخدام اختبار الانحراف. تقلّص هذه الخطوة في التنظيف حجم مجموعة البيانات وتقلل الضوضاء حتى تتمكن خطوات الذكاء الاصطناعي اللاحقة من التركيز على الأنماط المهمة بدلًا من الأخطاء العشوائية.

اختيار الإشارات التي تهم حقًا

بعد التنظيف، يقوم Seq-AIIDS بتضييق نطاق قطع المعلومات المفيدة فعلاً لتحديد ما إذا كانت مركبة تتصرف بصورة طبيعية أم بشكل ضار. يستخدم طريقة قائمة على الارتباط لقياس مدى ارتباط كل ميزة بالتصنيف النهائي (سليم أم هجوم). تُحتفظ بالميزات ذات الارتباط العالي — مثل بعض درجات الثقة أو أعداد الحزم المزيفة — بينما تُستبعد الميزات الضعيفة أو المتكررة. تقص هذه «اختيار الميزات» المتغيرات الأصلية البالغ عددها 20 إلى 12 مؤشرًا رئيسيًا. مع وجود إشارات أقل وأكثر معلوماتية، يحتاج النظام إلى قدر أقل من الحوسبة ويمكنه الاستجابة بشكل أسرع، وهذا أمر حاسم عندما تتحرك المركبات بسرعات الطريق السريع.

ذكاء اصطناعي متكيف يتعلم مع الزمن

ثم تُدخَل البيانات المكررة إلى نوع من الشبكات العصبية المصممة للإشارات المتغيرة زمنياً، والمعروفة باسم الشبكة العصبية السائلة. بخلاف النماذج الأبسط التي تتعامل مع كل لقطة بيانات بمعزل عن غيرها، يمكن لهذه الشبكة تتبّع كيفية تطور سلوك المركبة مع الزمن، مما يحسّن قدرتها على التمييز بين شذوذ مؤقت وهجوم مستمر. طبقة قرار لوجستية (نعم/لا) تحول أنماط الشبكة الداخلية إلى حكم بسيط: خبيث أم طبيعي. لتجنب تدريب بطيئ أو غير مستقر، يطبق المؤلفون طريقة تحسين مستوحاة من الحلزون تُعدّل مرارًا أوزان الشبكة الداخلية بحثًا عن إعدادات تقلل التصنيفات الخاطئة مع إبقاء زمن المعالجة منخفضًا.

ماذا أظهرت الاختبارات بشأن سلامة الطرق

عند اختباره على مجموعة بيانات المركبات، قورن Seq-AIIDS بعدة طرق تعليم عميق شائعة، بما في ذلك LSTM والشبكات العصبية التفافية وشبكات الرسوم البيانية العصبية ونموذج مركب CNN–GRU. عبر أحجام عينات مختلفة، يحقق النظام الجديد نحو 98% دقة، مع دقة واستدعاء مرتفعين بالمثل، بمعنى أنه نادرًا ما يفوّت الهجمات ونادرًا ما يصنف المركبات النزيهة كخبيثة عن طريق الخطأ. وبالقدر نفسه من الأهمية لحركة المرور الحقيقية، يبلغ متوسط زمن الكشف حوالي 29 ميللي ثانية — أسرع بوضوح من الطرق المنافسة — بفضل مجموعة الميزات المدمجة والتحسين الفعال. بعبارة بسيطة، توحي الدراسة بأن خط أنابيب ذكاء اصطناعي خفيف ومصمم بعناية يمكن أن يمنح السيارات المتصلة «حاسة أمان» سريعة وحادة، تساعدها على رصد وصد الكمائن الرقمية قبل أن تتحول إلى خطر واقعي على الطريق.

الاستشهاد: Jeyaram, G., Vidhya, V., Dhanaraj, R.K. et al. A Lightweight Sequential AI Framework for Real Time Intrusion Detection in Dynamic Vehicular Networks. Sci Rep 16, 5217 (2026). https://doi.org/10.1038/s41598-026-36103-2

الكلمات المفتاحية: المركبات المتصلة, الأمن السيبراني, كشف التسلل, النقل الذكي, شبكات المركبات