التعلم العميق المحسّن بواسطة سرب الجسيمات لاكتشاف التشويش وتعزيز معدل النقل في شبكات الراديو الإدراكي

لماذا حماية الإشارات اللاسلكية مهمة

تشترك هواتفنا وأجهزة الاستشعار وأجهزتنا الذكية بشكل متزايد في نفس الطيف المزدحم. ولإفساح المجال للجميع، تسمح الشبكات من الجيل القادم لبعض الأجهزة باستعارة قنوات راديوية غير مستخدمة مؤقتًا. لكن هذه المرونة تأتي مع مخاطرة: يمكن لمُرسل خبيث أن يفيض قناةً بالضوضاء عن عمد، هجوم «تشويش» يمنع الأجهزة المجاورة من الإرسال تمامًا. تقدم هذه الورقة طريقة جديدة تُسمى DeepSwarm تساعد مثل هذه الراديوهات المرنة على التعرف بسرعة على التعرض للتشويش والانتقال إلى قنوات أكثر أمانًا، مع زيادة كل من الأمان ومعدل نقل البيانات.

مشاركة ذكية للطرق الجوية غير المرئية

تستخدم الأنظمة اللاسلكية الحديثة مفهومًا يُعرف بالراديو الإدراكي، حيث يُسمح للأجهزة «الثانوية» بالإرسال فقط عندما لا يستخدم «المستخدم الأساسي» المرخّص قناةً معينة. تقوم هذه الراديوهات باستشعار القنوات الخالية باستمرار وتشارك تلك المعلومات مع متحكم مركزي. ونظرًا لأن العديد من الأجهزة والمهاجمين المحتملين يمكنهم الوصول إلى نفس الترددات، يجب على الشبكة أن تقرر، فتحة تلو الأخرى، أي القنوات ينبغي أن يستخدمها كل جهاز لنقل البيانات مع تجنب المستخدمين المرخّصين. في هذا الإطار، يمكن للـمُشوش أن يسبب اضطرابًا كبيرًا باستهداف القنوات الشائعة، ما يجبر الأجهزة المشروعة على مواجهات متكررة، وحزم مفقودة، وإهدار طاقة البطارية.

لعبة قط وفأر عبر الهواء

يصف المؤلفون الصراع بين المستخدمين العاديين والمشوش كلعبة استراتيجية. يختار كل طرف قنوات إما لإرسال البيانات أو لإحداث التداخل، ساعيًا لتعظيم منفعته. يرغب المستخدمون العاديون في معدل نقل عالٍ وموثوق مع تكلفة طاقة منخفضة، بينما يسعى المشوش لإعاقة أكبر عدد ممكن من الإرسالات بقدرة طاقة محدودة. تطوّر الورقة نموذجًا رياضيًا لهذا التفاعل يأخذ في الحسبان عدد القنوات الخالية، وعدد المستخدمين النشطين، واحتمالية تصادمهم مع بعضهم، ومقدار التداخل الإضافي الذي يضيفه المشوش. يكمّم هذا النموذج، في مقياس منفعة واحد، مدى جدوى اختيار قناة معينة لأي من الطرفين.

تعليم الراديوهات التعرّف على الهجمات

بدلًا من حل هذه اللعبة المعقّدة بالمعادلات وحدها، يلجأ المؤلفون إلى التعلم المعتمد على البيانات. يصممون شبكة عصبية عميقة مدمجة تنظر إلى قياسات بسيطة متاحة بالفعل في الشبكة: متوسط معدل النقل على قناة، ومدى تذبذب ذلك المعدل، وجودة الإشارة المستقبلة، وقوة التداخل المقاسة، وما إذا كانت القناة تُستشعر مشغولة أو خالية. من هذه الميزات تتعلم الشبكة التفرقة بين المستخدمين العاديين والمشوشين. وللاستفادة القصوى من مجموعة بيانات صغيرة عملية، يستخدم الفريق تحسين سرب الجسيمات، وهو طريقة بحث قائمة على تجمع من الوحدات مستوحاة من سلوك التجمع، لضبط عدد الطبقات والوحدات العصبية في الشبكة تلقائيًا، بالإضافة إلى معدل التعلم وإعدادات التنظيم. يُدرّب هذا النموذج المضبوط، DeepSwarm، في وضع عدم الاتصال لكنه يعمل بسرعة في الوقت الحقيقي.

اختيار قنوات أفضل أثناء التشغيل

بمجرد أن يتمكن DeepSwarm من تمييز أي المرسِلات تتصرف كمشوشين بدقة، تستخدم الشبكة تلك المعلومات لتنظيف رؤيتها للطيف. تُتجاهل التقارير الصادرة عن المشبه بهم بالمشوشين؛ فقط المستخدمون الموثوقون يؤثرون في القرار بشأن أي القنوات فعلاً خالية. مع صورة أوضح، تنسق النظام القنوات الخاملة التي ينبغي للمستخدمين الثانويين القفز إليها في كل فتحة زمنية، وتوزعهم ليتجنبوا بعضهم البعض وأهداف المشوش المفضلة. تُظهر المحاكاة أنه بعد نشر DeepSwarm، يتوزع المستخدمون بشكل أكثر توازنًا عبر القنوات، وينخفض الازدحام، ويتجنبون تلقائيًا الترددات التي تتعرض لتشويش شديد، حتى مع تغير تكتيكات المشوش.

تحسينات في الموثوقية والسرعة

في اختبارات واسعة، يكتشف DeepSwarm المشوشين بدقة تقريبية تصل إلى 98% في الدقة والاستدعاء، متفوقًا على قواعد مقارنة شائعة في تعلم الآلة مثل آلات المتجه الداعم، والنماذج الخطية، وأساليب التكديس التجميعي. والأهم بالنسبة للأداء اليومي، أن هذه الوعي المحسّن يترجم إلى معدلات بيانات قابلة للاستخدام أعلى بكثير. بالمقارنة مع استراتيجية اختيار قناة ثابتة تتجاهل التشويش، يمكن أن ترفع آلية القفز الموجهة بواسطة DeepSwarm معدل النقل العادي بنسبة تصل إلى 32% تحت مجموعة من شدة الهجمات. وعند المقارنة بمعيار نظري سابق قائم على لعبة استراتيجية يعتمد فقط على التعلم بالتجربة والخطأ، يعزز النهج الجديد معدل النقل الفعال بنحو 70–80% بينما يقلل فرص التعرض للتشويش إلى النصف.

ماذا يعني هذا لأجهزة الاتصالات اللاسلكية المستقبلية

لغير المتخصص، الخلاصة الأساسية هي أن المؤلفين بنوا نوعًا من الحارس للراديوهات المرنة: نظام تعلّم خفيف الوزن يكتشف الخروقات في الهواء ويساعد الأجهزة على الانتقال بسرعة إلى قنوات أنظف. من خلال الجمع بين النمذجة الاستراتيجية للمهاجمين وشبكة عصبية مضبوطة، يقدم DeepSwarm طريقة قابلة للتوسع للحفاظ على تدفق البيانات حتى في بيئات معادية. قد يكون هذا ذا قيمة خاصة لنشر إنترنت الأشياء الكثيف وروابط الآلة إلى الآلة، حيث يجب على العديد من الأجهزة منخفضة الاستهلاك مشاركة الطيف بأمان وكفاءة دون إشراف بشري مستمر.

الاستشهاد: Imran, M., Ibrahim, K., Zhiwen, P. et al. Particle swarm optimized deep learning for jamming detection and throughput enhancement in cognitive radio networks. Sci Rep 16, 8715 (2026). https://doi.org/10.1038/s41598-026-41642-9

الكلمات المفتاحية: الراديو الإدراكي, التشويش اللاسلكي, التعلم العميق, التبديل الترددي, أمن إنترنت الأشياء