שיטה לאופטימיזציה בהשראת עופות המשתמשת בפונקציית העברה בצורת חרוט לזיהוי חדירות ברשתות IoT

אבטחה חכמה יותר למכשירים המחוברים של היומיום

מצלמות פעמון חכמות ומנטרי תינוק ועד חיישני מפעל וציוד רפואי, האינטרנט של הדברים (IoT) משתלב בחיי היומיום. אך כל מכשיר מחובר גם יכול להוות נקודת כניסה להתקפות סייבר. מאמר זה בוחן דרך חדשה לזהות פולשים ברשתות IoT במהירות וביעילות רבה יותר, באמצעות אלגוריתם בהשראת התנהגות הציד של עוף אפריקאי רגלי ארוך בשם "עוף המזכיר". המטרה היא לשמור על הגנות חזקות תוך צמצום כמות הנתונים שמחשבים צריכים לעבור עליהם.

יותר מדי נתונים, מעט זמן

רשתות IoT מודרניות מייצרות זרמי מידע עצומים: כמה עסוק המעבד של מכשיר, כמה זיכרון הוא משתמש, איזה סוג תעבורת רשת הוא שולח ועוד. כלי אבטחה מנסים לקרוא את כל הפרטים האלה כדי להחליט האם פעילות היא נורמלית או התקפה. עם זאת, מדידות רבות מהן מיותרות או לא מועילות. הזנת כל הנתונים למודל למידת מכונה יכולה להאט את הזיהוי, לבזבז כוח חישוב ולעתים אף להפחית את הדיוק. בחירת קבוצת מדידות קטנה באמת אינפורמטיבית—תהליך המכונה בחירת תכונות—הפכה לחיונית להגנה בזמן אמת ברשתות IoT צפופות.

להניח לעוף צייד להנחות את החיפוש

המחקר שואב רעיונות מאופן שבו עוף המזכיר מחפש ולוכד נחשים בסוואנה. באלגוריתם, כל "עוף" מייצג שילוב אפשרי של תכונות שנבחרות מתוך מאגר נתוני הרשת. העופות נודדים בנוף וירטואלי, חוקרים קבוצות תכונות שונות ומשווים עד כמה הן עוזרות לממיין פשוט להבדיל בין התקפות לתעבורה רגילה. במשך סבבים רבים, העופות מתאימים את מיקומם בדרכים המדמות סריקה אחרי טרף, הקפה, התקפה ונסיגה מטורפים. הריקוד הזה עוזר לאלגוריתם לאזן בין שתי דרישות: חקירה רחבה של קומבינציות חדשות וכיוונון מדויק של המועמדות המבטיחות.

להפוך תנועה רציפה להחלטות כן-או-לא

מכיוון שתכונה חייבת להיות נבחרת או לא נבחרת, החוקרים זקוקים לדרך להמיר את התנועות החלקות של העופות להחלטות ברורות כן-או-לא. הם מציגים פונקציית העברה בצורת חרוט (taper-shaped), כלי מתמטי שלוקח ערך רציף וממפה אותו להסתברות בחירה של תכונה. בניגוד לסכמות המרה ישנות שמשתמשות בעקומות קבועות, הגישה בצורת החרוט משנה את התנהגות הבחירה לאורך הזמן. בראשית התהליך היא מעודדת חקירה רחבה של קומבינציות תכונות רבות. בהמשך, היא מתמקדת ביתר דייקנות במועמדים הטובים ביותר, ועוזרת לחיפוש להתייצב על קבוצת תכונות קומפקטית ובעלת ביצועים גבוהים.

מבחנים בסצנריואים ריאליסטיים של התקפות

כדי לבדוק עד כמה השיטה בהשראת העוף עובדת, החוקרים מבחנים אותה על שני מערכי נתונים פומביים לזיהוי חדירות ב-IoT, RT-IoT2022 ו-IoTID20, הכוללים הן התנהגות רשת תקינה ומגוון התקפות כגון הצפות שירות (DoS) וניסיונות סריקה. הם משווים את אלגוריתם הבינארי של עוף המזכיר (BSBOA) עם שיטות חיפוש נוספות מבוססות עופות ועדרים, ומעריכים ביצועים באמצעות שלושה ממיינים נפוצים: k-nn, מכונות וקטורים תומכים ויער אקראי. למרות שהוא בוחן מספר תכונות קטן בהרבה מהמתחרים, הגישה של עוף המזכיר משיגה בעקביות דיוק זיהוי גבוה מאוד—עד כ-99.9 אחוז במצבים מסוימים—בעוד שהיא מקטינה בחדות את מספר המדידות הנחוצות.

לעשות יותר עם פחות נתונים

תוצאת מפתח של המחקר היא עד כמה השיטה החדשה מחסלת נתונים בלי להקריב תוצאות. במערך נתונים אחד, BSBOA בוחר רק 6 מתוך 81 תכונות אפשריות, חותך יותר מ-90 אחוז מהקלט ועדיין מגיע לכ-99.7 אחוז דיוק עם ממיין יער אקראי. באחר, הוא משתמש רק ב-7 מתוך 81 תכונות ועדיין מזהה התקפות בכ-98.5 אחוז דיוק. קבוצות תכונות קומפקטיות אלה משמעו אימון מהיר יותר, שימוש בזיכרון נמוך יותר ומודלים פשוטים יותר—יתרונות קריטיים למכשירים קטנים ולשערים שמגנים על רשתות IoT.

מה פירוש הדבר לאבטחה של היומיום

עבור קוראים לא-מומחים, המסר המרכזי הוא שלעיתים איננו זקוקים ליותר נתונים כדי להיות בטוחים יותר ברשת; לעיתים אנחנו זקוקים לנתונים הנכונים. על ידי חיקוי חכם של האופן שבו עוף צייד מחפש ומתאים את עצמו, עבודה זו מציעה דרך מעשית להתמקד ברמזים המדויקים ביותר לפעילות זדונית בתעבורת IoT. התוצאה היא שיטת גילוי חדירות קלת משקל ובעלת דיוק גבוה—מתאימה היטב להגנה על היקף המכשירים המחוברים שגדל ומפעיל בתים, ערים ותעשיות חכמות.

ציטוט: Can, C. Bird-inspired optimization approach using taper-shape transfer function for intrusion detection in IoT networks. Sci Rep 16, 12838 (2026). https://doi.org/10.1038/s41598-026-43194-4

מילות מפתח: זיהוי חדירות ב-IoT, בחירת תכונות, אופטימיזציה מטא-היוריסטית, אבטחת רשת, אלגוריתם עוף המזכיר (secretary bird)