نهج جديد للتعلم الفيدرالي التكيفي لاكتشاف شذوذ الطائرات بدون طيار مع الحفاظ على الخصوصية في توزيعات غير متطابقة الهوية (non-IID)

لماذا تهمنا سماء أكثر أمانًا

تتحول الطائرات الصغيرة غير المأهولة بسرعة إلى جزء من الحياة اليومية، من توصيل الطرود ومراقبة المحاصيل إلى الاستجابة للكوارث وحماية الحدود. ومع زيادة عدد الطائرات في الجو، تصبح روابطها اللاسلكية هدفًا مغريًا للقراصنة. قد يؤدي طائرة واحدة مخترقة إلى كشف تسجيلات فيديو حساسة أو تعطيل عمليات طوارئ أو مساعدة المهاجمين على التسلل إلى بنى تحتية حيوية. تستكشف هذه الدراسة كيفية رصد مثل هذه الاختراقات الرقمية داخل شبكات الطائرات بدون طيار مع الحفاظ على خصوصية بيانات الطيران الخام.

مشكلة المراقبة من مكان واحد

اليوم، تعمل معظم الأنظمة التي تبحث عن سلوك غريب أو خطير في حركة الشبكة بطريقة مركزية: تُرسَل كل البيانات إلى خادم واحد، الذي يدرب نموذج تعلم آلي لتمييز الأنماط الطبيعية عن المشبوهة. بالنسبة للطائرات بدون طيار، هذا حل غير مناسب. مسارات الطيران والمهام وظروف الاتصالات تختلف اختلافًا كبيرًا، لذا تولد كل طائرة أنماط بيانات فريدة. تجميع كل هذه المعلومات الحساسة في مكان واحد يزيد مخاطر الخصوصية وقد يقلل دقة النموذج، خاصة عندما تبدو بيانات كل طائرة مختلفة جدًا عن غيرها. قد يؤدي ذلك إلى أداء متقلب وكثرة الإنذارات الكاذبة أو تفويت الهجمات.

تمكين الطائرات من التعلم معًا مع الحفاظ على الخصوصية

يقترح المؤلفون BANCO-FL، إطارًا جديدًا يسمح لعديد من الطائرات بتعلم نموذج أمني مشترك دون إرسال بياناتها الخام إلى خادم مركزي. تقوم كل طائرة، أو محطة أرضية تمثلها، بتدريب شبكة عصبية صغيرة وخفيفة محليًا على سجلات حركة المرور الخاصة بها، والتي تتضمن ملايين الأمثلة لكل من الاتصالات الطبيعية والهجمات مثل فيضات حرمان الخدمة، تخمين كلمات المرور، محاولات إعادة التشغيل (replay)، ورسائل التحكم المزوّرة. بدلًا من مشاركة الحزم نفسها، يرسل كل طرف تحديثات معلمات النموذج فقط إلى خادم منسق. يجمع الخادم هذه التحديثات ويرسل نموذجًا عالميًا محسنًا. يُطلق على هذا النهج اسم التعلم الفيدرالي، وهو مصمم للحفاظ على الخصوصية والقدرة على التوسع لأساطيل كبيرة.

موازنة البيانات غير المتساوية عبر العديد من الطائرات

تكمن صعوبة رئيسية في أن بعض الطائرات قد تشهد حركة عادية في الغالب بينما يواجه بعضها الآخر أنواعًا محددة من الهجمات، ما يخلق تفاوتًا شديدًا في البيانات بين المشاركين. يتعامل BANCO-FL مع هذا عن طريق موازنة عدد الأمثلة الطبيعية التي يحصل عليها كل عميل بعناية وعن طريق محاكاة إعدادات صعبة صراحةً: أحدها يضم ثلاثة عملاء يرى كل منهم توليفة مختلفة جدًا من الهجمات، والآخر يضم تسعة عملاء يختص كل منهم بنوع واحد من الهجمات. كما يعتمد الإطار شبكة عصبية بسيطة ذات طبقتين تعمل جيدًا مع إحصاءات الشبكة الجدولية وخفيفة بما يكفي للتشغيل على أجهزة الطرف ذات الموارد المحدودة.

طرق أذكى للتوصل إلى نموذج عالمي

ليست كل طرق دمج النماذج المحلية متساوية. تقارن الدراسة عدة استراتيجيات لضم تحديثات العملاء، بما في ذلك المتوسط القياسي، التصحيح القائم على القرب، التحسين التكيفي (FedAdam)، التجميع المعتمد على الوسيط، وتجميع العملاء المماثلين معًا (ClusterAvg). عبر سيناريوهَي الثلاثة والتسعة عملاء، تصل الطرق التكيفية والمرتكزة على التجميع باستمرار إلى أعلى أداء بسرعة أكبر وبسلوك أكثر استقرارًا عبر العملاء. يحقق BANCO-FL نحو 99.98% في الدقة والدقة الاستيعابية والاستدعاء ومقياس F1، ويقلل التصنيفات الخاطئة بأكثر من الثلث مقارنة بالأنظمة المركزية والاتحادية السابقة. والأهم أن هذه المكاسب تبقى حتى عندما يرى العملاء أنماط هجوم مختلفة جدًا، مما يظهر أن النظام يظل عادلاً وموثوقًا عبر الأسطول.

ماذا يعني هذا للأمن اليومي

بعبارة بسيطة، يُظهر BANCO-FL أن أساطيل الطائرات يمكنها تعلم التعرف على الهجمات الإلكترونية بشكل ممتاز دون تجميع سجلات اتصالاتها الخام في مكان واحد. باستخدام نموذج خفيف، ومشاركة بيانات موزونة بعناية، وطرق أذكى لدمج ما تتعلمه كل طائرة، يقدم الإطار كشفًا شبه مثالي لحركة المرور الضارة مع احترام الخصوصية وتقليل حمل الشبكة. مع ازدياد انتشار الطائرات في الأدوار المدنية والعسكرية، تشير مناهج مثل BANCO-FL إلى مستقبل تُحافظ فيه السماء على أمانها بفضل العديد من الأجهزة التي تتعلم سويًا بهدوء في الخلفية، بدل الاعتماد على برج مراقبة واحد معرض للخطر.

الاستشهاد: Bithi, M., Masud, M.E. & Hossain, M.A. A new adaptive federated learning approach for privacy preserving UAV anomaly detection under non-IID distributions. Sci Rep 16, 8451 (2026). https://doi.org/10.1038/s41598-026-38732-z

الكلمات المفتاحية: أمن الطائرات بدون طيار, التعلم الفيدرالي, كشف الشذوذ, الذكاء الاصطناعي المحافظ على الخصوصية, الأمن السيبراني