‫ﻣﺘﺮﺟﻢ ﻣﻦ ﺍﻹﻧﺠﻠﻴﺰﻳﺔ ﺇﻟﻰ ﺍﻟﻌﺮﺑﻴﺔ ‪www.onlinedoctranslator.

com -‬‬

‫ﺍﻟﻤﻤﻠﻜﺔﺍﻟﻌﺮﺑﻴﺔ ﺍﻟﺴﻌﻮﺩﻳﺔ‬
‫ﻭﺯﺍﺭﺓﺍﻟﺘﻌﻠﻴﻢ‬
‫ﺟﺎﻣﻌﺔﺍﻟﺒﺎﺣﺔ‬
‫ﻛﻠﻴﺔﻋﻠﻮﻡ ﺍﻟﺤﺎﺳﻮﺏ ﻭﺗﻘﻨﻴﺔ ﺍﻟﻤﻌﻠﻮﻣﺎﺕ ﻗﺴﻢ ﻋﻠﻮﻡ ﻭﻫﻨﺪﺳﺔ‬
‫ﺍﻟﺤﺎﺳﻮﺏ‬

‫ﻣﻨﻬﺠﻴﺔﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻟﻠﺘﻨﺒﺆ‬

‫ﻫﺠﻤﺎﺕﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻋﻠﻰ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫ﺑﻮﺍﺳﻄﺔ‬

‫ﻋﻤﺮﻋﺰﻳﺐ ﺍﻟﺨﺪﻳﺪﻱ‬

‫ﻣﺴﺘﺸﺎﺭ‬

‫ﺍﺳﻢﺍﻟﻤﺸﺮﻑ‬
‫ﺩ‪.‬ﻣﻌﺎﺫﻣﺤﻤﻮﺩ ﺣﺴﻦ‬
‫ﺍﺳﻢﺍﻟﻤﺸﺮﻑ‬
‫ﺩ‪.‬ﺃﻧﺲﺍﻟﻐﺎﻣﺪﻱ‬

‫ﺭﺳﺎﻟﺔﻣﻘﺪﻣﺔ ﻟﻤﺘﻄﻠﺒﺎﺕ ﺩﺭﺟﺔ ﺍﻟﻤﺎﺟﺴﺘﻴﺮ ﻓﻲ‬

‫ﺍﻟﻌﻠﻮﻡﻓﻲ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ‬

‫‪3‬ﺑﺤﺚ ﻭﺗﻄﻮﻳﺮﻧﺼﻒ ﺍﻟﺴﻨﺔ‬

‫ﻟﻠﻌﺎﻡﺍﻟﺠﺎﻣﻌﻲ ‪1444/2023‬ﻡ‬
 ‫ﺍﻟﻤﻤﻠﻜﺔﺍﻟﻌﺮﺑﻴﺔ ﺍﻟﺴﻌﻮﺩﻳﺔ‬
‫ﻭﺯﺍﺭﺓﺍﻟﺘﻌﻠﻴﻢ‬
‫ﺟﺎﻣﻌﺔﺍﻟﺒﺎﺣﺔ‬
‫ﻋﻤﺎﺩﺓﺍﻟﺪﺭﺍﺳﺎﺕ ﺍﻟﻌﻠﻴﺎ‬

‫ﺍﻟﻠﺠﻨﺔﻝ‬

‫ﻋﻤﺮﻋﺰﻳﺐ ﺍﻟﺨﺪﻳﺪﻱ‬ ‫ﺃﺳﻢﺍﻟﻄﺎﻟﺐ‬

‫‪443040465‬‬ ‫ﻫﻮﻳﺔﺍﻟﻄﺎﻟﺐ‬
‫ﻛﻠﻴﺔﻋﻠﻮﻡ ﺍﻟﺤﺎﺳﺐ ﻭﺍﻟﻤﻌﻠﻮﻣﺎﺕ‬
‫ﻛﻠﻴﺔ‬
‫ﺗﻜﻨﻮﻟﻮﺟﻴﺎ‬
‫ﻗﺴﻢﻋﻠﻮﻡ ﻭﻫﻨﺪﺳﺔ ﺍﻟﺤﺎﺳﻮﺏ‬ ‫ﻗﺴﻢ‬
‫‪443040465‬‬ ‫ﺳﻨﺔ‬ ‫ﻳﺘﻘﻦ‬ ‫ﺩﺭﺟﺔ‬

‫ﻭﺍﻟﺘﻲﺗﻢ ﺗﺸﻜﻴﻠﻬﺎ ﺑﺎﻟﻘﺮﺍﺭ ﺭﻗﻢ ‪ xx‬ﻟﺸﻬﺮ ﺩ ﺩ‪ ،2023 ،‬ﺗﺸﻬﺪ ﺃﻥ ﻫﺬﺍ ﻫﻮ‬

‫ﻧﺴﺨﺔﻣﻌﺘﻤﺪﺓ ﻣﻦ ﺍﻷﻃﺮﻭﺣﺔ ﺍﻟﺘﺎﻟﻴﺔ‪ ،‬ﻭﻣﻘﺒﻮﻟﺔ ﺟﻮﺩﺓ ﻭﺷﻜﻼً‬
‫ﺍﻟﻨﺸﺮ‪:‬‬

‫ﻋﻨﻮﺍﻥﻃﻮﻳﻞ ﻷﻃﺮﻭﺣﺔ ﺑﺤﺜﻴﺔ ﻳﺴﺘﻐﺮﻕ ﺳﻄﺮﻳﻦ ﻣﻦ ﺍﻟﻨﺺ ]ﺇﻧﺠﻠﻴﺰﻱ[‬

‫ﺃﻋﻀﺎءﻟﺠﻨﺔ ﺍﻷﻃﺮﻭﺣﺔ‪:‬‬

‫]ﺇﻣﻀﺎء[‬ ‫]ﺗﺎﺭﻳﺦ[‬ ‫]ﺍﺳﻢ[‬ ‫ﻣﺸﺮﻑﺍﻟﻠﺠﻨﺔ‬

‫ﺍﻟﻠﺠﻨﺔﺍﻟﻤﺸﺘﺮﻛﺔ‬
‫]ﺇﻣﻀﺎء[‬ ‫]ﺗﺎﺭﻳﺦ[‬ ‫]ﺍﺳﻢ[‬
‫ﻣﺸﺮﻑ)ﺇﺫﺍ ﻛﺎﻥ ﻗﺎﺑﻼ ﻟﻠﺘﻄﺒﻴﻖ(‬
‫ﺍﻟﻠﺠﻨﺔﺃﻭﻻ‬
‫]ﺇﻣﻀﺎء[‬ ‫]ﺗﺎﺭﻳﺦ[‬ ‫]ﺍﺳﻢ[‬
‫ﻋﻀﻮ‬
‫ﺍﻟﻠﺠﻨﺔﺍﻟﺜﺎﻧﻴﺔ‬
‫]ﺇﻣﻀﺎء[‬ ‫]ﺗﺎﺭﻳﺦ[‬ ‫]ﺍﺳﻢ[‬
‫ﻋﻀﻮ‬
‫ﺭﺋﻴﺲﺍﻟﻘﺴﻢ‬
‫]ﺇﻣﻀﺎء[‬ ‫]ﺗﺎﺭﻳﺦ[‬ ‫]ﺍﺳﻢ[‬
‫ﻣﻮﺍﻓﻘﺔ‬

‫ﺟﺎﻣﻌﺔﺍﻟﺒﺎﺣﺔ‪2023 ،‬‬

‫‪1‬‬
 ‫● ﺗﺼﺮﻳﺢ‬
‫ﺃﻋﻠﻦﺭﺳﻤﻴﺎ ًﺃﻧﺎ ﻋﻤﺮ ﻋﺎﺯﺏ ﺍﻟﺨﻀﻴﺪﻱ ﺃﻥ ﺍﻟﻌﻤﻞ ﺍﻟﻤﻘﺪﻡ ﻓﻲ ﻫﺬﻩ ﺍﻷﻃﺮﻭﺣﺔ ﻫﻮ‬
‫ﻧﺘﻴﺠﺔﻟﺠﻬﻮﺩﻱ ﺍﻟﻤﺴﺘﻘﻠﺔ ﻭﻟﻢ ﻳﺘﻢ ﺗﻘﺪﻳﻤﻬﺎ ﻷﻱ ﺩﺭﺟﺔ ﺃﺧﺮﻯ‬
‫ﺃﻭﺍﻟﻤﺆﻫﻞ ﺍﻟﻤﻬﻨﻲ‪.‬‬

‫ﻭﻗﻌﺖ‪:‬‬

‫ﺗﺎﺭﻳﺦ‪:‬‬

‫‪2‬‬
3
 ‫● ﺷﻜﺮﻭﺗﻘﺪﻳﺮ‬
‫ﺑﺴﻢﺍﻟﻠﻪ ﺍﻟﺮﺣﻤﻦ ﺍﻟﺮﺣﻴﻢ‬

‫ﺃﻭﺩﺃﻥ ﺃﻋﺮﺏ ﻋﻦ ﺧﺎﻟﺺ ﺍﻣﺘﻨﺎﻧﻲ ﻟﻠﺪﻛﺘﻮﺭ ﻣﻌﺎﺫ ﻣﺤﻤﻮﺩ ﻭﺩ‪.‬‬

‫ﺃﻧﺲﺍﻟﻐﺎﻣﺪﻱ ﻟﺘﻮﺟﻴﻬﺎﺗﻬﻢ ﻭﺧﺒﺮﺍﺗﻬﻢ ﻭﺭﺅﺍﻫﻢ ﺍﻟﻘﻴﻤﺔ‬

‫ﻃﻮﺍﻝﻫﺬﻩ ﺍﻟﺪﺭﺍﺳﺔ‪ .‬ﻭﻛﺎﻥ ﺩﻋﻤﻬﻢ ﻭﺗﺸﺠﻴﻌﻬﻢ‬

‫ﺳﺎﻫﻢﻓﻲ ﺇﺗﻤﺎﻡ ﻫﺬﺍ ﺍﻟﻌﻤﻞ ﺑﻨﺠﺎﺡ‪.‬‬

‫ﻛﻤﺎﺃﻭﺩ ﺃﻥ ﺃﻋﺮﺏ ﻋﻦ ﺧﺎﻟﺺ ﺗﻘﺪﻳﺮﻱ ﻟﻮﺍﻟﺪﻱ ﻋﺰﻳﺐ ﺻﺎﻟﺢ‬

‫ﺍﻟﺨﻀﻴﺪﻱ‪،‬ﻭﻭﺍﻟﺪﺗﻲ‪ ،‬ﻋﻠﻰ ﺣﺒﻬﻢ ﻭﺩﻋﻤﻬﻢ ﺍﻟﺬﻱ ﻻ ﻳﺘﺰﻋﺰﻉ‬

‫ﺍﻟﻔﻬﻢﻃﻮﺍﻝ ﻫﺬﻩ ﺍﻟﺮﺣﻠﺔ‪ .‬ﺇﻳﻤﺎﻧﻬﻢ ﺑﻲ ﻭﺛﺎﺑﺖ‬

‫ﻛﺎﻥﺍﻟﺘﺸﺠﻴﻊ ﻫﻮ ﺍﻟﻘﻮﺓ ﺍﻟﺪﺍﻓﻌﺔ ﻭﺭﺍء ﻣﺴﻴﺮﺗﻲ ﺍﻷﻛﺎﺩﻳﻤﻴﺔ ﻭﺍﻟﺸﺨﺼﻴﺔ‬

‫ﻧﻤﻮ‪.‬‬

‫ﻋﻼﻭﺓﻋﻠﻰ ﺫﻟﻚ‪ ،‬ﺃﻭﺩ ﺃﻥ ﺃﻧﻮﻩ ﺑﺎﻟﺪﻋﻢ ﻭﺍﻟﻤﺴﺎﻋﺪﺓ ﺍﻟﺘﻲ ﺗﻠﻘﻴﺘﻬﺎ‬

‫ﻣﻦﺃﺻﺪﻗﺎﺋﻲ ﻭﺯﻣﻼﺋﻲ ﻭﺟﻤﻴﻊ ﺍﻟﻤﺸﺎﺭﻛﻴﻦ ﺍﻟﺬﻳﻦ ﺷﺎﺭﻛﻮﺍ ﻋﻦ ﻃﻴﺐ ﺧﺎﻃﺮ‬

‫ﻫﺬﻩﺍﻟﺪﺭﺍﺳﺔ‪ ،‬ﻭﺗﻘﺪﻳﻢ ﻣﺴﺎﻋﺪﺓ ﻗﻴﻤﺔ ﻭﺭﺅﻯ‪.‬‬

‫ﻭﺑﺪﻭﻥﻣﺴﺎﻫﻤﺎﺕ ﻭﺩﻋﻢ ﻫﺆﻻء ﺍﻷﻓﺮﺍﺩ‪ ،‬ﻓﺈﻥ ﻫﺬﺍ ﺍﻟﺒﺤﺚ ﺳﻴﻜﻮﻥ‬

‫ﻟﻢﻳﻜﻦ ﻣﻤﻜﻨﺎ‪ .‬ﺃﻧﺎ ﻣﻤﺘﻦ ﺣﻘﺎً ﻟﻮﺟﻮﺩﻫﻢ ﻓﻲ ﺣﻴﺎﺗﻲ ﻭﻣﻦ ﺃﺟﻠﻬﻢ‬

‫ﺍﻟﺘﺄﺛﻴﺮﺍﻟﻜﺒﻴﺮ؛ ﻟﻘﺪ ﻛﺎﻥ ﻟﺪﻳﻬﻢ ﻓﻲ ﺭﺣﻠﺘﻲ ﺍﻷﻛﺎﺩﻳﻤﻴﺔ‪.‬‬

‫ﻋﻤﺮﺍﻟﺨﺪﻳﺪﻱ‬
‫ﻳﻮﻧﻴﻮ‪2023‬‬

‫‪4‬‬
 ‫● ﺧﻼﺻﺔ‬

‫ﻭﻧﻈﺮﺍًﻟﻼﺭﺗﻔﺎﻉ ﺍﻟﻤﺘﺰﺍﻳﺪ ﻣﺆﺧﺮﺍً ﻓﻲ ﺷﺪﺓ ﻭﺗﻮﺍﺗﺮ ﺍﻟﻬﺠﻤﺎﺕ ﺍﻹﻟﻜﺘﺮﻭﻧﻴﺔ‪،‬‬

‫ﻭﻗﺪﻃﺮﺡ ﺍﻟﻨﻤﻮ ﺍﻟﺴﺮﻳﻊ ﻓﻲ ﻋﺪﺩ ﻭﺗﻨﻮﻉ ﺍﻷﺷﻴﺎء ﺍﻟﺬﻛﻴﺔ‬

‫ﺗﻬﺪﻳﺪﺍﺕﻛﺒﻴﺮﺓ ﻟﻸﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ‪ .‬ﻭﻣﻊ ﺫﻟﻚ‪ ،‬ﻓﺈﻥ ﺍﻷﻣﻦ ﻫﻮ ﺍﻟﺸﺎﻏﻞ ﺍﻟﺮﺋﻴﺴﻲ‬

‫ﻳﺴﺘﻤﺮﺣﺠﻤﻬﺎ ﻭﺗﻄﺒﻴﻘﺎﺗﻬﺎ ﻓﻲ ﺍﻟﺘﻮﺳﻊ ﺑﺴﺮﻋﺔ‪ .‬ﺍﺗﺼﺎﻻﺕ ﻭﺍﺳﻌﺔ ﺍﻟﻨﻄﺎﻕ‬

‫ﺗﺸﻜﻞﺑﻴﺎﻧﺎﺕ ﺣﺮﻛﺔ ﺍﻟﻤﺮﻭﺭ ﺑﻴﻦ ﺃﺟﻬﺰﺓ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء )‪ (IoT‬ﺃﻫﻤﻴﺔ ﻛﺒﻴﺮﺓ‬

‫ﺗﺤﺪﻱﺣﻤﺎﻳﺔ ﺍﻷﺟﻬﺰﺓ ﻣﻦ ﺍﻟﺘﺪﺧﻼﺕ ﺍﻷﻣﻨﻴﺔ ﺍﻟﻤﺤﺘﻤﻠﺔ‪ .‬ﻋﻼﻭﺓ ﻋﻠﻰ ﺫﻟﻚ‪،‬‬

‫ﺗﺨﻠﻖﺑﻴﺎﻧﺎﺕ ﺣﺮﻛﺔ ﻣﺮﻭﺭ ﺍﻟﺸﺒﻜﺔ ﻏﻴﺮ ﺍﻟﻤﺘﻮﺍﺯﻧﺔ ﺇﻟﻰ ﺣﺪ ﻛﺒﻴﺮ ﺗﺤﺪﻳﺎً ﺇﺿﺎﻓﻴﺎً‪ .‬ﺻﻨﺎﻋﻲ‬

‫ﺗﻌﺪﺗﻄﺒﻴﻘﺎﺕ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﺍﻟﻤﺴﺘﻨﺪﺓ ﺇﻟﻰ ﺍﻟﺬﻛﺎء )‪ (AI‬ﺃﻛﺜﺮ ﻓﻌﺎﻟﻴﺔ ﻓﻲ‬

‫ﺍﻟﻜﺸﻒﻋﻦ ﺃﺷﻜﺎﻝ ﻣﺨﺘﻠﻔﺔ ﻣﻦ ﺍﻟﻬﺠﻤﺎﺕ ﺍﻟﺴﻴﺒﺮﺍﻧﻴﺔ‪ .‬ﺗﻘﻨﻴﺎﺕ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ‪ ،‬ﻣﺜﻞ ﺍﻵﻟﺔ ﻭ‬

‫ﻳﺘﻢﺍﺳﺘﺨﺪﺍﻡ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻋﻠﻰ ﻧﻄﺎﻕ ﻭﺍﺳﻊ ﻟﺘﺤﺪﻳﺪ ﻭﺗﺨﻔﻴﻒ ﻣﺠﻤﻮﻋﺔ ﻭﺍﺳﻌﺔ ﻣﻦ ﺍﻟﻤﺸﺎﻛﻞ‬

‫ﺍﻟﺘﻬﺪﻳﺪﺍﺕﺍﻷﻣﻨﻴﺔ ﺿﺪ ﺷﺒﻜﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪.‬‬

‫ﻓﻲﻫﺬﻩ ﺍﻷﻃﺮﻭﺣﺔ‪ ،‬ﻗﻤﻨﺎ ﺑﺘﺼﻤﻴﻢ ﻧﻤﻮﺫﺝ ﻳﻌﺘﻤﺪ ﻋﻠﻰ ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ ﻭﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ‬

‫ﺧﻮﺍﺭﺯﻣﻴﺎﺕﻻﺳﺘﺨﺮﺍﺝ ﺍﻟﻤﻴﺰﺍﺕ ﺍﻟﻤﺜﺎﻟﻴﺔ ﺑﺪﻗﺔ ﻋﺎﻟﻴﺔ‪ ،‬ﻭﺍﺧﺘﺒﺎﺭﻫﺎ‬

‫ﺗﻢﺗﻘﻴﻴﻤﻬﺎ ﺑﺎﺳﺘﺨﺪﺍﻡ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ BoT IoT‬ﻟﺤﺮﻛﺔ ﻣﺮﻭﺭ ﺍﻟﺸﺒﻜﺔ ﺍﻟﻮﺍﻗﻌﻴﺔ‪ .‬ﺍﻟﺘﺠﺮﻳﺒﻴﺔ‬

‫ﻧﺘﺎﺋﺞﺩﺭﺍﺳﺘﻨﺎ ﻟﺘﻘﻴﻴﻢ ﺗﻨﻔﻴﺬ ﻋﺸﺮﺓ ﺁﻻﺕ ﻣﻨﻔﺼﻠﺔ‬

‫ﻭﺗﻨﺎﻗﺶﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﻟﻠﻜﺸﻒ ﻋﻦ ﺍﻟﺒﺮﺍﻣﺞ ﺍﻟﻀﺎﺭﺓ‪ .‬ﻭﺗﺸﻤﻞ ﻫﺬﻩ ﺍﻟﻨﻤﺎﺫﺝ ﺍﺛﻨﻴﻦ‬

‫ﻣﺼﻨﻔﺎﺕﻓﺮﺩﻳﺔ ﺗﺘﻌﻠﻖ ﺑـ ‪ KNN‬ﻭ‪ ،SVM‬ﻭﺛﻤﺎﻧﻴﺔ ﻣﺼﻨﻔﺎﺕ ﺟﻤﺎﻋﻴﺔ ﻣﺜﻞ‬

‫ﻭﺃﺭﺑﻌﺔﺃﺑﻨﻴﺔ ‪LGBM،‬ﻭ ‪AdaBoost،‬ﻭ ‪Extra Trees،‬ﻭ ‪Random Forest،‬‬

‫‪5‬‬
 ‫ﺧﻮﺍﺭﺯﻣﻴﺎﺕﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻣﺜﻞ ‪ LSTM‬ﻭ‪ GRU‬ﻭ‪ .RNN‬ﺑﺎﻹﺿﺎﻓﺔ ﺇﻟﻰ ﺫﻟﻚ‪ ،‬ﻧﺤﻦ‬

‫ﻣﻘﺎﺭﻧﺔﻓﻌﺎﻟﻴﺔ ﻫﺬﻩ ﺍﻟﻨﻤﺎﺫﺝ ﻣﻊ ﻭﺑﺪﻭﻥ ‪SMOTE‬‬

‫ﺧﻮﺍﺭﺯﻣﻴﺔﻹﺩﺍﺭﺓ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻏﻴﺮ ﺍﻟﻤﺘﻮﺍﺯﻧﺔ‪ .‬ﻣﺼﻨﻔﺎﺕ ‪ CatBoost‬ﻭ‪XGBoost‬‬

‫ﺣﻘﻘﺖﻣﻌﺪﻻﺕ ﺩﻗﺔ ‪ %98.19‬ﻭ‪ %98.50‬ﻋﻠﻰ ﺍﻟﺘﻮﺍﻟﻲ‪ .‬ﺟﻬﻮﺩ ﺍﻟﺘﺠﺮﺑﺔ‬

‫ﻳﻤﻜﻦﺃﻥ ﻳﺴﺎﻋﺪ ﺍﻟﺨﺒﺮﺍء ﻓﻲ ﺗﺤﺪﻳﺪ ﻋﻤﻠﻴﺎﺕ ﺍﺧﺘﺮﺍﻕ ﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻟﻤﺨﺘﻠﻔﺔ ﺑﺎﺳﺘﺨﺪﺍﻡ‬

‫ﺃﻭﺧﻮﺍﺭﺯﻣﻴﺔ ﺑﺪﻳﻠﺔ ﺗﻌﺘﻤﺪ ﻋﻠﻰ ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ ﻭﺍﻟﻌﻤﻴﻖ ‪SMOTE‬‬

‫ﺧﻮﺍﺭﺯﻣﻴﺎﺕ‪.‬‬

‫ﺍﻟﻜﻠﻤﺎﺕﺍﻟﺪﺍﻟﺔ‪:‬ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ‪ ،DoS، DDoS ،‬ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ ،‬ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ‪ ،‬ﺗﻌﻠﻢ ﻋﻤﻴﻖ‪،‬‬

‫ﻣﺠﻤﻮﻋﺔﺑﻴﺎﻧﺎﺕ ﺑﻮﺕ‪-‬ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫‪6‬‬
‫‪:‬ﺻﻠﺨﺘﺴﻤﻼ‬

‫ءﺍﻳﺸﻼﺍﺗﺮﻧﺘﻨﺈ ﯨﻠﻊ ﻳﻨﺎﺭﺑﻴﺴﻼ ﻧﻤﻸﺍ ﺗﺎﻣﺠﻬﺐ ﺅﺑﻨﺘﻠﻞ ﻗﻴﻤﻌﻼ ﻣﻠﻌﺘﻼ ﺓﻳﺠﻬﻨﻢ‬

‫ﻋﻮﻧﺘﻮﺩﺩﻉ ﻳﻒ ﺓﻋﻴﺮﺳﻼ ﺓﺩﺍﻳﺰﻻ ﻧﺈﻑ ‪ ،‬ﻳﻨﺎﺭﺑﻴﺴﻼ ﺗﺎﻡ ﺟﻬﻼ ﺭﺍﺭﻛﺘﻮ ﺓﺭﻭﻃﺦ ﻳﻒ ﺩﻳﺎﺯﺗﻤﻼ ﻋﺎﻓﺘﺮﻻﻝ ﺍﺭﻇًﻦ‬

‫ﻳﺴﻼﺍﻣﺎﻣﺘﻬﻼﺍ ﻟﻈﻲ ﻧﺎ ﻣﻞءﺍ ﻧﺈﻑ ‪،‬ﻛﻠﺬ ﻋﻤﻮ ‪.‬ﻳﻨﺎﺭﺑﻴﺴﻼ ﻧﺎ ﻣﻞءﺍ ﯨﻠﻊ ﺍﺭﻳًﺒﻚ ﺍﺩﻳًﺪﻫﺖ ﻟﻜﺸﺖ ﻳﻜﺬﻻ ﺓﺯﻫﺠﻼﺍ‬

‫ﺗﺮﻧﺘﻨﻺﺍﻫﻬﺠﺄ ﻧﻴﺐ ﺓﻣﺨﻀﻼ ﺓﻳﻜﺒﻼ ﺗﺎﻧﻴﺒﻼ ﻗﻔﺪﺕ ﻟﻜﺸﻲ ‪.‬ﺓﻋﺮﺳﺐ ﻫﺎﻗﻴﺒﻄﺘﻮ ﻫﻘﺎﻃﻦ ﻳﻒ ﻋﺴﻮﺗﻼ ﺭﻣﺘﺴﻲ ﺛﻴﺢ‬

‫ﻟﻜﺸﺖ ‪،‬ﻛﻠﺬﯨﻠﻊ ﺓﻭﻻﻉ ‪.‬ﺓﻟﻤﺘﺤﻤﻼ ﺓﻳﻦ ﻣﻞءﺍ ﺗﺎﻗﺎﺭﺗﺨﻼﺍ ﻧﻢ ﺓﺯﻫﺠﻸﺍ ﺓﻳﺎﻣﺤﻞ ﺍﺭﻳًﺒﻚ ﺍﻳﺪًﺣﺖ )‪ (IoT‬ءﺍﻳﺸﻸﺍ ﻧﻢ‬

‫ﻳﻨﺎﺭﺑﻴﺴﻼﻧﺎ ﻣﻞءﺍ ﺗﺎﻗﻴﺖ ﻣﺪﺧﺘﺴﺖ ُ‪.‬ﺍﻳﻔًﺎﺿﺈ ﺍﻳﺪًﺣﺖ ﺭﻳﺒﻚ ﻟﻜﺸﺐ ﺓﻧﺰﺍﻭﺗﻤﻼ ﺭﻳﻎ ﺓﻳﻜﺒﺸﻼ ﺭﻭﺭﻣﻼ ﺓﻛﺮﺡ ﺗﺎﻧﻴﺐ‬

‫‪.‬ﺓﻳﻨﺎﺭﺑﻴﺴﻼ ﺗﺎﻣﺠﻬﻼ ﻧﻢ ﻓﻠﺘﺨﻢ ﻻﻛﺸﺄ ﻓﺎﺷﺘﻜﺎ ﻳﻒ ﺭﺑﻚ ﺓﻳﻼﻋﻔﺐ )‪ (AI‬ﻳﻌﺎﻧﻄﺼﻼ ءﺍﻛﺬﻻ ﯨﻠﻊ ﺓﻣﺌﺎﻗﻼ‬

‫ﺣﻤﺎﻣﺠﻢﻫﺠﺎﻭﻣﻮ ﻓﺸﺘﻜﻼ ﻋﺴﺎﻭ ﻟﻜﺸﺐ ﻗﻴﻤﻌﻼ ﻣﻠﻌﺘﻼﻭ ﻳﻠﻶﺍ ﻣﻠﻌﺘﻼ ﻟﺜﻢ ﻳﻌﺎﻧﻄﺼﻼﺍ ءﺍﻛﺬﻻ ﺗﻴﻨﻘﺖ ﻣﺪﺧﺘﺴﺖُ‬

‫ﺗﺎﻛﺒﺶﺩﺱ ﺓﻳﻦ ﻣﻞءﺍ ﺗﺎﺩﻳﻬﺘﻼ ﻧﻢ ﺓﻋﺴﺎﻭ‪IoT.‬‬

‫ﺗﺎﺯﻳﻢﺟﺎﺭﺧﺘﺴﻼ ﻗﻴﻤﻌﻼ ﻣﻠﻌﺘﻼﻭ ﻳﻠﻶﺍ ﻣﻠﻌﺘﻼ ﺗﺎﻳﻤﺰﺭﺍﻭﺥ ﯨﻺ ﺩﻧﺘﺴﻲ ﺟﺬﻭﻣﻦ ﻣﻴﻤﺼﺘﺐ ﺍﻧﻤﻖ ‪،‬ﺓﺣﻮﺭﻃﻼ ﻫﺬﻩ ﻳﻔﻲ‬

‫ﺓﺯﻫﺠﻸﺓﻳﻘﺎﻭﻻ ﺓﻛﺒﻼ ﺭﻭﺭﻡ ﺓﻛﺮﺡ ﺗﺎﻧﻴﺐ ﺓ ﺩﻭﻓﺠﻢ ﻣﺎﺩﺧﺘﺴﺎﺏ ﻫﻤﻴﻴﻘﺘﺐ ﺍﻧﻤﻘﻮ ﻫﺎﻧﺮﺑﺘﺨﺎﻭ ‪،‬ﻳﻴﻼﻉ ﺓﻗﺪﺏ ﻳﻠﺜﻢ‬

‫ﻓﺎﺷﺘﻜﺎﻳﻒ ﻳﻠﻶﺍ ﻣﻠﻌﺘﻠﻞ ﻟﺼﻔﻨﻢ ﺟﺬﺍﻣﻦ ﺓﺭﺷﻊ ءﺍﺩﻯ ﻣﻴﻲ ﻗﺘﻞ ﺍﻧﺘﺴﺎﺭﺩ ﻳﻒ ﺑﺮﺍﺟﺘﻼ ﺟﺌﺎﺗﻦ ﻫﺸﻘﺎﻧﻢ ﻣﺘﻲ ‪BoT IoT.‬‬

‫ﺓﻳﻔﻴﻦﺗﻨﺼﺖ ﺟﺬﺍﻣﻦ ﺓﻳﻨﺎﻣﺜﻮ ‪ SVMo KNN،‬ﺻﻮﺻﺨﺐ ﻧﻴﺪﺭﻑ ﻧﻴﻄﻤﻦ ﺟﺬﺍﻣﻨﻼ ﻫﺬﻩ ﻟﻤﺸﺖ ‪.‬ﺓﺭﺍﺿﻲ ﺟﻤﺎﺭﺏ‬

‫ﺗﺎﻳﻤﺰﺭﺍﻭﺧﻞﻟﻜﺎﻳﻪ ﺓﻋﺒﺮﺃﻭ ‪LGBM،‬ﻭ ‪AdaBoosto Extra Trees‬ﻭ ‪ Random Forest‬ﻟﺜﻢ ﺓﻋﻤﺠﻢ‬

‫ﻧﻮﺩﺑﻮﻋﻢ ﺟﺬﺍﻣﻨﻼ ﻫﺬﻩ ﺓﻳﻼﻋﻒ ﺓﻧﺮﺍﻗﻤﺐ ﺍﻧﻤﻖ ‪،‬ﻛﻠﺬ ﯨﻺ ﺓﻓﺎﺿﻺﺍﺏ ‪RNNO GRU.‬ﻭ ‪ LSTM‬ﻟﺜﻢ ﻗﻴﻤﻌﻼ ﻣﻠﻌﺘﻼ‬

‫ﺗﻼﺩﻋﻢ‪XGBoost‬ﻭ ‪ CatBoost‬ﺗﺎﻓﻴﻦ ﺍﻟﺘﻨﺼﺖ ﺗﻘﻘﺢ ‪.‬ﺓﻧﺰﺍﻭﺗﻤﻼ ﺭﻳﻎ ﺗﺎﻧﺎﻳﺒﻼ ﺓﺭﺍﺩﻝ ‪ SMOTE‬ﺓﻳﻤﺰﺭﺍﻭﺥ‬

‫ﺩﻳﺪﺣﺖﻳﻒ ءﺍﺭﺑﺨﻼ ﺓﺩﻋﺎﺳﻢ ﻳﻒ ﺑﺮﺍﺟﺘﻼ ﺩﻭﻫﺞ ﻣﻬﺎﺳﺖ ﻧﺄ ﻧﻜﻤﻲ ‪.‬ﻳﻼﻭﺗﻼ ﯨﻠﻊ ‪98.50%‬ﻭ ‪ 98.19%‬ﻏﻠﺒﺖ ﻗﺪ ﻗﺪ‬

‫‪7‬‬
 ‫ﻣﻠﻌﺘﻼﺗﻴﻤﺮﺍﻭﺥ ﯨﻠﻊ ﺩﻣﺘﻌﺖ ﺓﻟﻴﺪﺏ ﺓﻳﻤﺰﺭﺍﻭﺥ ﻭﺃ ‪ SMOTE‬ﻣﺎﺩﺧﺘﺴﺎﺏ ﺓﻓﻠﺘﺨﻤﻼ ‪ IoT‬ﺗﺎﻛﺒﺶ ﺗﺎﻗﺎﺭﺗﺨﺎ‬

‫‪.‬ﻗﻴﻤﻼ ﻣﻠﻌﺘﻼﻭ ﻳﻠﻶﺍ‬

‫‪8‬‬
 ‫● ﺟﺪﻭﻝﺍﻟﻤﺤﺘﻮﻳﺎﺕ‬
‫ﺗﺼﺮﻳﺢ ‪2........ .................................................. .................................................‬‬ ‫●‬
‫ﺧﻼﺻﺔ ‪5............. .................................................. .................................................‬‬ ‫●‬
‫ﺟﺪﻭﻝﺍﻟﻤﺤﺘﻮﻳﺎﺕ ‪9 .................................................. ...............................................‬‬ ‫●‬
‫ﻗﺎﺋﻤﺔﺍﻷﺷﻜﺎﻝ‪11 ..... .................................................. ...............................................‬‬ ‫●‬
‫ﻗﺎﺋﻤﺔﺟﺪﺍﻭﻝ ‪12 ...... .................................................. ...............................................‬‬ ‫●‬
‫ﻗﺎﺋﻤﺔﺍﻟﻤﺨﺘﺼﺮﺍﺕ ‪13 ................................................ ...........................................‬‬ ‫●‬
‫ﺍﻟﻔﺼﻞ‪ 1‬ﻣﻘﺪﻣﺔ ‪1 .............................................. ..............................................‬‬
‫‪1.1‬ﻧﻈﺮﺓ ﻋﺎﻣﺔ ﻭﺧﻠﻔﻴﺔ ‪1 ........................................... ..............................................‬‬

‫‪1.2‬ﺍﻟﺪﺍﻓﻊ ‪2 ............ .................................................. ..............................................‬‬

‫‪1.3‬ﺑﻴﺎﻥ ﺍﻟﻤﺸﻜﻠﺔ ‪4 .................................................. ..............................................‬‬

‫‪1.4‬ﺃﻫﺪﺍﻑ ﺍﻟﺒﺤﺚ ‪6 ................................................ ...........................................................‬‬

‫‪1.5‬ﻣﺴﺎﻫﻤﺔ ﺍﻷﻃﺮﻭﺣﺔ ﻓﻲ ﺍﻟﻤﺠﺎﻝ ‪ /‬ﺃﻫﻤﻴﺔ ﻭ ‪ /‬ﺃﻭ ﺗﺄﺛﻴﺮ ﺍﻟﺒﺤﺚ ‪7 ...........‬‬

‫‪1.6‬ﻣﺨﻄﻂ ﺍﻷﻃﺮﻭﺣﺔ ‪9........... .................................................. ..............................................‬‬

‫ﺍﻟﻔﺼﻞﺍﻟﺜﺎﻧﻲ‪ :‬ﻣﺮﺍﺟﻌﺔ ﺍﻷﺩﺑﻴﺎﺕ‪11 ........................................... ................................................‬‬

‫‪2.1‬ﻣﻘﺪﻣﺔ‪11 ........... .................................................. ................................................‬‬

‫‪2.2‬ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻭﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ ‪11 ........................................... ...........................................‬‬

‫‪2.3‬ﺍﻟﻤﻨﺎﻗﺸﺔ ‪18 ........... .................................................. ..............................................‬‬

‫ﺍﻟﻔﺼﻞﺍﻟﺜﺎﻟﺚ‪ :‬ﺍﻟﻤﻨﻬﺠﻴﺔ ‪20 ........................................... ..............................................‬‬

‫‪3.1‬ﻣﻘﺪﻣﺔ‪20......... .................................................. ................................................‬‬

‫‪3.2‬ﻣﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺍﻟﻤﺮﺟﻌﻴﺔ‪20 ................................................ ................................................‬‬

‫‪3.3‬ﺍﻟﻨﻤﻮﺫﺝ ﺍﻟﻤﻘﺘﺮﺡ ‪25 ............................................... ...........................................‬‬

‫‪3.3.1‬ﺍﻟﻤﻌﺎﻟﺠﺔ ﺍﻟﻤﺴﺒﻘﺔ ﻟﻠﺒﻴﺎﻧﺎﺕ ‪25 ............................................ ...........................................‬‬

‫‪3.3.2‬ﺗﻘﻨﻴﺎﺕ ﺍﻟﻬﻨﺪﺳﺔ ﺍﻟﻤﻤﻴﺰﺓ ‪26 ............................ ...........................................‬‬

‫‪3.3.3‬ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ‪32 ........................................... ...........................................‬‬

‫‪3.3.4‬ﺍﻟﺘﻌﻠﻢ ﺍﻟﺠﻤﺎﻋﻲ ‪38........................................... ..............................................‬‬

‫‪3.3.5‬ﻣﻘﺎﻳﻴﺲ ﺍﻟﺘﻘﻴﻴﻢ ‪42 ............................................ ..............................................‬‬

‫ﺍﻟﻔﺼﻞﺍﻟﺮﺍﺑﻊ‪ :‬ﺍﻟﻨﺘﺎﺋﺞ ‪44 ... .................................................. ..............................................‬‬

‫‪9‬‬
‫‪4.1‬ﺍﻹﻋﺪﺍﺩﺍﺕ ﺍﻟﺘﺠﺮﻳﺒﻴﺔ ‪44 ................................................ ..............................................‬‬

‫‪4.2‬ﺍﻟﻨﺘﺎﺋﺞ ﺍﻟﺘﺠﺮﻳﺒﻴﺔ ‪44 ................................................ ..............................................‬‬

‫‪4.2.1‬ﺍﻟﺘﺠﺎﺭﺏ ﺩﻭﻥ ﺍﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪SMOTE. ................................................ 45‬‬

‫‪4.2.2‬ﺍﻟﺘﺠﺎﺭﺏ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪SMOTE. .................................................. .... 51‬‬

‫‪4.3‬ﻣﻨﺎﻗﺸﺔ ﺍﻟﻨﺘﺎﺋﺞ ‪57 .................................................. ..............................................‬‬

‫‪4.4‬ﻣﻠﺨﺺ‪61 ............ .................................................. ................................................‬‬

‫ﺍﻟﻔﺼﻞﺍﻟﺨﺎﻣﺲ‪ :‬ﺍﻟﻤﻘﺎﺭﻧﺔ ‪62 ................................................ ...........................................‬‬

‫‪5.1‬ﺍﻟﻤﻨﺎﻗﺸﺔ ‪62 ........... .................................................. ..............................................‬‬

‫‪5.2‬ﻣﻠﺨﺺ‪65 ............ .................................................. ................................................‬‬

‫ﺍﻟﻔﺼﻞﺍﻟﺴﺎﺩﺱ‪ :‬ﺍﻟﺨﺎﺗﻤﺔ ﻭﺍﻟﻌﻤﻞ ﺍﻟﻤﺴﺘﻘﺒﻠﻲ ‪65 ................................ ...........................................‬‬

‫ﻣﺮﺍﺟﻊ ‪67....... .................................................. .................................................‬‬ ‫●‬

‫‪10‬‬
 ‫● ﻗﺎﺋﻤﺔﺍﻷﺷﻜﺎﻝ‬
‫‪26‬‬ ‫ﺍﻟﺸﻜﻞ‪ 3.1‬ﺍﻟﺘﺤﻘﻖ ﻣﻦ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺍﻟﻤﻔﻘﻮﺩﺓ ﻟﻤﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪.BoT IoT‬‬
‫‪27‬‬
‫ﺍﻟﺸﻜﻞ‪ 3.2‬ﻣﻌﺎﻣﻞ ﺍﻻﺭﺗﺒﺎﻁ ﺑﻴﻦ ﻣﻴﺰﺍﺕ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ .BoT IoT‬ﺍﻟﺸﻜﻞ ‪ 3.3‬ﺗﺤﻠﻴﻞ ﺃﻫﻤﻴﺔ ﺍﻟﻤﻴﺰﺓ‬
‫ﺑﺎﺳﺘﺨﺪﺍﻡﺍﻟﻐﺎﺑﺔ ﺍﻟﻌﺸﻮﺍﺋﻴﺔ ﻟﻤﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ BoT IoT.29‬ﺍﻟﺸﻜﻞ ‪ 3.4‬ﺗﻮﺯﻳﻌﺎﺕ ﻓﺌﺔ ﺍﻟﻬﺠﻮﻡ‬
‫‪31‬‬ ‫ﻟﻤﺠﻤﻮﻋﺔﺑﻴﺎﻧﺎﺕ ‪.BoT IoT‬‬
‫ﺍﻟﺸﻜﻞ‪ 3.5‬ﺗﻮﺯﻳﻌﺎﺕ ﻓﺌﺔ ﺍﻟﻬﺠﻮﻡ ﺑﻌﺪ ﺃﺧﺬ ﻋﻴﻨﺎﺕ ﻣﻦ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ BoT IoT‬ﺑﺎﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺔ‬
‫‪32‬‬ ‫‪.Smote‬‬
‫‪33‬‬ ‫ﺍﻟﺸﻜﻞ‪ 3.6‬ﻋﻴﻨﺔ ﻣﻦ ﺍﻟﺒﻨﻴﺔ ﺍﻷﺳﺎﺳﻴﺔ ﻟﺸﺒﻜﺎﺕ [‪ .ANN ]36‬ﺍﻟﺸﻜﻞ‬
‫‪35‬‬ ‫‪:3.7‬ﻋﻴﻨﺔ ﻣﻦ ﺑﻨﻴﺔ ﺷﺒﻜﺔ [‪.RNN ]38‬‬
‫‪36‬‬ ‫ﺍﻟﺸﻜﻞ‪ :3.8‬ﺍﻟﺬﺍﻛﺮﺓ ﺍﻟﻄﻮﻳﻠﺔ ﻗﺼﻴﺮﺓ ﺍﻟﻤﺪﻯ )‪ .[40] (LSTM‬ﺍﻟﺸﻜﻞ‬
‫‪38‬‬ ‫‪:3.9‬ﺍﻹﺩﺭﺍﻙ ﺍﻟﺤﺴﻲ ﻣﺘﻌﺪﺩ ﺍﻟﻄﺒﻘﺎﺕ )‪.[44] (MLP‬‬
‫ﺍﻟﺸﻜﻞ‪ :4.1‬ﻧﺘﺎﺋﺞ ﺗﻘﻴﻴﻢ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ ﺍﻟﻤﻘﺘﺮﺣﺔ ﻋﻠﻰ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ BoT IoT‬ﺩﻭﻥ ﺍﺳﺘﺨﺪﺍﻡ‬
‫‪48‬‬ ‫ﺧﻮﺍﺭﺯﻣﻴﺔ‪.SMOTE‬‬
‫ﺍﻟﺸﻜﻞ‪ 4.2‬ﻧﺘﺎﺋﺞ ﺗﻘﻴﻴﻢ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﺍﻟﻤﻘﺘﺮﺣﺔ ﻋﻠﻰ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ BoT IoT‬ﺩﻭﻥ‬
‫‪49‬‬ ‫ﺍﺳﺘﺨﺪﺍﻡﺧﻮﺍﺭﺯﻣﻴﺔ ‪.SMOTE‬‬
‫ﺍﻟﺸﻜﻞ‪ 4.3‬ﻧﺘﺎﺋﺞ ﺗﻘﻴﻴﻢ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ ﺍﻟﻤﻘﺘﺮﺣﺔ ﻋﻠﻰ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ BoT IoT‬ﺑﺎﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺔ‬
‫‪53‬‬ ‫‪.SMOTE‬‬
‫ﺍﻟﺸﻜﻞ‪ 4.4‬ﻧﺘﺎﺋﺞ ﺗﻘﻴﻴﻢ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﺍﻟﻤﻘﺘﺮﺣﺔ ﻋﻠﻰ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ BoT IoT‬ﺑﺎﺳﺘﺨﺪﺍﻡ‬
‫‪54‬‬ ‫ﺧﻮﺍﺭﺯﻣﻴﺔ‪.SMOTE‬‬
‫ﺍﻟﺸﻜﻞ‪ :4.5‬ﻧﺘﺎﺋﺞ ﺍﻟﻤﻘﺎﺭﻧﺔ ﺑﻴﻦ ﺃﻓﻀﻞ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻤﺠﻤﻌﺔ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪ Smote‬ﻭﺑﺪﻭﻧﻬﺎ‪.‬‬
‫‪58‬‬
‫ﺍﻟﺸﻜﻞ‪ 4.6‬ﻣﻘﺎﺭﻧﺔ ﺑﻴﻦ ﺃﺩﺍء ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻣﻊ ﻭﺑﺪﻭﻥ ﺍﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪.Smote‬‬
‫‪59‬‬
‫ﺍﻟﺸﻜﻞ‪ 4.7‬ﻣﻘﺎﺭﻧﺔ ﺑﻴﻦ ﺃﺩﺍء ﻧﻤﺎﺫﺝ ﺍﻟﻤﺼﻨﻔﺎﺕ ﺍﻟﻔﺮﺩﻳﺔ ﻣﻊ ﻭﺑﺪﻭﻥ ﺍﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪.Smote‬‬
‫‪60‬‬

‫‪11‬‬
 ‫● ﻗﺎﺋﻤﺔﺟﺪﺍﻭﻝ‬
‫‪17‬‬ ‫ﺍﻟﺠﺪﻭﻝ‪ 1-2‬ﻣﺮﺍﺟﻌﺔ ﻣﻘﺎﺭﻧﺔ ﻷﺣﺪﺙ ﺣﻠﻮﻝ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪.‬‬
‫ﺟﺪﻭﻝ‪ 1-4‬ﻧﺘﺎﺋﺞ ﺍﻷﺩﺍء ﻻﻛﺘﺸﺎﻑ ﻫﺠﻤﺎﺕ ﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺩﻭﻥ ﺍﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪SMOTE‬‬
‫‪46‬‬ ‫ﻣﻦﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪.BoT-IoT‬‬
‫ﺟﺪﻭﻝ‪ 2-4‬ﻧﺘﺎﺋﺞ ﺍﻷﺩﺍء ﻻﻛﺘﺸﺎﻑ ﻫﺠﻤﺎﺕ ﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺑﺎﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪SMOTE‬‬
‫‪52‬‬ ‫ﻣﻦﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪.BoT-IoT‬‬
‫‪64‬‬ ‫ﺍﻟﺠﺪﻭﻝ‪ :1-5‬ﺗﺤﻠﻴﻞ ﻣﻘﺎﺭﻥ ﻷﺣﺪﺙ ﺣﻠﻮﻝ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪.‬‬

‫‪12‬‬
 ‫● ﻗﺎﺋﻤﺔﺍﻻﺧﺘﺼﺎﺭﺍﺕ‬
‫ﺍﻟﺬﻛﺎءﺍﻻﺻﻄﻨﺎﻋﻲ‬ ‫ﻣﻨﻈﻤﺔﺍﻟﻌﻔﻮ ﺍﻟﺪﻭﻟﻴﺔ‬

‫ﺍﻟﻤﻨﻄﻘﺔﺗﺤﺖ ﺍﻟﻤﻨﺤﻨﻰ‬ ‫ﺍﻟﺠﺎﻣﻌﺔﺍﻷﻣﺮﻳﻜﻴﺔ ﺑﺎﻟﻘﺎﻫﺮﺓ‬

‫ﺷﺒﻜﺔﺍﻋﺼﺎﺏ ﺻﻨﺎﻋﻴﺔ‬ ‫ﺁﻥ‬

‫ﻭﺍﺟﻬﺔﺑﺮﻣﺠﺔ ﺗﻄﺒﻴﻖ‬ ‫ﻭﺍﺟﻬﺔﺑﺮﻣﺠﺔ ﺍﻟﺘﻄﺒﻴﻘﺎﺕ‬

‫ﺗﺠﻤﻴﻊ‪Bootstrap‬‬ ‫ﺍﻟﺘﻌﺒﺌﺔ‬
‫ﺍﻟﺸﺒﻜﺔﺍﻟﻌﺼﺒﻴﺔ ﺍﻟﺘﻼﻓﻴﻔﻴﺔ‬ ‫ﺳﻲﺇﻥ ﺇﻥ‬

‫ﻭﺣﺪﺓﻣﻌﺎﻟﺠﺔ ﻣﺮﻛﺰﻳﺔ‬ ‫ﻭﺣﺪﺓﺍﻟﻤﻌﺎﻟﺠﺔ ﺍﻟﻤﺮﻛﺰﻳﺔ‬

‫ﻗﻴﻢﻣﻔﺼﻮﻟﺔ ﺑﻔﻮﺍﺻﻞ‬ ‫‪CSV‬‬

‫ﺗﻌﻠﻢﻋﻤﻴﻖ‬ ‫ﺩﻱﺇﻝ‬

‫ﺍﻟﺸﺒﻜﺔﺍﻟﻌﺼﺒﻴﺔ ﺍﻟﻌﻤﻴﻘﺔ‬ ‫ﺩﻱﺇﻥ ﺇﻥ‬

‫ﺷﺠﺮﺓﺍﻟﻘﺮﺍﺭ‬ ‫ﺩ‪.‬ﺕ‬
‫ﺍﻟﺘﻌﻠﻢﺍﻟﺠﻤﺎﻋﻲ‬ ‫ﺇﻝ‬
‫ﺍﻟﺘﻌﻠﻢﺍﻟﻌﻤﻴﻖ ﺍﻟﻤﻮﺣﺪ‬ ‫‪FDL‬‬
‫ﺳﻠﺒﻲﺧﻄﺄ‬ ‫ﺍﻟﺠﺒﻬﺔﺍﻟﻮﻃﻨﻴﺔ‬

‫ﺇﻳﺠﺎﺑﻴﺔﻛﺎﺫﺑﺔ‬ ‫‪FP‬‬
‫ﻣﻌﺪﻝﺇﻳﺠﺎﺑﻲ ﻛﺎﺫﺏ‬ ‫‪FPR‬‬
‫ﺁﻟﺔﺗﻌﺰﻳﺰ ﺍﻟﺘﺪﺭﺝ‬ ‫ﺟﻲﺑﻲ ﺇﻡ‬

‫ﻭﺣﺪﺓﻣﻌﺎﻟﺠﺔ ﺍﻟﺮﺳﻮﻣﺎﺕ‬ ‫‪GPU‬‬

‫ﻭﺣﺪﺓﻣﺘﻜﺮﺭﺓ ﻣﺴﻮﺭﺓ‬ ‫‪GRU‬‬
‫ﻧﻈﺎﻡﻛﺸﻒ ﺍﻟﺘﺴﻠﻞ‬ ‫ﻣﻌﺮﻓﺎﺕ‬

‫ﻧﻈﺎﻡﻣﻨﻊ ﺍﻻﺧﺘﺮﺍﻕ‬ ‫‪IPS‬‬

‫ﺍﻧﺘﺮﻧﺖﺍﻷﺷﻴﺎء‬ ‫ﺇﻧﺘﺮﻧﺖﺍﻷﺷﻴﺎء‬

‫ﺟﺎﻓﺎﺳﻜﺮﻳﺒﺖ ﺗﺪﻭﻳﻦ ﻛﺎﺋﻦ‬ ‫‪JSON‬‬

‫ﺃﻗﺮﺏﺍﻟﺠﻴﺮﺍﻥ‪K-‬‬ ‫ﻛﻲﺇﻥ ﺇﻥ‬

‫ﺍﻟﺬﺍﻛﺮﺓﺍﻟﻄﻮﻳﻠﺔ ﻭﻗﺼﻴﺮﺓ ﺍﻟﻤﺪﻯ‬ ‫‪LSTM‬‬

‫ﺍﻟﺘﻌﻠﻢﺍﻻﻟﻲ‬ ‫ﻣﻞ‬
‫ﻣﺘﻌﺪﺩﺍﻟﻄﺒﻘﺎﺕ ﺍﻟﻤﺴﺘﻘﺒﻼﺕ‬ ‫‪MLP‬‬
‫ﺳﺎﺫﺝﺑﺎﻳﺰ‬ ‫ﻣﻠﺤﻮﻇﺔ‪:‬‬

‫ﺗﺤﻠﻴﻞﺍﻟﻤﻜﻮﻧﺎﺕ ﺍﻟﺮﺋﻴﺴﻴﺔ‬ ‫‪PCA‬‬

‫‪13‬‬
 ‫ﻏﺎﺑﺔﻋﺸﻮﺍﺋﻴﺔ‬ ‫ﺍﻟﺘﺮﺩﺩﺍﺕﺍﻟﻼﺳﻠﻜﻴﺔ‬

‫ﺧﺼﺎﺋﺺﺍﻟﻤﺴﺘﻘﺒﻞ ﺍﻟﺘﺸﻐﻴﻠﻴﺔ‬ ‫ﺟﻤﻬﻮﺭﻳﺔﺍﻟﺼﻴﻦ‬

‫ﺍﻟﺸﺒﻜﺔﺍﻟﻌﺼﺒﻴﺔ ﺍﻟﻤﺘﻜﺮﺭﺓ‬ ‫‪RNN‬‬

‫ﺗﻘﻨﻴﺔﺍﻹﻓﺮﺍﻁ ﻓﻲ ﺃﺧﺬ ﺍﻟﻌﻴﻨﺎﺕ ﻟﻸﻗﻠﻴﺎﺕ ﺍﻻﺻﻄﻨﺎﻋﻴﺔ‬ ‫ﺿﺮﺑﺔ‬
‫ﺩﻋﻢﺷﺎﺣﻨﺎﺕ ﺍﻟﻨﻘﻞ‬ ‫‪SVM‬‬
‫ﺻﺤﻴﺢﺳﻠﺒﻲ‬ ‫ﺗﻴﻨﻴﺴﻲ‬

‫ﺍﻹﻳﺠﺎﺑﻴﺔﺍﻟﺤﻘﻴﻘﻴﺔ‬ ‫‪TP‬‬
‫ﻣﻌﺪﻝﺇﻳﺠﺎﺑﻲ ﺣﻘﻴﻘﻲ‬ ‫ﻧﻈﺎﻡﺍﻟﺤﻤﺎﻳﺔ ﺍﻟﻤﺆﻗﺖ‬

‫ﺗﻌﺰﻳﺰﺍﻟﺘﺪﺭﺝ ﺍﻟﻤﺪﻗﻊ‬ ‫‪XGBoost‬‬

‫‪14‬‬
 ‫ﻣﻘﺪﻣﺔ‬ ‫ﺍﻟﻔﺼﻞ‪:1‬‬
‫‪1.1‬ﻧﻈﺮﺓ ﻋﺎﻣﺔ ﻭﺧﻠﻔﻴﺔ‬

‫ﺇﻧﺘﺮﻧﺖﺍﻷﺷﻴﺎء )‪ (IoT‬ﻫﻮ ﺭﺑﻂ ﺍﻟﻌﻨﺎﺻﺮ ﺍﻟﻤﺘﺤﺮﻛﺔ ﻣﺎﺩﻳﺎً‬

‫ﻣﺰﺭﻭﻉﺑﺂﻟﺔ ﺫﻛﻴﺔ ﻭﺍﺳﺘﺸﻌﺎﺭ ﻭﻣﻌﺪﺍﺕ ﺃﺧﺮﻯ‬

‫ﻣﺘﺼﻞﺑﺎﻹﻧﺘﺮﻧﺖ ]‪ .[1‬ﻳﻘﻮﻡ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺑﺮﺑﻂ ﺍﻷﻧﻈﻤﺔ ﻭﺍﻟﺘﻄﺒﻴﻘﺎﺕ ﻭﺍﻟﺒﻴﺎﻧﺎﺕ‬

‫ﺍﻟﺘﺨﺰﻳﻦﻭﺍﻟﺨﺪﻣﺎﺕ‪ ،‬ﻭﺍﻟﺘﻲ ﻗﺪ ﺗﻮﻓﺮ ﻧﻘﻄﺔ ﺩﺧﻮﻝ ﺟﺪﻳﺪﺓ ﻟـ‬

‫ﺍﻟﻬﺠﻤﺎﺕﺍﻹﻟﻜﺘﺮﻭﻧﻴﺔ ﻷﻧﻬﺎ ﺗﻘﺪﻡ ﺑﺎﺳﺘﻤﺮﺍﺭ ﺍﻟﺨﺪﻣﺎﺕ ﺩﺍﺧﻞ ﺍﻟﻤﺆﺳﺴﺔ ]‪.[2‬‬

‫ﻋﻼﻭﺓﻋﻠﻰ ﺫﻟﻚ‪ ،‬ﻟﻠﺤﻔﺎﻅ ﻋﻠﻰ ﺃﻣﻦ ﺃﻧﻈﻤﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺑﺸﻜﻞ ﻣﺴﺘﻤﺮ‬

‫ﺍﻟﻤﺮﺍﻗﺒﺔﻭﺍﻟﺘﻘﻴﻴﻢ ﻣﻄﻠﻮﺑﺔ‪ .‬ﺍﻟﺘﻨﺒﺆ ﺑﺄﻧﻮﺍﻉ ﺍﻟﻬﺠﻤﺎﺕ ﻫﻮ‬

‫ﺿﺮﻭﺭﻱﻟﺘﺤﻠﻴﻞ ﺍﻟﺪﻓﺎﻉ ﻭﺗﺘﺒﻊ ﺃﺟﻬﺰﺓ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ]‪ .[3‬ﻫﺬﺍ‬

‫ﻳﺴﻤﺢﻟﻠﺘﻜﻴﻒ ﻣﻊ ﺍﻟﻈﺮﻭﻑ ﻏﻴﺮ ﺍﻟﻤﺘﻮﻗﻌﺔ‪ ،‬ﻭﺃﺧﺬ‬

‫ﺗﺪﺍﺑﻴﺮﺍﻟﺴﻼﻣﺔ‪ ،‬ﻭﺣﻤﺎﻳﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ‪ ،‬ﻭﺗﻮﻓﻴﺮ ﺍﻻﺳﺘﻘﺮﺍﺭ‪ ،‬ﻭ‬

‫ﺍﻟﺘﻘﻠﻴﻞﻣﻦ ﺍﻟﻤﺨﺎﻃﺮ ﺍﻟﻤﺨﺘﻠﻔﺔ‪ .‬ﺗﻘﻨﻴﺎﺕ ﺍﻟﺘﻨﺒﺆ ﺑﺎﻟﻬﺠﻮﻡ ﺍﻟﺤﺎﻟﻴﺔ ﻫﻲ‬

‫ﻏﻴﺮﻗﺎﺩﺭ ﻋﻠﻰ ﻣﻮﺍﻛﺒﺔ ﺍﻟﻌﺪﺩ ﺍﻟﻬﺎﺋﻞ ﻭﺍﻟﻤﺘﻨﻮﻉ ﻣﻦ ﺍﻟﻬﺠﻤﺎﺕ؛‬

‫ﻭﻟﺬﻟﻚ‪،‬ﻳﺒﻘﻰ ﻫﺬﺍ ﺗﺤﺪﻳﺎ ﻟﻠﺪﺭﺍﺳﺔ ﺍﻟﻤﺴﺘﻤﺮﺓ‪ .‬ﺑﺴﺒﺐ ﺻﻼﺣﻬﻢ‬

‫ﺍﻷﺩﺍءﻓﻲ ﻣﺠﻤﻮﻋﺔ ﻣﻦ ﺍﻟﻤﺠﺎﻻﺕ ﺍﻟﻘﺎﺋﻤﺔ ﻋﻠﻰ ﺍﻟﺘﻨﺒﺆ‪ ،‬ﻭﻗﺪ ﺗﻮﺻﻞ ﺍﻟﺒﺎﺣﺜﻮﻥ‬

‫ﺭﻛﺰﺕﻣﺆﺧﺮﺍً ﻋﻠﻰ ﻣﻨﻬﺠﻴﺎﺕ ﺗﻌﻠﻢ ﺍﻵﻟﺔ‪ ،‬ﻭﺧﺎﺻﺔ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ‬

‫ﺍﻟﺘﻘﻨﻴﺎﺕ]‪.[4‬‬

‫ﻓﻲﺳﻴﺎﻕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ ،‬ﻳﺘﻢ ﺍﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺎﺕ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ ﻣﺜﻞ ‪ ML‬ﻭ‪DL‬‬

‫ﻗﺪﺗﻮﻓﺮ ﺍﻟﺨﻮﺍﺭﺯﻣﻴﺎﺕ ﻃﺮﻳﻘﺔ ﻓﻌﺎﻟﺔ ﻟﻼﺳﺘﻔﺎﺩﺓ ﻣﻦ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻟﻠﺘﻨﺒﺆ‬

‫ﻭﺗﺤﺪﻳﺪﺍﻟﺘﻬﺪﻳﺪﺍﺕ ﺍﻟﻤﺤﺘﻤﻠﺔ ﻟﻸﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ]‪ .[5‬ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ‬

‫‪1‬‬
 ‫ﺗﺘﺰﺍﻳﺪﺷﻌﺒﻴﺔ ﻫﺬﺍ ﺍﻟﻨﻬﺞ ﻛﺎﺳﺘﺮﺍﺗﻴﺠﻴﺔ ﻟﺘﺤﺪﻳﺪ ﺍﻟﻬﺠﻤﺎﺕ ﺍﻟﺴﻴﺒﺮﺍﻧﻴﺔ‬

‫ﺑﺴﺮﻋﺔﺃﻛﺒﺮ ﻣﻦ ﺍﻟﻄﺮﻕ ﺍﻟﺴﺎﺑﻘﺔ‪ ،‬ﻣﻤﺎ ﻳﺘﻴﺢ ﺍﻟﻤﺰﻳﺪ ﻣﻦ ﺍﻟﻜﻔﺎءﺓ‬

‫ﺗﺨﻔﻴﻒ‪.‬ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻫﻮ ﻓﺌﺔ ﻓﺮﻋﻴﺔ ﻣﻦ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ ﺗﺮﻛﺰ ﻋﻠﻰ‬

‫ﻣﻌﺎﻟﺠﺔﺗﻄﺒﻴﻘﺎﺕ ﺁﻟﺔ ﺍﻟﺤﻮﺳﺒﺔ ﺍﻟﺘﻲ ﻳﻤﻜﻦ ﺍﻟﺘﻌﺮﻑ ﻋﻠﻴﻬﺎ‬

‫ﺃﻧﻤﺎﻁﻣﻌﻘﺪﺓ ﻭﻏﻴﺮ ﺧﻄﻴﺔ ﺛﻢ ﺍﻻﺳﺘﻔﺎﺩﺓ ﻣﻦ ﺗﻠﻚ ﺍﻷﻧﻤﺎﻁ ﻓﻲ ﺇﻧﺸﺎﺋﻬﺎ‬

‫ﺍﻟﺘﻨﺒﺆﺍﺕ]‪ .[6‬ﻓﻲ ﻋﺎﻟﻢ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ‪ ،‬ﺗﻮﺟﺪ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ‬

‫ﺃﺻﺒﺤﺖﺃﺩﺍﺓ ﺫﺍﺕ ﺷﻌﺒﻴﺔ ﻣﺘﺰﺍﻳﺪﺓ‪ ،‬ﻭﺳﺮﻋﺎﻥ ﻣﺎ ﺃﺻﺒﺤﺖ ﺃﺩﺍﺓ‬

‫ﻋﻨﺼﺮﺃﺳﺎﺳﻲ ﻓﻲ ﺍﺳﺘﺮﺍﺗﻴﺠﻴﺎﺕ ﺍﻟﺪﻓﺎﻉ ﺍﻟﻔﻌﺎﻟﺔ ﺿﺪ ﺍﻟﻀﺎﺭﺓ‬

‫ﺍﻻﻋﺘﺪﺍءﺍﺕ]‪ .[8] ،[7‬ﻳﻤﻜﻦ ﻟﻬﺬﻩ ﺍﻟﺘﻜﻨﻮﻟﻮﺟﻴﺎ ﺍﻛﺘﺸﺎﻑ ﻧﻄﺎﻕ ﻭﺍﺳﻊ ﻭﺍﻟﺮﺩ ﻋﻠﻴﻪ ﻭﻣﻨﻌﻪ‬

‫ﻣﺠﻤﻮﻋﺔﻣﺘﻨﻮﻋﺔ ﻣﻦ ﺍﻟﻬﺠﻤﺎﺕ ﺍﻟﺘﻲ ﻳﺘﻢ ﺷﻨﻬﺎ ﻋﻠﻰ ﺍﻟﻌﻨﺎﺻﺮ ﺍﻟﻤﺮﺗﺒﻄﺔ‪ ،‬ﻣﺜﻞ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫]‪ .[9‬ﻧﻈﺮﺍً ﻷﻥ ﺃﺟﻬﺰﺓ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺃﺻﺒﺤﺖ ﺃﻛﺜﺮ ﺍﺗﺼﺎﻻ ًﺑﺎﻟﺸﺒﻜﺔ‪ ،‬ﻓﻘﺪ ﺯﺍﺩﺕ ﺍﺣﺘﻤﺎﻟﻴﺔ ﺍﻻﺧﺘﺮﺍﻕ‬

‫ﻳﺰﻳﺪ‪.‬ﻳﻤﻜﻦ ﺗﻄﺒﻴﻖ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻟﻠﻤﺴﺎﻋﺪﺓ ﻓﻲ ﺍﻛﺘﺸﺎﻑ ﺍﻷﺷﻴﺎء ﺍﻟﻀﺎﺭﺓ‬

‫ﺍﻻﻋﺘﺪﺍءﺍﺕﻋﻠﻰ ﺍﻷﺟﻬﺰﺓ ﺍﻟﻤﺘﺼﻠﺔ‪ ،‬ﻭﺍﻟﺘﺨﻔﻴﻒ ﻣﻦ ﻫﺬﻩ ﺍﻟﻤﺨﺎﻃﺮ‪ ،‬ﻭ‬

‫ﺍﻟﻮﻗﺎﻳﺔﺍﻻﺳﺘﺒﺎﻗﻴﺔ ﻣﻦ ﺍﻟﻬﺠﻤﺎﺕ ﺍﻟﻤﺴﺘﻘﺒﻠﻴﺔ‪.‬‬

‫‪1.2‬ﺍﻟﺪﺍﻓﻊ‬

‫ﺍﻟﺪﺍﻓﻊﺍﻷﺳﺎﺳﻲ ﻟﻬﺬﻩ ﺍﻟﻤﻬﻤﺔ ﻫﻮ ﺗﻄﻮﻳﺮ ﺃﻛﺜﺮ ﻛﻔﺎءﺓ‬

‫ﻧﻤﻮﺫﺝﻟﻸﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻗﺎﺩﺭ ﻋﻠﻰ ﺗﺄﻣﻴﻦ ﺷﺒﻜﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺑﻨﺎء ًﻋﻠﻰ ﺗﻘﻨﻴﺎﺕ ‪DL‬‬

‫ﻟﺘﻮﻗﻊﺃﻧﻮﺍﻉ ﻣﺨﺘﻠﻔﺔ ﻣﻦ ﺍﻟﺘﻬﺪﻳﺪﺍﺕ‪ .‬ﻭﻳﻨﻄﻮﻱ ﻫﺬﺍ ﺍﻟﻤﻔﻬﻮﻡ ﻋﻠﻰ‬

‫ﻧﺸﺎﻁﺑﻨﺎء ﺣﻞ ﺃﻣﻨﻲ ﺁﻟﻲ ﻳﺘﻨﺒﺄ ﺑﻤﺨﺘﻠﻒ‬

‫ﺃﻧﻮﺍﻉﺍﻟﻬﺠﻤﺎﺕ‪ .‬ﺳﻴﺘﻢ ﺗﻘﻴﻴﻢ ﻫﺬﺍ ﺍﻟﻨﻤﻮﺫﺝ ﺑﺎﺳﺘﺨﺪﺍﻡ ﻣﺼﺪﺭ ﻣﻔﺘﻮﺡ‬

‫ﻣﺠﻤﻮﻋﺔﺑﻴﺎﻧﺎﺕ ﺗﺤﺘﻮﻱ ﻋﻠﻰ ﺍﻟﻌﺪﻳﺪ ﻣﻦ ﺃﻧﻤﺎﻁ ﺍﻟﻬﺠﻮﻡ ﺍﻟﺨﺎﺻﺔ ﺑﺈﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺑﺎﺳﺘﺨﺪﺍﻡ ﻣﺨﺘﻠﻒ‬

‫‪2‬‬
 ‫ﺗﺪﺍﺑﻴﺮﺍﻟﻤﻘﺎﻳﻴﺲ‪ .‬ﻭﺳﺘﻮﻓﺮ ﻧﺘﻴﺠﺔ ﻫﺬﺍ ﺍﻟﺠﻬﺪ ﺍﻟﻀﻮء ﻋﻠﻰ‬

‫ﺟﺪﻭﻯﺗﻮﻇﻴﻒ ﺗﻘﻨﻴﺎﺕ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻟﻠﺘﻮﻗﻊ ﻭ‬

‫ﺍﻟﺤﺪﻣﻦ ﺍﻟﻤﺨﺎﻃﺮ ﺍﻟﺴﻴﺒﺮﺍﻧﻴﺔ ﺍﻟﻤﺤﺘﻤﻠﺔ ﻋﻠﻰ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪.‬‬

‫ﺗﻘﺘﺮﺡﻫﺬﻩ ﺍﻟﻤﻨﻬﺠﻴﺔ ﺍﺳﺘﺨﺪﺍﻡ ﺗﻘﻨﻴﺎﺕ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ ﻣﻦ ﺃﺟﻞ‬

‫ﺗﺤﻠﻴﻞﻛﻤﻴﺎﺕ ﻫﺎﺋﻠﺔ ﻣﻦ ﺍﻟﻤﻌﻠﻮﻣﺎﺕ ﻭﺍﻟﻜﺸﻒ ﻋﻦ ﺍﻷﻧﻤﺎﻁ ﺍﻟﺘﻲ‬

‫ﺍﻟﻤﻨﺴﻮﺑﺔﺇﻟﻰ ﺍﻟﻬﺠﻤﺎﺕ ﺍﻟﺴﻴﺒﺮﺍﻧﻴﺔ‪ .‬ﺑﻌﺾ ﻫﺬﻩ ﺍﻟﺘﻘﻨﻴﺎﺕ ﺗﺸﻤﻞ [‪،LSTM ]10‬‬

‫ﻃﺮﻕﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ ‪ANNs ]13[.‬ﻭ ‪RNN ]11[، MLP ]12[،‬‬

‫ﺗﻢﺗﺪﺭﻳﺴﻬﺎ ﻋﻠﻰ ﻣﺠﻤﻮﻋﺔ ﻣﻦ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺍﻟﺮﺻﺪﻳﺔ‪ ،‬ﻭﻧﺘﻴﺠﺔ ﻟﺬﻟﻚ‪،‬‬

‫ﻓﻬﻢﻗﺎﺩﺭﻭﻥ ﻋﻠﻰ ﺗﺤﺪﻳﺪ ﺍﻟﺘﻐﻴﻴﺮﺍﺕ ﻓﻲ ﺍﻟﺴﻠﻮﻙ ﺍﻟﻤﺮﺗﺒﻄﺔ ﺑﻬﺎ‬

‫ﺍﻷﻧﺸﻄﺔﺍﻟﻀﺎﺭﺓ‪ .‬ﻭﺑﺎﻹﺿﺎﻓﺔ ﺇﻟﻰ ﺫﻟﻚ‪ ،‬ﻓﺈﻧﻪ ﻳﻤﻜﻦ ﺍﻟﺤﺼﻮﻝ ﻋﻠﻰ ﻓﻬﻢ‬

‫ﻣﺼﺎﺩﺭﺍﻟﺒﻴﺎﻧﺎﺕ ﺍﻟﺘﻲ ﺗﺴﺘﺨﺪﻣﻬﺎ ﻭﺗﺴﺘﺨﺪﻡ ﻫﺬﺍ ﺍﻟﻔﻬﻢ ﻟﺘﺼﻨﻴﻒ ﻭ‬

‫ﺍﻟﺘﻨﺒﺆﺑﺎﻷﺣﺪﺍﺙ ﺍﻟﻘﺎﺩﻣﺔ‪ .‬ﻳﻤﻜﻦ ﺍﺳﺘﺨﺪﺍﻡ ﻫﺬﻩ ﺍﻟﺘﻘﻨﻴﺔ ﻻﻛﺘﺸﺎﻑ‬

‫ﺍﻟﻤﺨﺎﻟﻔﺎﺕﻓﻲ ﺣﺮﻛﺔ ﻣﺮﻭﺭ ﺍﻟﺸﺒﻜﺔ ﻭﻛﺬﻟﻚ ﺍﻛﺘﺸﺎﻑ ﺍﻷﺷﻜﺎﻝ ﺍﻟﻤﻌﺘﺮﻑ ﺑﻬﺎ‬

‫ﺍﻻﻋﺘﺪﺍءﺍﺕ‪.‬ﻳﻤﻜﻦ ﻟﻸﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﺃﻥ ﻳﻔﺼﻞ ﺑﻴﻦ ﺍﻟﻌﺎﺩﻱ ﻭﺍﻟﻀﺎﺭ‬

‫ﺍﻟﻨﺸﺎﻁ‪،‬ﻭﺗﻘﻠﻴﻞ ﻋﺪﺩ ﺍﻟﻨﺘﺎﺋﺞ ﺍﻹﻳﺠﺎﺑﻴﺔ ﺍﻟﻜﺎﺫﺑﺔ‪ ،‬ﻭﺗﻤﻜﻴﻦ ﺍﺗﺨﺎﺫ ﺍﻟﻘﺮﺍﺭ‪-‬‬

‫ﺻﻨﻊﺫﻟﻚ ﻳﻌﺘﻤﺪ ﻋﻠﻰ ﺍﻟﻤﺨﺎﻃﺮﺓ‪.‬‬

‫‪3‬‬
 ‫‪1.3‬ﺑﻴﺎﻥ ﺍﻟﻤﺸﻜﻠﺔ‬

‫ﺃﺩﺕﺍﻟﺰﻳﺎﺩﺓ ﺍﻟﻮﺍﺳﻌﺔ ﻓﻲ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺇﻟﻰ ﻇﻬﻮﺭ ﻗﺪﺭ ﻛﺒﻴﺮ ﻣﻦ ﺍﻷﻣﺎﻥ‬

‫ﺍﻟﻤﺨﺎﻭﻑﺍﻟﻤﺘﻌﻠﻘﺔ ﺑﺎﻷﺟﻬﺰﺓ ﺍﻟﻤﺘﺮﺍﺑﻄﺔ‪ .‬ﻫﺠﻤﺎﺕ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ‬

‫ﺿﺪﺃﻧﻈﻤﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺗﺸﻜﻞ ﻣﺨﺎﻃﺮ ﺟﺴﻴﻤﺔ‪ ،‬ﻣﺜﻞ ﺍﻟﻮﺻﻮﻝ ﻏﻴﺮ ﺍﻟﻤﺼﺮﺡ ﺑﻪ‪،‬‬

‫ﻓﺸﻞﺍﻟﺒﻴﺎﻧﺎﺕ‪ ،‬ﻭﺍﻧﻘﻄﺎﻉ ﺍﻟﺨﺪﻣﺔ‪ .‬ﻋﻠﻰ ﺍﻟﺮﻏﻢ ﻣﻦ ﻛﺜﺮﺓ‬

‫ﺗﻢﺗﻄﻮﻳﺮ ﺣﻠﻮﻝ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻭﺗﺤﺪﻳﺪﻫﺎ ﻭﺍﻟﺘﻨﺒﺆ ﺑﻬﺎ‬

‫ﻭﺗﻈﻞﻫﺬﻩ ﺍﻟﻬﺠﻤﺎﺕ ﺻﻌﺒﺔ ﺑﺴﺒﺐ ﺍﻟﺘﻐﻴﺮ ﻭﺍﻟﻮﺟﻮﺩ ﺍﻟﻤﻌﻘﺪ‬

‫ﺑﻴﺌﺎﺕﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪.‬‬

‫ﻭﻟﻤﻌﺎﻟﺠﺔﻫﺬﻩ ﺍﻟﻤﺸﻜﻠﺔ‪ ،‬ﻫﻨﺎﻙ ﻣﻨﻬﺠﻴﺔ ﻓﻌﺎﻟﺔ ﻭﻗﻮﻳﺔ ﻗﺎﺩﺭﺓ ﻋﻠﻰ‬

‫ﺃﺻﺒﺢﺍﻟﺘﻨﺒﺆ ﺑﺪﻗﺔ ﺑﻬﺠﻤﺎﺕ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻋﻠﻰ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺃﻣﺮﺍً ﻣﻠﺤﺎً‬

‫ﻣﻄﻠﻮﺏ‪.‬ﻟﻘﺪ ﺗﻢ ﺍﺳﺘﺨﺪﺍﻡ ﻣﺼﻨﻔﺎﺕ ‪ ML‬ﺍﻟﻔﺮﺩﻳﺔ ﻟﻬﺬﺍ ﺍﻟﻬﺪﻑ‪ ،‬ﻭﻟﻜﻦ‬

‫ﻏﺎﻟﺒﺎًﻣﺎ ﻳﻜﻮﻥ ﺍﻷﺩﺍء ﻣﻘﻴﺪﺍً ﺑﻌﻮﺍﻣﻞ ﺗﺸﻤﻞ ﻣﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ‬

‫ﺍﻟﺨﺼﺎﺋﺺﻭﺍﻟﻀﻮﺿﺎء ﻭﺍﻟﺘﺤﻴﺰﺍﺕ ﺍﻟﻨﻤﻮﺫﺟﻴﺔ‪ .‬ﻭﻧﺘﻴﺠﺔ ﻟﺬﻟﻚ‪ ،‬ﻫﻨﺎﻙ‬

‫ﺯﻳﺎﺩﺓﺍﻟﺠﻬﺪ ﺑﻴﻦ ﺍﻟﺒﺎﺣﺜﻴﻦ ﻓﻲ ﺗﻘﻨﻴﺎﺕ ﺍﻟﺘﻌﻠﻢ ﺍﻟﺠﻤﺎﻋﻲ‬

‫ﻃﺮﻳﻘﺔﻣﺤﺘﻤﻠﺔ ﻟﺘﻌﺰﻳﺰ ﺍﻟﺪﻗﺔ ﻭﺍﻻﻋﺘﻤﺎﺩﻳﺔ‬

‫ﺗﺤﺪﻳﺪﻫﺠﻤﺎﺕ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻓﻲ ﺃﻧﻈﻤﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪.‬‬

‫ﺍﻟﻐﺮﺽﺍﻟﺮﺋﻴﺴﻲ ﻣﻦ ﺍﻷﻃﺮﻭﺣﺔ ﻫﻮ ﺗﺼﻤﻴﻢ ﻭﺗﻘﻴﻴﻢ‬

‫ﺍﻟﺘﻌﻠﻢﺍﻟﺠﻤﺎﻋﻲ ﻭﻣﻨﻬﺠﻴﺔ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻟﻠﺘﻨﺒﺆ‬

‫ﻫﺠﻤﺎﺕﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻋﻠﻰ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ .‬ﺗﺒﺤﺚ ﻫﺬﻩ ﺍﻟﺪﺭﺍﺳﺔ ﻓﻲ ﻓﻌﺎﻟﻴﺔ‬

‫ﺩﻣﺞﺧﻮﺍﺭﺯﻣﻴﺎﺕ ﺗﻌﻠﻢ ﺍﻵﻟﺔ ﻭﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﺍﻟﻤﺘﻌﺪﺩﺓ ﻟﺘﻄﻮﻳﺮ ﻧﻤﻮﺫﺝ‬

‫ﻗﺎﺩﺭﻋﻠﻰ ﺍﻟﺘﻌﺮﻑ ﻋﻠﻰ ﻣﺠﻤﻮﻋﺔ ﻣﺘﻨﻮﻋﺔ ﻣﻦ ﺃﻧﻮﺍﻉ ﺍﻟﻬﺠﻤﺎﺕ ﻓﻲ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻭﺗﺼﻨﻴﻔﻬﺎ‬

‫‪4‬‬
 ‫ﺍﻟﺒﻴﺌﺎﺕ‪.‬ﺑﺎﻹﺿﺎﻓﺔ ﺇﻟﻰ ﺫﻟﻚ‪ ،‬ﺳﻮﻑ ﻳﺒﺤﺚ ﺍﻟﺒﺤﺚ ﻓﻲ ﺍﻟﺘﻜﺎﻣﻞ‬

‫ﺃﺳﺎﻟﻴﺐﻫﻨﺪﺳﺔ ﺍﻟﻤﻴﺰﺍﺕ ﺍﻟﻤﺘﻨﻮﻋﺔ ﻭﺗﻘﻨﻴﺎﺕ ﺍﻟﻤﻌﺎﻟﺠﺔ ﺍﻟﻤﺴﺒﻘﺔ ﻟﻠﺒﻴﺎﻧﺎﺕ‬

‫ﻟﺘﻌﺰﻳﺰﺃﺩﺍء ﻧﻤﻮﺫﺝ ﺍﻟﻤﺠﻤﻮﻋﺔ ﻭﻗﺎﺑﻠﻴﺘﻪ ﻟﻠﺘﻌﻤﻴﻢ‪.‬‬

‫ﻫﻨﺎﻙﺍﻟﻌﺪﻳﺪ ﻣﻦ ﺍﻷﺳﺌﻠﺔ ﺍﻟﺒﺤﺜﻴﺔ ﻟﻬﺬﻩ ﺍﻟﺮﺳﺎﻟﺔ‪ :‬ﻣﻘﺘﺮﺣﺎﺕ ﻣﺜﻞ‪:‬‬

‫● ﻛﻴﻒﻳﻤﻜﻦ ﻟﻠﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﺃﻥ ﻳﺒﻨﻲ ﻧﻤﻮﺫﺟﺎً ﺃﻣﻨﻴﺎً ﻓﻌﺎﻻ؟ً‬

‫ﻣﺼﻤﻤﺔﺧﺼﻴﺼﺎً ﻟﺘﺤﺪﻳﺪ ﺍﻟﻬﺠﻤﺎﺕ ﺍﻟﺴﻴﺒﺮﺍﻧﻴﺔ ﺍﻟﻤﺴﺘﻘﺒﻠﻴﺔ ﻋﻠﻰ ﺷﺒﻜﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء؟‬

‫● ﻛﻴﻒﻳﻤﻜﻦ ﺗﻮﻓﻴﺮ ﺗﻘﻨﻴﺎﺕ ﺍﻟﻬﻨﺪﺳﺔ ﺍﻟﻤﻤﻴﺰﺓ ﺍﻟﺘﻲ ﻳﻤﻜﻦ ﺍﺳﺘﺨﺪﺍﻣﻬﺎ ﻟﺘﺤﺪﻳﺪ‬

‫ﺍﻟﻬﺠﻤﺎﺕﺍﻟﺴﻴﺒﺮﺍﻧﻴﺔ ﻭﺍﻟﺤﺪ ﻣﻦ ﺍﻟﺘﺤﺪﻳﺎﺕ ﺍﻟﻨﻤﻮﺫﺟﻴﺔ؟‬

‫● ﻟﻤﺎﺫﺍﻳﻌﺪ ﻧﻤﻮﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻗﻮﻳﺎً ﻓﻲ ﻧﺘﺎﺋﺞ ﺍﻟﻜﺸﻒ ﻋﻦ ﺍﻟﺘﻬﺪﻳﺪﺍﺕ‬

‫ﻋﺒﺮﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺑﺪﻻ ًﻣﻦ ﺍﺳﺘﺨﺪﺍﻡ ﻧﻤﻮﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ؟‬

‫● ﻣﺎﻫﻲ ﺃﻓﻀﻞ ﺍﻟﻄﺮﻕ ﻻﺳﺘﺨﺪﺍﻡ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ ﻓﻲ ﺍﻟﻔﻀﺎء ﺍﻹﻟﻜﺘﺮﻭﻧﻲ؟‬

‫ﻧﻤﻮﺫﺝﺍﻷﻣﺎﻥ ﻟﺸﺒﻜﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء؟‬

‫● ﻛﻴﻒﻳﻤﻜﻦ ﺗﻮﻓﻴﺮ ﻧﻤﻮﺫﺝ ﺣﺴﺎﺳﻴﺔ ﻓﻲ ﺍﻟﻮﻗﺖ ﺍﻟﻔﻌﻠﻲ ﻳﻌﺘﻤﺪ ﻋﻠﻰ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ‬

‫ﺷﺒﻜﺔﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻭﺗﺘﻌﺎﻣﻞ ﻣﻊ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺍﻟﻜﺒﻴﺮﺓ؟‬

‫● ﻛﻴﻔﻴﺔﺍﻟﺘﻌﺎﻣﻞ ﻣﻊ ﺗﺤﺪﻳﺎﺕ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻣﺜﻞ ﺍﻟﻤﻔﻘﻮﺩﻳﻦ ﻭﻋﺪﻡ ﺍﻟﺘﻮﺍﺯﻥ‬

‫ﻹﻧﺸﺎءﺣﻞ ﻟﻸﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻻﻛﺘﺸﺎﻑ ﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫ﺍﻟﺘﻬﺪﻳﺪﺍﺕ؟‬

‫● ﻛﻴﻒﻳﻤﻜﻦ ﺍﺳﺘﺨﺪﺍﻡ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ‪ ،‬ﻣﺜﻞ ‪ ،RNNs‬ﺑﺸﻜﻞ ﻓﻌﺎﻝ‬

‫ﻛﻤﺼﻨﻔﺎﺕﻟﻠﺘﻨﺒﺆ ﺑﻬﺠﻤﺎﺕ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻓﻲ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫ﺍﻟﺒﻴﺌﺎﺕ؟‬

‫‪5‬‬
 ‫● ﻣﺎﻫﻲ ﺗﻘﻨﻴﺎﺕ ﺍﻟﺘﻌﻠﻢ ﺍﻟﺠﻤﺎﻋﻲ ﺍﻟﺘﻲ ﻳﻤﻜﻦ ﺍﺳﺘﺨﺪﺍﻣﻬﺎ ﻟﻠﺠﻤﻊ‬

‫ﺍﻟﻘﺪﺭﺍﺕﺍﻟﺘﻨﺒﺆﻳﺔ ﻟﻨﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﺍﻟﻤﺘﻌﺪﺩﺓ‬

‫ﺗﺤﺴﻴﻦﻗﻮﺓ ﺍﻟﻜﺸﻒ ﻋﻦ ﻫﺠﻤﺎﺕ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻋﻠﻰ‬

‫ﺇﻧﺘﺮﻧﺖﺍﻷﺷﻴﺎء؟‬

‫● ﻣﺎﻫﻲ ﺍﻟﻘﻴﻮﺩ ﺍﻟﺘﻲ ﻳﻔﺮﺿﻬﺎ ﻋﺪﻡ ﺍﻟﺘﻮﺍﺯﻥ ﺍﻟﻄﺒﻘﻲ ﻓﻲ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء؟‬

‫ﻣﺠﻤﻮﻋﺎﺕﺑﻴﺎﻧﺎﺕ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ‪ ،‬ﻭﻛﻴﻒ ﻳﻤﻜﻦ ﺗﻄﺒﻴﻖ ﺗﻘﻨﻴﺔ ‪SMOTE‬‬

‫ﻟﻤﻮﺍﺟﻬﺔﻫﺬﻩ ﺍﻟﺘﺤﺪﻳﺎﺕ ﻭﺗﺤﺴﻴﻦ ﻓﻌﺎﻟﻴﺔ ﺗﻌﻠﻢ ﺍﻵﻟﺔ‪،‬‬

‫ﻭﻧﻤﺎﺫﺝﺍﻟﺘﻌﻠﻢ ﺍﻟﻔﺮﻗﺔ؟ ‪DL،‬‬

‫‪1.4‬ﺃﻫﺪﺍﻑ ﺍﻟﺒﺤﺚ‬

‫ﺍﻟﻬﺪﻑﺍﻟﺮﺋﻴﺴﻲ ﻣﻦ ﻫﺬﻩ ﺍﻷﻃﺮﻭﺣﺔ ﻫﻮ ﺑﻨﺎء ﻧﻤﻮﺫﺝ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻋﻠﻰ ﺃﺳﺎﺱ‬

‫ﺗﻘﻨﻴﺎﺕ‪ ML‬ﻭ‪ DL‬ﺍﻟﻤﺨﺘﻠﻔﺔ ﻗﺎﺩﺭﺓ ﻋﻠﻰ ﺍﻛﺘﺸﺎﻑ ﺍﻟﻌﺪﻳﺪ ﻣﻦ ﺃﻧﻮﺍﻉ ﺍﻟﻬﺠﻤﺎﺕ ﺍﻟﺘﻲ‬

‫ﺗﺤﺪﺙﻣﻦ ﻣﻴﺰﺍﺗﻬﺎ ﺍﻟﺘﻲ ﺗﻈﻬﺮﻫﺎ ﻣﻦ ﺗﺪﻓﻖ ﺍﻟﺒﻴﺎﻧﺎﺕ‬

‫ﻣﺤﺎﻭﻟﺔﺍﻟﻮﺻﻮﻝ ﺇﻟﻰ ﺷﺒﻜﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪.‬‬

‫ﺑﻌﺪﺗﺤﺪﻳﺪ ﻫﺬﻩ ﺍﻷﻧﻤﺎﻁ ﻭﻫﺬﻩ ﺍﻟﻤﻴﺰﺍﺕ‪ ،‬ﻓﺈﻥ ﺍﻟﺨﻄﻮﺓ ﺍﻟﺘﺎﻟﻴﺔ ﻫﻲ ﺍﻟﺘﻄﻮﻳﺮ‬

‫ﻧﻤﻮﺫﺝﻣﻨﺎﺳﺐ ﻟﻠﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻳﻌﺘﻤﺪ ﻋﻠﻰ ﺍﻟﺨﻮﺍﺭﺯﻣﻴﺎﺕ ﺍﻟﺴﺎﺑﻘﺔ ﻟﻠﻜﺸﻒ‬

‫ﻭﺍﻟﺮﺩﻋﻠﻰ ﻫﺬﺍ ﺍﻟﻨﺸﺎﻁ‪ .‬ﺗﺴﺘﺨﺪﻡ ﻫﺬﻩ ﺍﻟﻨﻤﺎﺫﺝ ﺷﺒﻜﺎﺕ ﻋﺼﺒﻴﺔ ﻋﻤﻴﻘﺔ‬

‫ﺍﻟﺘﻲﻳﻤﻜﻦ ﺗﺪﺭﻳﺒﻬﺎ ﻋﻠﻰ ﺍﻛﺘﺸﺎﻑ ﺃﻧﻮﺍﻉ ﻣﺨﺘﻠﻔﺔ ﻣﻦ ﺍﻟﻬﺠﻤﺎﺕ ﺍﻹﻟﻜﺘﺮﻭﻧﻴﺔ‪ .‬ﺑﺎﻹﺿﺎﻓﺔ ﺇﻟﻰ ﺫﻟﻚ‪،‬‬

‫ﺍﻟﻨﻤﻮﺫﺝﺍﻟﻤﻘﺘﺮﺡ ﻳﻤﻜﻦ ﺃﻥ ﻳﻜﻮﻥ ﻗﺎﺩﺭﺍ ﻋﻠﻰ ﺍﻟﺘﻌﻠﻢ ﻣﻦ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺍﻟﺴﺎﺑﻘﺔ ﻟﺘﻌﺰﻳﺰﻩ‬

‫ﺍﻷﺩﺍءﻣﻊ ﻣﺮﻭﺭ ﺍﻟﻮﻗﺖ‪ .‬ﻭﺑﺎﻹﺿﺎﻓﺔ ﺇﻟﻰ ﺫﻟﻚ‪ ،‬ﻓﺈﻥ ﺍﻟﻨﻤﻮﺫﺝ ﻗﺎﺩﺭ ﻋﻠﻰ ﺍﻟﺘﻌﻠﻢ ﻣﻨﻪ‬

‫ﺍﻟﺨﺒﺮﺓﻭﺗﻘﺪﻳﻢ ﺍﻟﻤﻼﺣﻈﺎﺕ ﻟﻠﻨﻈﺎﻡ ﻟﻤﻨﻊ ﺍﻻﻋﺘﺪﺍءﺍﺕ ﺍﻟﻤﺴﺘﻘﺒﻠﻴﺔ‪.‬‬

‫‪6‬‬
 ‫‪1.5‬ﻣﺴﺎﻫﻤﺔ ﺍﻷﻃﺮﻭﺣﺔ ﻓﻲ ﺍﻟﻤﺠﺎﻝ ‪ /‬ﺃﻫﻤﻴﺔ ﻭ ‪ /‬ﺃﻭ ﺗﺄﺛﻴﺮ‬

‫ﺍﻟﺒﺤﺚ‬

‫ﺗﺮﻛﺰﺍﻟﺪﺭﺍﺳﺔ ﺍﻟﻤﻘﺘﺮﺣﺔ ﻋﻠﻰ ﺍﺳﺘﺨﺪﺍﻡ ‪ DL‬ﻭﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻤﺠﻤﻌﺔ‬

‫ﻟﻠﻜﺸﻒﻋﻦ ﻫﺠﻤﺎﺕ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻋﻠﻰ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء )‪ (IoT‬ﺑﺎﺳﺘﺨﺪﺍﻡ‬

‫ﺗﻨﻔﻴﺬ‪ SMOTE‬ﻟﺪﻳﻪ ﺍﻟﻘﺪﺭﺓ ﻋﻠﻰ ﺇﻧﺘﺎﺝ ﻋﺪﺩ ﻛﺒﻴﺮ ﻣﻦ ﺍﻷﺷﻴﺎء‬

‫ﻧﺘﺎﺋﺞ‪.‬‬

‫ﺍﻟﻬﺪﻑﺍﻷﺳﺎﺳﻲ ﻣﻦ ﺍﻟﺒﺤﺚ ﻫﻮ ﺗﺤﺴﻴﻦ ﺍﻟﺪﻗﺔ ﻭﺍﻟﺜﻘﺔ‬

‫ﺍﻛﺘﺸﺎﻑﻫﺠﻤﺎﺕ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻓﻲ ﺑﻴﺌﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ .‬ﻣﻦ ﺧﻼﻝ ﺍﺳﺘﻐﻼﻝ‬

‫ﺍﻟﻘﺪﺭﺍﺕﺍﻟﺘﻨﺒﺆﻳﺔ ﻟﻨﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻭﺍﻟﺘﻌﻠﻢ ﺍﻟﺠﻤﺎﻋﻲ‬

‫ﻭﻣﻦﺍﻟﻤﺘﻮﻗﻊ ﺃﻥ ﺗﻨﺘﺞ ﺍﻟﻤﻨﻬﺠﻴﺔ ﺍﻟﻤﻄﻮﺭﺓ ﺍﻟﻤﺰﻳﺪ‬

‫ﺗﻮﻗﻌﺎﺕﺩﻗﻴﻘﺔ ﻭﻗﻮﻳﺔ‪ .‬ﻫﺬﺍ ﺍﻻﺑﺘﻜﺎﺭ ﻳﻤﻜﻦ ﺃﻥ ﻳﺴﺎﻫﻢ ﺑﺸﻜﻞ ﻛﺒﻴﺮ ﻓﻲ‬

‫ﺗﺤﺴﻴﻦﺃﻣﺎﻥ ﻧﻈﺎﻡ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ ،‬ﻭﻣﻨﻊ ﺍﻟﻮﺻﻮﻝ ﻏﻴﺮ ﺍﻟﻤﺼﺮﺡ ﺑﻪ ﺇﻟﻰ ﺍﻟﺒﻴﺎﻧﺎﺕ‬

‫ﺍﻟﺨﺮﻭﻗﺎﺕﻭﺍﻧﻘﻄﺎﻉ ﺍﻟﺨﺪﻣﺔ‪.‬‬

‫ﺛﺎﻧﻴﺎ‪ً:‬ﻳﻬﺪﻑ ﺍﻟﺒﺤﺚ ﺇﻟﻰ ﺗﻌﺰﻳﺰ ﻗﺪﺭﺍﺕ ﺍﻟﺘﻌﻤﻴﻢ‬

‫ﻧﻤﺎﺫﺝﻣﻄﻮﺭﺓ ﻣﻦ ﺧﻼﻝ ﻣﻌﺎﻟﺠﺔ ﻣﺸﻜﻼﺕ ﻋﺪﻡ ﺍﻟﺘﻮﺍﺯﻥ ﺍﻟﻄﺒﻘﻲ ﺍﻟﺘﻲ ﻳﺘﻢ ﻣﻼﺣﻈﺘﻬﺎ ﺑﺸﻜﻞ ﺷﺎﺋﻊ‬

‫ﻓﻲﻣﺠﻤﻮﻋﺎﺕ ﺑﻴﺎﻧﺎﺕ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻣﻦ ﺧﻼﻝ ﺗﻄﺒﻴﻖ ‪ .SMOTE‬ﺍﻟﺘﻔﺎﻭﺕ ﺍﻟﻄﺒﻘﻲ‬

‫ﻛﺜﻴﺮﺍﻣﺎ ﻳﻌﻴﻖ ﺗﻨﻔﻴﺬ ﺧﻮﺍﺭﺯﻣﻴﺎﺕ ﺗﻌﻠﻢ ﺍﻵﻟﺔ‪ ،‬ﻣﻤﺎ ﻳﺆﺩﻱ ﺇﻟﻰ ﺍﻻﻧﺤﻴﺎﺯ‬

‫ﺍﻟﺘﻨﺒﺆﺍﺕ‪.‬ﺩﻣﺞ ‪ ،SMOTE‬ﻭﻫﻲ ﺗﻘﻨﻴﺔ ﻣﺴﺘﺨﺪﻣﺔ ﻋﻠﻰ ﻧﻄﺎﻕ ﻭﺍﺳﻊ‬

‫ﻳﺴﻌﻰﺗﺠﻤﻴﻊ ﻋﻴﻨﺎﺕ ﻓﺌﺔ ﺍﻷﻗﻠﻴﺔ ﺇﻟﻰ ﺗﺼﺤﻴﺢ ﻫﺬﺍ ﺍﻟﺘﻔﺎﻭﺕ ﻭﺗﻤﻜﻴﻨﻪ‬

‫ﺍﻟﻨﻤﺎﺫﺝﻟﻠﻜﺸﻒ ﻋﻦ ﺍﻟﻬﺠﻤﺎﺕ ﻭﺍﻟﺘﻨﺒﺆ ﺑﻬﺎ ﻋﺒﺮ ﺟﻤﻴﻊ ﺍﻟﻔﺌﺎﺕ ﺑﺸﻜﻞ ﺃﻛﺜﺮ ﺩﻗﺔ‪ .‬ﻫﺬﺍ‬

‫‪7‬‬
 ‫ﻭﻣﻦﺍﻟﻤﺘﻮﻗﻊ ﺃﻥ ﻳﺆﺩﻱ ﺟﺎﻧﺐ ﺍﻟﺒﺤﺚ ﺇﻟﻰ ﺇﻧﺘﺎﺝ ﺃﻛﺜﺮ ﺩﻗﺔ ﻭﺇﻧﺼﺎﻓﺎً‬

‫ﺗﻮﻗﻌﺎﺕﻟﺠﻤﻴﻊ ﺃﺷﻜﺎﻝ ﺍﻟﻬﺠﻤﺎﺕ ﺍﻹﻟﻜﺘﺮﻭﻧﻴﺔ ﻓﻲ ﺑﻴﺌﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪.‬‬

‫ﺑﺎﻹﺿﺎﻓﺔﺇﻟﻰ ﺫﻟﻚ‪ ،‬ﻓﺈﻥ ﻧﺘﺎﺋﺞ ﺍﻟﺒﺤﺚ ﺳﺘﺠﻠﺐ ﻓﻬﻤﺎً ﻟﻸﻓﻀﻞ‬

‫ﺗﻄﺒﻴﻖﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ‪ DL‬ﻭﺍﻟﻤﺠﻤﻮﻋﺔ ﻛﻬﺠﻮﻡ ﻟﻸﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ‬

‫ﻣﺼﻨﻔﺎﺕﺍﻟﺘﻨﺒﺆ ﻭﻫﺬﺍ ﺍﻟﺠﻬﺪ ﺳﻴﺠﻠﺐ ﺍﻟﻤﻌﺮﻓﺔ ﻓﻲ ﻣﺠﺎﻻﺕ‬

‫ﺍﻷﻣﻦﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻭﺃﻣﻦ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻣﻦ ﺧﻼﻝ ﺍﻟﺘﺤﻘﻴﻖ ﻓﻲ ﺃﺩﺍء ﻭﻓﻌﺎﻟﻴﺔ‬

‫ﺗﻘﻨﻴﺎﺕﺍﻟﺘﻌﻠﻢ ﺍﻟﺠﻤﺎﻋﻲ ﺍﻟﻤﺨﺘﻠﻔﺔ ﺑﺎﻟﺘﺰﺍﻣﻦ ﻣﻊ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ‪.‬‬

‫ﻳﻤﻜﻦﻟﻬﺬﻩ ﺍﻷﻓﻜﺎﺭ ﺃﻥ ﺗﺴﺎﻋﺪ ﺍﻟﻤﻤﺎﺭﺳﻴﻦ ﻭﺍﻟﺒﺎﺣﺜﻴﻦ ﻓﻲ ﺗﻄﻮﻳﺮ ﺍﻟﻤﺰﻳﺪ‬

‫ﺣﻠﻮﻝﺃﻣﻨﻴﺔ ﻗﻮﻳﺔ ﻭﻓﻌﺎﻟﺔ ﻷﻧﻈﻤﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء )‪،(IoT‬‬

‫ﻭﺑﺎﻟﺘﺎﻟﻲﺯﻳﺎﺩﺓ ﻣﺮﻭﻧﺘﻬﺎ ﺿﺪ ﺍﻟﺘﻬﺪﻳﺪﺍﺕ ﺍﻟﺴﻴﺒﺮﺍﻧﻴﺔ ﺍﻟﻨﺎﺷﺌﺔ‪.‬‬

‫ﻫﺬﻩﺍﻟﺪﺭﺍﺳﺔ ﻟﺪﻳﻬﺎ ﺍﻟﻘﺪﺭﺓ ﻋﻠﻰ ﺗﻌﺰﻳﺰ ﺍﻟﺠﻬﻮﺩ ﺍﻟﺤﺎﻟﻴﺔ ﻓﻲ ﻣﺠﺎﻝ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ‬

‫ﺍﻟﺘﻨﺒﺆﺑﺎﻟﻬﺠﻮﻡ ﻋﻠﻰ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻟﻬﺪﻑ ﻣﻦ ﺍﻟﺒﺤﺚ ﻫﻮ ﺗﻌﺰﻳﺰ‬

‫ﻓﻌﺎﻟﻴﺔﻭﻣﻮﺛﻮﻗﻴﺔ ﻭﺗﻌﻤﻴﻢ ﻫﺠﻮﻡ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ‬

‫ﻧﻤﺎﺫﺝﺍﻟﻜﺸﻒ ﻣﻦ ﺧﻼﻝ ﺍﻻﺳﺘﻔﺎﺩﺓ ﻣﻦ ﻗﻮﺓ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻭﺍﻟﺘﺠﻤﻴﻊ‬

‫ﺍﻟﺘﻌﻠﻢﻭﺍﻟﺘﺨﻔﻴﻒ ﻣﻦ ﺗﺤﺪﻳﺎﺕ ﻋﺪﻡ ﺍﻟﺘﻮﺍﺯﻥ ﺍﻟﻄﺒﻘﻲ ﺑﺎﺳﺘﺨﺪﺍﻡ ‪ .SMOTE‬ﻫﺬﺍ ﺍﻟﺒﺤﺚ‬

‫ﻟﺪﻳﻪﺍﻟﻘﺪﺭﺓ ﻋﻠﻰ ﺗﻌﺰﻳﺰ ﻭﺿﻊ ﺍﻟﺤﻤﺎﻳﺔ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺑﺸﻜﻞ ﻛﺒﻴﺮ‪،‬‬

‫ﺣﻤﺎﻳﺔﺍﻟﺒﻴﺎﻧﺎﺕ ﻭﺍﻟﺨﺪﻣﺎﺕ ﺍﻟﻬﺎﻣﺔ ﻣﻦ ﺍﻟﻬﺠﻤﺎﺕ ﺍﻟﻀﺎﺭﺓ‪ ،‬ﻭﺗﺴﻬﻴﻞ‬

‫ﺗﻄﻮﻳﺮﺑﻨﻴﺎﺕ ﺗﺤﺘﻴﺔ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺃﻛﺜﺮ ﻣﺮﻭﻧﺔ ﻭﺃﻣﺎﻧﺎً‪.‬‬

‫‪8‬‬
 ‫‪1.6‬ﺍﻟﺨﻄﻮﻁ ﺍﻟﻌﺮﻳﻀﺔ ﻟﻸﻃﺮﻭﺣﺔ‬

‫ﺗﻘﺪﻡﻣﻘﺪﻣﺔ ﺍﻟﻔﺼﻞ ﻟﻤﺤﺔ ﻋﺎﻣﺔ ﻋﻦ ﺃﻫﻤﻴﺔ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ‬

‫ﺍﻟﺘﻨﺒﺆﺑﺎﻟﻬﺠﻮﻡ ﻋﻠﻰ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻭﻳﺤﺪﺩ ﺃﻫﺪﺍﻑ ﺍﻟﺒﺤﺚ‪.‬‬

‫ﻓﻲﻓﺼﻞ ﻣﺮﺍﺟﻌﺔ ﺍﻷﺩﺑﻴﺎﺕ‪ ،‬ﻧﻘﻮﻡ ﺑﺈﺟﺮﺍء ﻣﺴﺢ ﻟﻸﺩﺑﻴﺎﺕ ﺍﻟﻤﻮﺟﻮﺩﺓ ﺣﻮﻝ‬

‫ﻫﺠﻤﺎﺕﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻓﻲ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻭﻳﺮﺍﺟﻊ ﺍﻷﺳﺎﻟﻴﺐ ﺍﻟﺤﺎﻟﻴﺔ‪ ،‬ﺑﻤﺎ ﻓﻲ ﺫﻟﻚ ﺍﻷﺳﺎﻟﻴﺐ ﺍﻟﻌﻤﻴﻘﺔ‬

‫ﻧﻤﺎﺫﺝﺍﻟﺘﻌﻠﻢ ﻭﺗﻘﻨﻴﺎﺕ ﺍﻟﺘﻌﻠﻢ ﺍﻟﺠﻤﺎﻋﻲ‪.‬‬

‫ﻭﻓﻲﻫﺬﺍ ﺍﻟﻔﺼﻞ ﺍﻟﺜﺎﻟﺚ ﺗﻢ ﺗﻔﺼﻴﻞ ﺍﻟﻤﻨﻬﺠﻴﺔ ﺍﻟﻤﺴﺘﺨﺪﻣﺔ ﻓﻲ ﺍﻟﺒﺤﺚ‪،‬‬

‫ﺗﻐﻄﻲﺟﻤﻊ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻭﺍﻟﻤﻌﺎﻟﺠﺔ ﺍﻟﻤﺴﺒﻘﺔ ﻭﺍﺳﺘﺨﺪﺍﻡ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ‬

‫ﺍﻟﻨﻤﺎﺫﺝ‪،‬ﻭﺗﻘﻨﻴﺎﺕ ﺍﻟﺘﻌﻠﻢ ﺍﻟﺠﻤﺎﻋﻲ‪ ،‬ﻭﺗﻜﺎﻣﻞ ‪ SMOTE‬ﻟﺤﻠﻬﺎ‬

‫ﺗﺤﺪﻳﺎﺕﻋﺪﻡ ﺍﻟﺘﻮﺍﺯﻥ ﺍﻟﻄﺒﻘﻲ‪.‬‬

‫ﺃﻣﺎﺍﻟﻔﺼﻞ ﺍﻟﺮﺍﺑﻊ ﻓﻴﻌﺮﺽ ﻧﺘﺎﺋﺞ ﺍﻟﺘﺠﺎﺭﺏ ﺍﻟﺘﻲ ﺃﺟﺮﻳﺖ‬

‫ﺑﻤﺎﻓﻲ ﺫﻟﻚ ﺗﻘﻴﻴﻢ ﺃﺩﺍء ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﺍﻟﻔﺮﺩﻳﺔ‪،‬‬

‫ﻧﻤﺎﺫﺝﺍﻟﺘﻌﻠﻢ ﺍﻟﻤﺠﻤﻌﺔ ﻭﺗﺄﺛﻴﺮ ‪ SMOTE‬ﻋﻠﻰ ﺩﻗﺔ ﺍﻟﺘﻨﺒﺆ‬

‫ﻭﺗﺨﻔﻴﻒﻋﺪﻡ ﺍﻟﺘﻮﺍﺯﻥ ﺍﻟﻄﺒﻘﻲ‪.‬‬

‫ﻭﻓﻲﺍﻟﻔﺼﻞ ﺍﻟﺨﺎﻣﺲ ﺗﻢ ﺗﺤﻠﻴﻞ ﺍﻟﻨﺘﺎﺋﺞ ﺍﻟﺘﺠﺮﻳﺒﻴﺔ ﺑﺸﻜﻞ ﺷﺎﻣﻞ‬

‫ﻣﻘﺎﺭﻧﺔﺍﻟﻤﻨﻬﺠﻴﺔ ﺍﻟﻤﻘﺘﺮﺣﺔ ﻣﻊ ﺃﺣﺪﺙ ﺍﻟﺘﻘﻨﻴﺎﺕ‬

‫ﺃﺳﺎﻟﻴﺐﺍﻟﺘﻨﺒﺆ ﺑﻬﺠﻤﺎﺕ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻋﻠﻰ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ .‬ﻫﻮ ‪ -‬ﻫﻲ‬

‫ﻳﺤﻠﻞﻧﻘﺎﻁ ﺍﻟﻘﻮﺓ ﻭﺍﻟﻤﺴﺎﻫﻤﺎﺕ ﺍﻟﺠﺪﻳﺪﺓ ﻟﻠﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﺍﻟﻤﺘﻘﺪﻡ‬

‫ﻭﺗﺠﻤﻴﻊﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﻣﻊ ﺗﻜﺎﻣﻞ ‪.SMOTE‬‬

‫‪9‬‬
‫ﻭﻳﻠﺨﺺﺍﻟﻔﺼﻞ ﺍﻷﺧﻴﺮ ﺍﻟﻨﺘﺎﺋﺞ ﺍﻟﺮﺋﻴﺴﻴﺔ‪ ،‬ﻭﻳﺴﻠﻂ ﺍﻟﻀﻮء ﻋﻠﻰ ﺍﻟﻤﺴﺎﻫﻤﺎﺕ ﻓﻴﻬﺎ‬

‫ﻳﻮﻓﺮﻫﺬﺍ ﺍﻟﻤﺠﺎﻝ ﺁﺛﺎﺭﺍً ﻋﻤﻠﻴﺔ ﻭﻣﺠﺎﻻﺕ ﻣﺤﺘﻤﻠﺔ ﻟﻠﻤﺴﺘﻘﺒﻞ‬

‫ﺍﻟﺒﺤﺚ‪،‬ﻭﻳﺨﺘﺘﻢ ﺑﺎﻟﻤﻼﺣﻈﺎﺕ ﺍﻟﻨﻬﺎﺋﻴﺔ‪.‬‬

‫ﺍﻟﻔﺼﻞﺍﻟﺴﺎﺑﻊ‪ :‬ﺍﻟﻤﺮﺍﺟﻊ ﻫﻲ ﻗﻮﺍﺋﻢ ﺍﻟﻤﺼﺎﺩﺭ ﺍﻟﻤﺬﻛﻮﺭﺓ ﺍﻟﻤﺴﺘﺨﺪﻣﺔ ﻓﻲ ﺟﻤﻴﻊ ﺃﻧﺤﺎء ﺍﻟﻜﺘﺎﺏ‬

‫ﺑﺤﺚ‪.‬‬

‫‪10‬‬
 ‫ﻋﺮﺽﺍﻻﺩﺏ‬ ‫ﺍﻟﻔﺼﻞ‪:2‬‬
‫‪2.1‬ﻣﻘﺪﻣﺔ‬

‫ﻳﻘﺪﻡﻫﺬﺍ ﺍﻟﻘﺴﻢ ﻣﺮﺍﺟﻌﺔ ﺷﺎﻣﻠﺔ ﻟﻸﺑﺤﺎﺙ ﺍﻟﺘﻲ ﺃﺟﺮﻳﺖ ﻓﻲ ﻫﺬﺍ ﺍﻟﻤﺠﺎﻝ‬

‫ﺑﺨﺼﻮﺹﺍﻻﻋﺘﺪﺍءﺍﺕ ﺍﻷﻣﻨﻴﺔ‪ .‬ﺃﻣﻦ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺍﻟﻤﺘﻌﻠﻘﺔ ﺑﺈﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ ،‬ﻭﻣﺨﺘﻠﻒ‬

‫ﻃﺮﻕﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ ﺍﻟﻤﻄﺒﻘﺔ ﻋﻠﻰ ﺃﻧﻈﻤﺔ ﻛﺸﻒ ﺍﻟﺘﺴﻠﻞ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ ،‬ﻛﻤﺎ ﻫﻮ ﻣﻮﺿﺢ‬

‫ﻓﻲﺍﻟﺠﺪﻭﻝ ‪.2.1‬‬

‫ﻟﻘﺪﺗﻢ ﺇﺟﺮﺍء ﺗﺤﻘﻴﻘﺎﺕ ﻓﻲ ﻣﺪﻯ ﺍﻟﻤﻼءﻣﺔ ﻭﺍﻟﻔﻮﺍﺋﺪ ﻭﺳﻬﻮﻟﺔ ﺍﻻﺳﺘﺨﺪﺍﻡ‬

‫ﺗﺄﺛﻴﺮﺗﻄﺒﻴﻘﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻟﻘﺎﺋﻤﺔ ﻋﻠﻰ ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ‪ .‬ﻳﺘﻌﺎﻣﻞ ﺟﺰء ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻣﻊ‬

‫ﺍﻟﺸﺬﻭﺫﻭﺍﻟﻬﺠﻤﺎﺕ ﺍﻟﻤﺮﻭﺭﻳﺔ‪ .‬ﺍﻟﻔﻮﺍﺋﺪ ﺍﻟﻨﺴﺒﻴﺔ ﻟﻬﺬﻩ ﺍﻟﺘﻘﻨﻴﺎﺕ‬

‫ﻭﻳﺘﻢﺗﺴﻠﻴﻂ ﺍﻟﻀﻮء ﻋﻠﻰ ﺍﻟﻮﺿﻊ ﺍﻟﺤﺎﻟﻲ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻓﻲ ﺍﻟﺸﺒﻜﺎﺕ ﻣﻦ ﺧﻼﻝ ﺗﺤﻠﻴﻞ ﺷﺎﻣﻞ‬

‫ﻣﻦﻫﺬﻩ ﺍﻟﺤﻠﻮﻝ‪ .‬ﻣﻘﺎﺭﻧﺔ ﻣﻘﺎﺭﻧﺔ ﻟﻠﺘﻌﻠﻢ ﺍﻵﻟﻲ ﺍﻟﺤﺎﻟﻲ‪-‬‬

‫ﺗﻢﺗﻨﻔﻴﺬ ﺃﻧﻈﻤﺔ ﺍﻷﻣﺎﻥ ﺍﻟﻤﺴﺘﻨﺪﺓ ﺇﻟﻰ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪.‬‬

‫‪2.2‬ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻭﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ‬

‫ﺍﻗﺘﺮﺣﺖﻫﺬﻩ ﺍﻟﺪﺭﺍﺳﺔ ﻃﺮﻕ ‪ ML‬ﻟﻠﻜﺸﻒ ﻋﻦ ﺍﻟﺒﺮﺍﻣﺞ ﺍﻟﻀﺎﺭﺓ ﻋﻠﻰ ﺷﺒﻜﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫ﻻﺗﺤﺘﺎﺝ ﺇﻟﻰ ﻫﻨﺪﺳﺔ ﺍﻟﻤﻴﺰﺍﺕ ]‪ .[13‬ﻣﻨﻬﺠﻴﺘﻬﻢ ﺍﻟﻤﻘﺘﺮﺣﺔ ﺑﺸﻜﻞ ﻣﻠﺤﻮﻅ‬

‫ﻳﻌﻤﻞﻋﻠﻰ ﺗﺴﺮﻳﻊ ﺣﺎﻓﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺑﺄﻗﻞ ﺍﺳﺘﻬﻼﻙ ﻟﻠﻄﺎﻗﺔ‪ .‬ﺗﻢ ﺗﻮﻓﻴﺮ ‪FEL-ML‬‬

‫ﺣﻤﺎﻳﺔﺣﺮﻛﺔ ﺍﻟﻤﺮﻭﺭ ﻋﺒﺮ ﺍﻹﻧﺘﺮﻧﺖ ﺍﻟﺤﺴﺎﺳﺔ ﻟﻠﻤﻮﺍﺭﺩ ﻣﻊ ﻣﻴﺰﺓ ﺇﺿﺎﻓﻴﺔ ﺗﺘﻤﺜﻞ ﻓﻲ‬

‫‪11‬‬
 ‫ﺗﺠﻨﺐﺍﻟﺠﻬﺪ ﺍﻟﻜﺒﻴﺮ ﺍﻟﺬﻱ ﻳﺒﺬﻟﻪ ﺧﺒﺮﺍء ﺍﻟﻤﻮﺍﺩ ﻏﻴﺮ ﺍﻟﻀﺮﻭﺭﻳﺔ ﻓﻲ ﺍﻟﻤﻴﺰﺓ‬

‫ﻫﻨﺪﺳﺔ‪.‬‬

‫ﺑﺴﺒﺐﻋﺪﻡ ﺍﻟﻤﻮﺛﻮﻗﻴﺔ ﺍﻟﻤﺘﺄﺻﻠﺔ ﻓﻲ ﺃﻧﻈﻤﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ ،‬ﻣﺜﻞ ﺍﻟﺪﻳﻨﺎﻣﻴﻜﻴﺔ‬

‫ﺍﻻﺗﺼﺎﻻﺕﺍﻟﺘﻲ ﻗﺪ ﺗﺤﺪﺙ ﺑﻴﻦ ﺃﺟﻬﺰﺓ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻟﻤﺨﺘﻠﻔﺔ‪ ،‬ﻫﺬﻩ ﺍﻷﻧﻈﻤﺔ‬

‫ﺑﻬﺎﺍﻟﻌﺪﻳﺪ ﻣﻦ ﺍﻟﻌﻴﻮﺏ ﺍﻷﻣﻨﻴﺔ‪ .‬ﻭﺑﻌﺪ ﺫﻟﻚ‪ ،‬ﺍﻗﺘﺮﺡ ﻫﺬﺍ ﺍﻟﻌﻤﻞ ﺩﻣﺞ ﺛﻼﺛﺔ‬

‫ﺧﻮﺍﺭﺯﻣﻴﺎﺕ‪ ،DL‬ﻣﺜﻞ ‪ RNN‬ﻭ‪ LSTM-RNN‬ﻭ‪ ،CNN‬ﻹﻧﺸﺎء ﺷﺒﻜﺔ ‪ CNN‬ﺛﻨﺎﺋﻴﺔ ﺍﻻﺗﺠﺎﻩ‪.‬‬

‫ﻧﻤﻮﺫﺝﻛﺸﻒ [‪ .BiLSTM DDoS ]14‬ﻫﺬﻩ ﺍﻟﻄﺮﻕ ﻫﻲ ‪ RNN‬ﻭ‪ LSTM-RNN‬ﻭ‬

‫ﺳﻲﺇﻥ ﺇﻥ‪ .‬ﺗﻢ ﺍﺧﺘﺒﺎﺭ ﻧﻤﺎﺫﺝ ‪ RNN‬ﻭ‪ CNN‬ﻭ‪ LSTM‬ﻭ‪CNN-BiLSTM‬‬

‫ﻟﺘﺤﺪﻳﺪﺃﻱ ﻭﺍﺣﺪ ﻫﻮ ﺃﻓﻀﻞ ﻧﻤﻮﺫﺝ ﻓﻌﺎﻝ ﻟﻠﺪﻓﺎﻉ ﺿﺪ ‪DDoS‬‬

‫ﺍﻟﻬﺠﻤﺎﺕﻭﺍﻟﻘﺪﺭﺓ ﻋﻠﻰ ﺗﺤﺪﻳﺪ ﻭﺗﻤﻴﻴﺰ ﺣﺮﻛﺔ ﻣﺮﻭﺭ ‪ DDoS‬ﺑﺸﻜﻞ ﻓﻌﺎﻝ‬

‫ﺣﺮﻛﺔﺍﻟﻤﺮﻭﺭ ﺍﻟﻌﺎﺩﻳﺔ‪ .‬ﻳﺘﻢ ﺍﺳﺘﺨﺪﺍﻡ ‪ CICIDS2017‬ﻹﻋﻄﺎء ﻛﺸﻒ ﺃﻛﺜﺮ ﻭﺍﻗﻌﻴﺔ‪ .‬ﺃ‬

‫ﺗﻢﺍﻟﺤﺼﻮﻝ ﻋﻠﻰ ﻣﻌﺪﻝ ﺩﻗﺔ ‪ %99.00‬ﻣﻦ ﺃﺩﺍء ﺍﻟﻨﻤﺎﺫﺝ‪،‬‬

‫ﺑﺎﺳﺘﺜﻨﺎءﻧﻤﻮﺫﺝ ‪ CNN‬ﺍﻟﺬﻱ ﺣﺼﻞ ﻋﻠﻰ ﻧﺴﺒﺔ ﺩﻗﺔ ‪ .%98.82‬ﺍﻝ‬

‫ﺗﻢﻗﻴﺎﺱ ﺩﻗﺔ ‪ CNN-BiLSTM‬ﺑﻨﺴﺒﺔ ‪ ،%99.76‬ﺑﻴﻨﻤﺎ ﺑﻠﻐﺖ ﺩﻗﺘﻪ‬

‫ﻗﻴﺎﺱ‪.%98.90‬‬

‫ﻓﻲﻫﺬﻩ ﺍﻟﺪﺭﺍﺳﺔ ]‪ ،[15‬ﺗﻢ ﺗﻨﻔﻴﺬ ﻧﻤﻮﺫﺝ ‪ DL‬ﻟﻠﺘﻨﺒﺆ ﺑﺎﻷﻛﺜﺮ ﺍﻧﺘﺸﺎﺭﺍً‬

‫ﺍﻋﺘﺪﺍءﺍﺕﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ‪ .‬ﻣﻘﺎﻳﻴﺲ ﺍﻟﺘﻘﻴﻴﻢ ﺍﻟﻤﻘﺘﺮﺣﺔ ﻋﻠﻰ ﺃﺳﺎﺱ ‪SET‬‬

‫ﺗﻢﺗﻘﻴﻴﻢ ﺍﻟﻨﻤﻮﺫﺝ‪ ،‬ﻭﺣﻘﻖ ﺍﻟﻨﻤﻮﺫﺝ ﺍﻟﻤﻘﺘﺮﺡ ﻓﻌﺎﻟﻴﺔ ‪%0.99‬‬

‫ﻣﻊﻣﺪﺓ ﺍﺧﺘﺒﺎﺭ ‪ 2.29‬ﻣﻠﻠﻲ ﺛﺎﻧﻴﺔ‪.‬‬

‫‪12‬‬
 ‫ﻓﻲﻫﺬﻩ ﺍﻟﺪﺭﺍﺳﺔ ]‪ ،[16‬ﻗﺪﻡ ﺍﻟﻤﺆﻟﻔﻮﻥ ﺩﺭﺍﺳﺔ ﺍﺳﺘﻜﺸﺎﻓﻴﺔ ﻟﻞ‪ DL‬ﺍﻟﻤﻮﺣﺪ‬

‫ﺑﺎﺳﺘﺨﺪﺍﻡﺍﻟﻌﺪﻳﺪ ﻣﻦ ﺗﻘﻨﻴﺎﺕ ‪ .DL‬ﻟﻘﺪ ﻗﺎﻣﻮﺍ ﺑﻔﺤﺺ ﻓﻌﺎﻟﻴﺔ ﺛﻼﺙ ﺣﺮﻛﺔ ﻣﺮﻭﺭ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫ﻗﻮﺍﻋﺪﺑﻴﺎﻧﺎﺕ ﻟﻀﻤﺎﻥ ﺧﺼﻮﺻﻴﺔ ﺑﻴﺎﻧﺎﺕ ﺃﻧﻈﻤﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻭﺗﻌﺰﻳﺰ‬

‫ﺩﻗﺔﺍﻟﻜﺸﻒ ﻋﻦ ﺍﻟﻬﺠﻮﻡ ﺍﻟﻘﺎﺋﻢ ﻋﻠﻰ ‪.DL‬‬

‫ﻓﻲﻫﺬﺍ ﺍﻟﻌﻤﻞ ]‪ ،[17‬ﺍﻗﺘﺮﺡ ﺍﻟﻤﺆﻟﻔﻮﻥ ‪ FDL‬ﻟﻠﻜﺸﻒ ﻋﻦ ﻫﺠﻤﺎﺕ ﺍﻟﻴﻮﻡ ﺻﻔﺮ‬

‫ﻟﻤﻨﻊﺗﺴﺮﺏ ﺧﺼﻮﺻﻴﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻓﻲ ﺃﺟﻬﺰﺓ ‪ .IoT edge‬ﺍﺳﺘﺨﺪﺍﻡ ‪ DNN‬ﺍﻟﻤﺜﺎﻟﻲ‬

‫ﺍﻟﻬﻨﺪﺳﺔﺍﻟﻤﻌﻤﺎﺭﻳﺔ‪ ،‬ﻭﻫﺬﺍ ﺍﻟﻨﻬﺞ ﻳﺼﻨﻒ ﺣﺮﻛﺔ ﻣﺮﻭﺭ ﺍﻟﺸﺒﻜﺔ‪ .‬ﺧﺎﺩﻡ ﺣﺪﻭﺩﻱ‬

‫ﻳﻨﺴﻖﻋﻦ ﺑﻌﺪ ﺍﻟﺘﺪﺭﻳﺐ ﺍﻟﻤﻨﻔﺼﻞ ﻟﻨﻤﺎﺫﺝ ‪ DNN‬ﻓﻲ ﺍﻟﻌﺪﻳﺪ ﻣﻦ ﺣﺎﻓﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫ﺍﻷﺟﻬﺰﺓ‪،‬ﺑﻴﻨﻤﺎ ﺗﻘﻮﻡ ﻃﺮﻳﻘﺔ ﺍﻟﻤﺘﻮﺳﻂ ﺍﻟﻤﻮﺣﺪ )‪ (FedAvg‬ﺑﺘﺠﻤﻴﻊ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺍﻟﻤﺤﻠﻴﺔ‬

‫ﺗﺤﺪﻳﺜﺎﺕﺍﻟﻨﻤﻮﺫﺝ‪ .‬ﺑﻌﺪ ﺳﻠﺴﻠﺔ ﻣﻦ ﺩﻭﺭﺍﺕ ﺍﻻﺗﺼﺎﻝ ﺑﻴﻦ ﺍﻟﻤﻌﻠﻤﺔ‬

‫ﺍﻟﺨﺎﺩﻡﻭﺃﺟﻬﺰﺓ ﺣﺎﻓﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ ،‬ﺗﻢ ﺇﻧﺸﺎء ﻧﻤﻮﺫﺝ ‪ DNN‬ﻋﺎﻟﻤﻲ‪.‬‬

‫ﻓﻲﻫﺬﻩ ﺍﻟﺪﺭﺍﺳﺔ ]‪ ،[18‬ﺍﻗﺘﺮﺡ ﺍﻟﻤﺆﻟﻔﻮﻥ ﺍﺳﺘﺨﺪﺍﻡ ﻣﺮﺣﻠﺔ ﺍﻟﺘﺸﻔﻴﺮ ﻟـ ‪LSTM‬‬

‫ﺍﻟﺘﺸﻔﻴﺮﺍﻟﺘﻠﻘﺎﺋﻲ ﻟﺘﻘﻠﻴﻞ ﺃﺑﻌﺎﺩ ﺍﻟﻤﻴﺰﺓ ﻟﺸﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻭﺍﺳﻌﺔ ﺍﻟﻨﻄﺎﻕ‬

‫ﺑﻴﺎﻧﺎﺕﺣﺮﻛﺔ ﺍﻟﻤﺮﻭﺭ )‪ .(LAE‬ﻭﻭﻓﻘﺎ ﻟﻠﻨﺘﺎﺋﺞ‪ ،‬ﻛﺎﻧﺖ ﻫﻨﺎﻙ ﺣﺎﺟﺔ ﺇﻟﻰ ﺫﺍﻛﺮﺓ ﺃﻗﻞ ﺑﻨﺴﺒﺔ ‪٪91.89‬‬

‫ﻟﺘﺨﺰﻳﻦﺑﻴﺎﻧﺎﺕ ﺣﺮﻛﺔ ﻣﺮﻭﺭ ﺍﻟﺸﺒﻜﺔ ﻋﻠﻰ ﻧﻄﺎﻕ ﻭﺍﺳﻊ ﺑﺴﺒﺐ ‪.LAE‬‬

‫ﻟﻠﺤﺪﻣﻦ ﺍﻟﺘﻬﺪﻳﺪﺍﺕ ﺍﻟﻤﺤﺘﻤﻠﺔ ﺍﻟﺘﻲ ﺗﺸﻜﻠﻬﺎ ﺃﺟﻬﺰﺓ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ ،‬ﺃﺻﺒﺢ ﻣﻦ ﺍﻟﻀﺮﻭﺭﻱ ﺍﻵﻥ ﺍﻟﻘﻴﺎﻡ ﺑﺬﻟﻚ‬

‫ﺗﻢﺗﺤﺪﻳﺪ ‪ DDoS‬ﺑﺴﺮﻋﺔ‪ .‬ﺃﻓﻀﻞ ﺧﻮﺍﺭﺯﻣﻴﺔ ﺑﺎﺕ ﻣﺤﻠﻴﺔ ﻭﻋﺎﻟﻤﻴﺔ ﻟﻸﻋﺼﺎﺏ‬

‫ﺗﻢﺗﻘﺪﻳﻢ ﺷﺒﻜﺎﺕ )‪ (LGBA-NN‬ﻓﻲ ﻫﺬﺍ ﺍﻟﺒﺤﺚ ]‪ [19‬ﻻﺧﺘﻴﺎﺭ ﻛﻠﻴﻬﻤﺎ‬

‫ﺍﻟﻤﻴﺰﺍﺕﻭﺍﻟﻤﻌﻠﻤﺎﺕ ﺍﻟﻔﺎﺋﻘﺔ ﺍﻟﻤﺤﺪﺩﺓ ﻟﻐﺮﺽ ﺍﻟﻜﺸﻒ ﺍﻟﻔﻌﺎﻝ ﻋﻦ‬

‫ﻫﺠﻤﺎﺕﺍﻟﺮﻭﺑﻮﺗﺎﺕ‪ ،‬ﻭﺍﻟﺘﻲ ﺗﻢ ﺍﺳﺘﻨﺘﺎﺟﻬﺎ ﻣﻦ ‪ 9‬ﺃﻧﻈﻤﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻟﺘﺠﺎﺭﻳﺔ‪ .‬ﺍﻝ‬

‫‪13‬‬
‫ﺗﻢﺣﺴﺎﺏ ﺳﺮﻋﺔ ﺍﻟﺨﻔﺎﻓﻴﺶ ﺍﻟﻤﺤﺪﺛﺔ ﻓﻲ ﺍﻟﺴﺮﺏ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺃﻓﻀﻞ ﺳﺮﻋﺔ ﻣﺤﻠﻴﺔ ﻭﻋﺎﻟﻤﻴﺔ‪.‬‬

‫ﻭﺯﻥﺍﻟﻘﺼﻮﺭ ﺍﻟﺬﺍﺗﻲ ﺍﻟﻘﺎﺋﻢ ﻋﻠﻰ ﺃﺳﺎﺱ‪ ،‬ﻭﺍﻟﺬﻱ ﺗﻢ ﻗﺒﻮﻟﻪ ﻣﻦ ﻗﺒﻞ ﺧﻮﺍﺭﺯﻣﻴﺔ ﺑﺎﺕ )‪ (BA‬ﺍﻟﺬﻱ ﻛﺎﻥ‬

‫ﻣﺘﻄﻮﺭ‪.‬ﻭﺍﻗﺘﺮﺣﻮﺍ ﻣﻦ ﺃﺟﻞ ﻣﻌﺎﻟﺠﺔ ﻣﺴﺄﻟﺔ ﺗﻨﻮﻉ ﺳﺮﺏ ﻣﻜﺘﺒﺔ ﺍﻹﺳﻜﻨﺪﺭﻳﺔ‬

‫ﺍﺳﺘﺨﺪﺍﻡﺗﻮﺯﻳﻊ ﻏﺎﻭﺳﻲ ﻟﺘﻬﻴﺌﺔ ﺍﻟﺴﻜﺎﻥ‪ .‬ﺑﺎﻹﺿﺎﻓﺔ ﺇﻟﻰ ﺫﻟﻚ‪،‬‬

‫ﺗﻢﺗﻨﻔﻴﺬ ﺍﺳﺘﺮﺍﺗﻴﺠﻴﺔ ﺍﻟﺒﺤﺚ ﺍﻟﻤﺤﻠﻴﺔ ﺑﻮﺍﺳﻄﺔ ﺩﺍﻟﺔ ﺍﻟﻜﺜﺎﻓﺔ ﺍﻟﻐﻮﺳﻴﺔ ﻭ‬

‫ﺃﻓﻀﻞﻭﻇﻴﻔﺔ ﻣﺤﻠﻴﺔ ﻭﻋﺎﻟﻤﻴﺔ ﻣﻦ ﺃﺟﻞ ﺗﺤﺴﻴﻦ ﺍﻻﺳﺘﻜﺸﺎﻑ ﻓﻲ ﻛﻞ ﺗﻜﺮﺍﺭ‪ .‬ﻫﺬﺍ‬

‫ﺗﻢﺍﺗﺨﺎﺫ ﺍﻹﺟﺮﺍءﺍﺕ ﺍﻟﻼﺯﻣﺔ ﻟﺘﺤﻘﻴﻖ ﺃﻛﺒﺮ ﺍﻟﻨﺘﺎﺋﺞ‪ .‬ﺍﻟﺸﺒﻜﺔ ﺍﻟﻌﺼﺒﻴﺔ‬

‫ﺗﻢﺑﻌﺪ ﺫﻟﻚ ﺗﺤﺴﻴﻦ ﺍﻟﻤﻌﻠﻤﺎﺕ ﺍﻟﻔﺎﺋﻘﺔ ﻭﺍﻷﻭﺯﺍﻥ ﺑﺎﺳﺘﺨﺪﺍﻡ ﻧﻈﺮﻳﺔ ﺑﺎﻳﺰﻱ ﺍﻟﻤﺤﺴﻨﺔ‬

‫ﺗﺤﻠﻴﻞﻟﺘﺼﻨﻴﻒ ‪ 10‬ﻫﺠﻤﺎﺕ ﻣﺨﺘﻠﻔﺔ ﻟﺸﺒﻜﺎﺕ ﺍﻟﺮﻭﺑﻮﺕ ﻭﻓﺌﺔ ﻣﺴﺘﻬﺪﻓﺔ ﺣﻤﻴﺪﺓ ﻭﺍﺣﺪﺓ‪ .‬ﻥ‪-‬‬

‫ﺗﻢﺍﺳﺘﺨﺪﺍﻡ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ BaIoT‬ﺍﻟﺘﻲ ﺗﺘﻜﻮﻥ ﻣﻦ ﺑﻴﺎﻧﺎﺕ ﺣﺮﻛﺔ ﻣﺮﻭﺭ ﻓﻌﻠﻴﺔ ﻛﺒﻴﺮﺓ ﻟﻠﺘﻘﻴﻴﻢ‬

‫ﻃﺮﻳﻘﺔ‪ LGBA-NN‬ﺍﻟﻤﻘﺘﺮﺣﺔ‪ .‬ﺗﻀﻤﻨﺖ ﻣﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻫﺬﻩ ﻛﻼ ًﻣﻦ ﺍﻟﺤﻤﻴﺪﺓ ﻭ‬

‫ﺍﻟﻔﺌﺎﺕﺍﻟﻤﺴﺘﻬﺪﻓﺔ ﺍﻟﺨﺒﻴﺜﺔ‪ .‬ﺗﻢ ﺗﻘﻴﻴﻢ ﻓﻌﺎﻟﻴﺔ ‪ LGBA-NN‬ﻓﻲ‬

‫ﻣﻘﺎﺭﻧﺔﺑﺎﻟﻌﺪﻳﺪ ﻣﻦ ﺍﻷﺳﺎﻟﻴﺐ ﺍﻟﻤﺘﻘﺪﻣﺔ ﺍﻟﺘﻲ ﺗﻢ ﺗﻄﻮﻳﺮﻫﺎ ﻣﺆﺧﺮﺍً‪ ،‬ﺑﻤﺎ ﻓﻲ ﺫﻟﻚ‬

‫ﺗﺤﺴﻴﻦﺍﻟﻮﺯﻥ ﻋﻦ ﻃﺮﻳﻖ ﺗﺤﺴﻴﻦ ﺳﺮﺏ ﺍﻟﺠﺴﻴﻤﺎﺕ )‪ (PSO-NN‬ﻭ ‪-BA‬‬

‫ﻥ‪.‬ﺃﻇﻬﺮﺕ ﻧﺘﺎﺋﺞ ﺍﻟﺘﺠﺎﺭﺏ ﺃﻥ ‪ LGBA-NN‬ﺃﻓﻀﻞ ﻣﻦ ‪BA-NN‬‬

‫ﻭ‪ PSO-NN‬ﻓﻲ ﺗﺤﺪﻳﺪ ﻫﺠﻤﺎﺕ ﺍﻟﺮﻭﺑﻮﺗﺎﺕ ﻣﺘﻌﺪﺩﺓ ﺍﻟﻔﺌﺎﺕ‪LGBA-NN ،‬‬

‫ﻭﺻﻠﺖﺍﻟﺪﻗﺔ ﺇﻟﻰ ‪.%90‬‬

‫ﺗﻘﺪﻡﻫﺬﻩ ﺍﻟﻤﻘﺎﻟﺔ ]‪ [20‬ﺷﺒﻜﺔ ‪ NN‬ﻋﺸﻮﺍﺋﻴﺔ ﻋﻤﻴﻘﺔ ﻫﺠﻴﻨﺔ ﻓﺮﻳﺪﺓ )‪ (HDRaNN‬ﻟـ‬

‫ﺍﻟﻜﺸﻒﻋﻦ ﺍﻟﻬﺠﻤﺎﺕ ﺍﻟﺴﻴﺒﺮﺍﻧﻴﺔ ﻓﻲ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻟﺼﻨﺎﻋﻴﺔ )‪ .(IIoT‬ﺍﻟﻌﻤﻴﻖ‬

‫ﻛﺎﻧﺖﺍﻟﺸﺒﻜﺔ ﺍﻟﻌﺼﺒﻴﺔ ﺍﻟﻌﺸﻮﺍﺋﻴﺔ ﺍﻟﻤﻨﺘﻈﻤﺔ ﺍﻟﻤﺘﺴﺮﺑﺔ )‪ (HDRaNN‬ﻧﻤﻮﺫﺟﺎً ﻫﺠﻴﻨﺎً‬

‫‪14‬‬
 ‫ﺍﻟﺬﻱﻳﺠﻤﻊ ﺑﻴﻦ ﺷﺒﻜﺔ ﻋﺼﺒﻴﺔ ﻋﺸﻮﺍﺋﻴﺔ ﻋﻤﻴﻘﺔ ﻭﺇﺩﺭﺍﻙ ﻣﺘﻌﺪﺩ ﺍﻟﻄﺒﻘﺎﺕ‪ .‬ﺍﻝ‬

‫ﺗﻢﺗﻘﻴﻴﻢ ﺍﻟﻨﻬﺞ ﺍﻟﺬﻱ ﺗﻢ ﺍﻗﺘﺮﺍﺣﻪ ﺑﺎﺳﺘﺨﺪﺍﻡ ﻣﺠﻤﻮﻋﺘﻴﻦ ﻣﻦ ﺍﻟﺒﻴﺎﻧﺎﺕ‬

‫ﻣﺮﺗﺒﻄﺔﺑﺄﻣﺎﻥ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ .‬ﺗﻢ ﺍﺳﺘﺨﺪﺍﻡ ﻣﻘﺎﻳﻴﺲ ﺍﻷﺩﺍء ﺍﻟﻤﺨﺘﻠﻔﺔ ﻹﺟﺮﺍء‬

‫ﺗﺤﻠﻴﻞﺍﻷﺩﺍء ﻟﻠﺨﻄﺔ ﺍﻟﻤﻘﺘﺮﺣﺔ‪ .‬ﻛﺎﻥ ‪ HDRaNN‬ﻗﺎﺩﺭﺍً ﻋﻠﻰ ﺫﻟﻚ‬

‫ﺗﺼﻨﻴﻒﻣﺎ ﻣﺠﻤﻮﻋﻪ ﺳﺘﺔ ﻋﺸﺮ ﻓﺌﺔ ﻣﺨﺘﻠﻔﺔ ﻣﻦ ﺍﻟﻬﺠﻤﺎﺕ ﺍﻹﻟﻜﺘﺮﻭﻧﻴﺔ ﺑﺪﻗﺔ‬

‫‪0.98‬ﺇﻟﻰ ‪.0.99‬‬

‫ﻓﻲﻫﺬﻩ ﺍﻟﺪﺭﺍﺳﺔ ]‪ ،[21‬ﺍﻗﺘﺮﺡ ﺍﻟﻤﺆﻟﻔﻮﻥ ﻫﺠﻮﻡ ﺛﻐﺮﺓ ‪ ،RPL‬ﺍﻟﺬﻱ ﻳﺴﺘﻬﺪﻑ‬

‫ﺑﺮﻭﺗﻮﻛﻮﻝﺗﻮﺟﻴﻪ ‪ IPv6‬ﺷﺎﺋﻊ ﺍﻻﺳﺘﺨﺪﺍﻡ ﻓﻲ ﺍﻷﻧﻈﻤﺔ ﺍﻟﻘﺎﺋﻤﺔ ﻋﻠﻰ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ .‬ﺃﻣﻦ‬

‫ﺗﻢﻭﺻﻒ ﺍﻟﺘﻘﻨﻴﺔ ﺍﻟﻤﺒﻨﻴﺔ ﻋﻠﻰ ‪ .ML‬ﺗﻘﻴﻴﻢ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺍﻟﻤﺠﻤﻌﺔ‬

‫ﻭﻛﺸﻒﺃﻥ ﺍﻟﺨﻮﺍﺭﺯﻣﻴﺎﺕ ﺍﻟﻘﺎﺋﻤﺔ ﻋﻠﻰ ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ ﺗﺤﺪﺩ ﺍﻟﺜﻐﺮﺓ‬

‫ﺍﻟﻬﺠﻮﻡﺑﺸﻜﻞ ﺻﺤﻴﺢ‪.‬‬

‫ﻟﻠﺘﻐﻠﺐﻋﻠﻰ ﺍﻟﺼﻌﻮﺑﺎﺕ ﺍﻟﻤﺮﺗﺒﻄﺔ ﺑﺤﻤﺎﻳﺔ ﺷﺒﻜﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ ،‬ﻭﻫﻲ‬

‫ﺗﻀﺨﻴﻤﻬﺎﺣﺠﻢ ﻭﺗﻨﻮﻉ ﺍﻟﻨﺸﺮ‪ ،‬ﻭﺍﻟﺘﻐﻴﺮ ﺍﻟﺴﺮﻳﻊ‬

‫ﺑﻴﺌﺔﺍﻟﺘﻬﺪﻳﺪﺍﺕ ﺍﻟﺴﻴﺒﺮﺍﻧﻴﺔ‪ .‬ﻗﺎﻡ ﻣﺆﻟﻔﻮ ]‪ [22‬ﺑﺘﻄﻮﻳﺮ ﺗﻘﻨﻴﺔ‬

‫ﻳﺴﺘﺨﺪﻡﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﺍﻟﻘﻮﻱ ﻟﺘﺤﺪﻳﺪ ﺍﻟﻬﺠﻤﺎﺕ ﺍﻟﺴﻴﺒﺮﺍﻧﻴﺔ ﺍﻟﻤﻮﺟﻬﺔ‬

‫ﺿﺪﻣﻌﺪﺍﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ .‬ﺗﺘﻀﻤﻦ ﻃﺮﻳﻘﺘﻬﻢ ﺩﻣﺞ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪LSTM‬‬

‫ﻓﻲﺍﻟﺤﻠﻮﻝ ﺍﻟﻘﺎﺋﻤﺔ‪ .‬ﻭﺑﻌﺪ ﺫﻟﻚ‪ ،‬ﻳﺘﻢ ﺍﺳﺘﺨﺪﺍﻡ ﺷﺠﺮﺓ ﺍﻟﻘﺮﺍﺭ ﻟﻠﺠﻤﻊ‬

‫ﻫﺬﻩﺍﻟﻮﺣﺪﺍﺕ ﺍﻟﻔﺮﺩﻳﺔ‪ ،‬ﺑﺤﻴﺚ ﻳﻤﻜﻦ ﺇﻧﺘﺎﺝ ﻧﺘﻴﺠﺔ ﻣﺠﻤﻌﺔ‪ .‬ﻫﻢ‬

‫ﺣﻘﻘﺖﻣﻌﺪﻝ ﺩﻗﺔ ﻳﺰﻳﺪ ﻋﻦ ‪ %99‬ﻋﻨﺪﻣﺎ ﻳﺘﻌﻠﻖ ﺍﻷﻣﺮ ﺑﺘﺤﺪﻳﺪ ﺍﻟﻬﻮﻳﺔ‬

‫‪15‬‬
 ‫ﺍﻟﺘﻬﺪﻳﺪﺍﺕﺍﻟﺴﻴﺒﺮﺍﻧﻴﺔ ﺿﺪ ﺃﺟﻬﺰﺓ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻣﻦ ﺧﻼﻝ ﺗﻘﻴﻴﻢ ﻓﻌﺎﻟﻴﺔ ﺗﻘﻨﻴﺎﺗﻬﺎ‬

‫ﺑﺎﺳﺘﺨﺪﺍﻡﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪.Modbus‬‬

‫ﻗﺪﻡﺍﻟﺒﺎﺣﺜﻮﻥ ﻓﻲ ﻫﺬﻩ ﺍﻟﻮﺭﻗﺔ ]‪ [23‬ﻧﻤﻮﺫﺟﺎً ﻳﻌﺘﻤﺪ ﻋﻠﻰ ﻣﺠﻤﻮﻋﺔ ﻣﺘﻨﻮﻋﺔ ﻣﻦ‬

‫ﺗﻘﻨﻴﺎﺕﺗﻌﻠﻢ ﺍﻵﻟﺔ‪ .‬ﻓﻲ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ BoT-IoT، KNN‬ﻭ‪ Naive Bayes‬ﻭ‪MLP ANN‬‬

‫ﺗﻢﺍﺳﺘﺨﺪﺍﻡ ﺍﻟﻨﻤﺎﺫﺝ ﻟﺒﻨﺎء ﻧﻤﻮﺫﺝ‪ .‬ﺑﺎﺳﺘﺨﺪﺍﻡ ﺍﻟﺮﻗﻢ ﺍﻷﻭﻟﻲ ﻭﻓﻘﺎ ﻝ‬

‫ﺍﻟﻜﻔﺎءﺓﻭﻧﺘﻴﺠﺔ ‪ ،ROC AUC‬ﺗﻢ ﺗﺤﺪﻳﺪ ﺍﻟﺨﻮﺍﺭﺯﻣﻴﺔ ﺍﻷﻣﺜﻞ‪.‬‬

‫ﺩﻣﺞﺃﺳﺎﻟﻴﺐ ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ ﻣﻊ ﻫﻨﺪﺳﺔ ﺍﻟﻤﻴﺰﺍﺕ ﻭ‬

‫ﻣﻨﻬﺠﻴﺔﺍﻹﻓﺮﺍﻁ ﻓﻲ ﺃﺧﺬ ﺍﻟﻌﻴﻨﺎﺕ )‪ .(SMOTE‬ﻋﻠﻰ ﺍﻟﻄﺒﻘﺔ ﻏﻴﺮ ﻣﺘﻮﺍﺯﻧﺔ ﻭﻣﺘﻮﺍﺯﻧﺔ ﺍﻟﻄﺒﻘﺔ‬

‫ﻣﺠﻤﻮﻋﺎﺕﺍﻟﺒﻴﺎﻧﺎﺕ‪ ،‬ﺗﻢ ﺗﻘﻴﻴﻢ ﺃﺩﺍء ﺛﻼﺙ ﺧﻮﺍﺭﺯﻣﻴﺎﺕ‪.‬‬

‫ﺑﺎﺳﺘﺨﺪﺍﻡﺃﺳﺎﻟﻴﺐ ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ‪ ،‬ﻛﺎﻧﺖ ﻫﻨﺎﻙ ﺍﻟﻌﺪﻳﺪ ﻣﻦ ﺗﻬﺪﻳﺪﺍﺕ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ‬

‫ﺍﻟﻤﻨﺘﻈﺮﻓﻲ ﻫﺬﻩ ﺍﻟﻤﺎﺩﺓ ]‪ . [24‬ﻧﻈﺎﻡ ﺗﻨﺒﺆﻱ ﺟﺪﻳﺪ ﻳﻌﺘﻤﺪ ﻋﻠﻰ ﺍﻟﻌﺸﻮﺍﺋﻴﺔ‬

‫ﺗﻢﺗﻄﻮﻳﺮ ﺍﻟﺸﺒﻜﺎﺕ ﺍﻟﻌﺼﺒﻴﺔ )‪ .(RaNN‬ﻭﻛﺎﻧﺖ ﺍﻟﻌﺪﻳﺪ ﻣﻦ ﻣﻌﺎﻳﻴﺮ ﺍﻟﺘﻘﻴﻴﻢ‬

‫ﺗﻢﺗﻄﻮﻳﺮﻩ ﻟﻴﺘﻢ ﺍﺧﺘﺒﺎﺭﻩ ﺑﺎﺳﺘﺨﺪﺍﻡ ‪ ANN‬ﻭ‪ SVM‬ﻭﺷﺠﺮﺓ ﺍﻟﻘﺮﺍﺭ ﻟﺘﺤﺪﻳﺪ‬

‫ﺩﻗﺔﺍﻟﻨﻤﻮﺫﺝ ﺍﻟﺘﻨﺒﺆﻱ ﺍﻟﻘﺎﺋﻢ ﻋﻠﻰ ‪ .RaNN‬ﻭﻓﻘﺎ ﻟﻠﺘﻘﻴﻴﻢ‬

‫ﺍﻟﻨﺘﺎﺋﺞ‪،‬ﺣﻘﻖ ﻧﻤﻮﺫﺝ ‪ RaNN‬ﺍﻟﻤﻘﺘﺮﺡ ﻛﻔﺎءﺓ ﻗﺪﺭﻫﺎ ‪ %99.20‬ﻣﻊ ﺃ‬

‫ﻣﻌﺪﻝﺍﻟﺘﻌﻠﻢ ‪ 0.01‬ﻭﻃﻮﻝ ﺯﻣﻨﻲ ‪ 34.51‬ﻣﻠﻠﻲ ﺛﺎﻧﻴﺔ‪.‬‬

‫‪.‬‬

‫‪16‬‬
 ‫ﺍﻟﺠﺪﻭﻝ‪1-2‬ﻣﺮﺍﺟﻌﺔ ﻣﻘﺎﺭﻧﺔ ﻷﺣﺪﺙ ﺣﻠﻮﻝ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪.‬‬

‫ﻳﺆﺩﻱﺍﻟﻰ )‪(٪‬‬ ‫ﺍﻟﺨﻮﺍﺭﺯﻣﻴﺎﺕ‬ ‫ﺍﻟﻤﻨﻬﺠﻴﺔﺍﻟﻤﺴﺘﺨﺪﻣﺔ‬ ‫ﺍﻟﺒﻴﺎﻧﺎﺕﺍﻟﻤﺴﺘﺨﺪﻣﺔ‬ ‫ﺳﻨﺔ‬ ‫ﺍﻟﻤﺮﺟﻊ‬

‫‪99‬ﺩﻗﺔ‬ ‫ﺇﻧﺘﺮﻧﺖﺍﻷﺷﻴﺎء‪ ،23-‬ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻟﻤﺆﺳﺴﺔ ﺍﻟﺘﺪﺭﻳﺐ ﺍﻷﻭﺭﻭﺑﻴﺔ‬

‫)ﻓﻴﻞ‪-‬ﻣﻞ(‬ ‫ﺗﻌﻠﻢﻋﻤﻴﻖ‬ ‫]‪2023 [13‬‬

‫‪96‬ﺩﺭﺟﺔ ‪f-1‬‬ ‫ﺍﻟﺮﻭﺑﻮﺗﺎﺕ‬

‫ﺩﻗﺔ‪98.82‬‬ ‫‪RNN، )LSTM(-RNN،‬‬

‫ﺩﻗﺔ‪99.76‬‬ ‫ﺳﻲﺇﻥ ﺇﻥ‪ ،‬ﺑﻴﻠﺴﺘﻢ )ﺳﻲ ﺇﻥ ﺇﻥ‪(-‬‬ ‫ﺗﻌﻠﻢﻋﻤﻴﻖ‬ ‫‪CICID2017‬‬ ‫]‪2023 [14‬‬
‫ﺩﻗﺔ‪98.90‬‬ ‫ﺑﻴﻠﺴﺘﻢ(‬

‫‪98‬‬ ‫ﺩﻗﺔ‬
‫ﺃﺫﻛﺮ‪97‬‬ ‫‪DS2OS،‬‬
‫ﻧﻤﻮﺫﺝﻗﺎﺋﻢ ﻋﻠﻰ ‪SET‬‬ ‫ﺗﻌﻠﻢﻋﻤﻴﻖ‬ ‫]‪2022 [15‬‬
‫ﺍﻟﺪﻗﺔ‪95‬‬ ‫‪CICIDS2017‬‬

‫‪95‬‬ ‫ﻗﻴﺎﺱ‪F‬‬

‫ﺑﻮﺕ‪-‬ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪,‬‬

‫‪ ،98.87،99.98‬ﻭ‬
‫ﺁﺭﺇﻥ ﺇﻥ‪ ،‬ﺳﻲ ﺇﻥ ﺇﻥ‪ ،‬ﻭ ﺩﻱ ﺇﻥ ﺇﻥ‬ ‫ﺗﻌﻠﻢﻋﻤﻴﻖ‬ ‫]‪ 2021 [16‬ﻣﻜﻮﺗﺴﻴﺖ‪,‬‬
‫‪99.68‬‬
‫‪TON_IoT‬‬

‫ﻫﺠﻮﻡ‪DDos‬‬

‫ﺩﻗﺔ‪99.83‬‬
‫ﺑﻮﺕ‪-N،‬‬
‫ﺍﻟﺪﻗﺔ‪99.98‬‬ ‫‪FDL‬‬ ‫ﺗﻌﻠﻢﻋﻤﻴﻖ‬ ‫]‪2021 [17‬‬
‫ﺑﺎﻳﻮﺕ‬
‫ﺃﺫﻛﺮ‪99.70‬‬
‫ﺩﺭﺟﺔﺍﻟﻔﻮﺭﻣﻮﻻ ‪99.84 1‬‬

‫ﻻﻱﻝ‬
‫ﺇﻃﺎﺭ‪ DL‬ﺍﻟﻬﺠﻴﻦ‬ ‫ﺍﻷﺑﻌﺎﺩ‬
‫‪91.89‬‬ ‫ﺑﻮﺕ‪-‬ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬ ‫]‪2020 [18‬‬
‫(‪)LAE-BLSTM‬‬ ‫ﺗﺨﻔﻴﺾﻭ‬
‫ﺍﻟﻤﺼﻨﻒ‪BLSTM‬‬

‫ﺩﻗﺔ‪90‬‬ ‫‪LGBA-NN‬‬ ‫ﺍﻟﺸﺒﻜﺎﺕﺍﻟﻌﺼﺒﻴﺔ‬ ‫]‪ 2021 [19‬ﺇﻥ‪-‬ﺑﺎﻳﻮﺕ‬

‫‪17‬‬
 ‫ﺍﻟﻬﺠﻴﻦﺍﻟﻌﻤﻴﻖ‬
‫‪98‬‬ ‫‪DS2OS،‬‬
‫‪HDRaNN‬‬ ‫ﻋﺼﺒﻴﺔﻋﺸﻮﺍﺋﻴﺔ‬ ‫]‪2021 [20‬‬
‫‪99‬‬ ‫‪UNSW-NB15‬‬
‫ﺍﻟﺸﺒﻜﺎﺕ‬

‫‪98.99‬‬ ‫ﺩﻗﺔ‬ ‫ﺇﻝﺇﺱ ﺗﻲ ﺇﻡ ﻭ‬ ‫ﻣﻮﺩﺑﻮﺱ‪/‬ﺗﻜﺐ‬

‫‪LSTM‬‬ ‫]‪2020 [22‬‬
‫‪99.41‬‬ ‫ﺩﻗﺔ‬ ‫ﺍﻟﺘﻌﻠﻢﺍﻟﺠﻤﺎﻋﻲ‬ ‫ﺍﺯﺩﺣﺎﻡﺍﻧﺘﺮﻧﺖ‬

‫‪ 99.4،99.6‬ﻭ‪،‬‬ ‫ﻛﻲﺇﻥ ﺇﻥ‪ ،‬ﻧﺎﻳﻒ ﺑﺎﻳﺰ‬

‫ﺗﻌﻠﻢﻋﻤﻴﻖ‬ ‫ﺑﻮﺕ‪-‬ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬ ‫]‪2021 [23‬‬
‫‪87.4‬‬ ‫ﻭ‪ MLP‬ﺁﻥ‬

‫ﺩﻗﺔ‪99.20‬‬
‫ﺍﻟﺪﻗﺔ‪99.11‬‬
‫ﺭﺍﻥ‬ ‫ﺗﻌﻠﻢﻋﻤﻴﻖ‬ ‫‪DS2OS‬‬ ‫]‪2020 [24‬‬
‫ﺃﺫﻛﺮ‪99.13‬‬
‫ﺩﺭﺟﺔ‪F1 99.20‬‬

‫‪2.3‬ﺍﻟﻤﻨﺎﻗﺸﺔ‬

‫ﻓﻲﺍﻵﻭﻧﺔ ﺍﻷﺧﻴﺮﺓ‪ ،‬ﺗﻢ ﺍﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺎﺕ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻓﻲ ﺍﻟﻌﺪﻳﺪ ﻣﻦ ﺍﻟﺪﺭﺍﺳﺎﺕ‬

‫ﺗﻌﺰﻳﺰﻛﻔﺎءﺓ ﻧﻤﺎﺫﺝ ﺍﻟﺘﺪﺭﻳﺐ ﻛﻤﺎ ﻫﻮ ﻣﻮﺿﺢ ﻓﻲ ﺍﻟﺠﺪﻭﻝ ‪ .2.1‬ﻟﻜﻦ‪،‬‬

‫ﻻﺗﺪﺭﺱ ﻫﺬﻩ ﺍﻟﺪﺭﺍﺳﺎﺕ ﺑﺸﻜﻞ ﻛﺎﻣﻞ ﺍﻟﺸﺒﻜﺎﺕ ﻓﻲ ﻣﺠﺎﻝ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻟﺘﺤﺪﻳﺪﻫﺎ‬

‫ﺍﻟﻤﺨﺎﻟﻔﺎﺕﺑﺴﺮﻋﺔ ﻭﺩﻗﺔ ﻟﻠﻜﺸﻒ ﻋﻦ ﻫﺠﻤﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻭﺍﻟﺮﺩ ﻋﻠﻴﻬﺎ‪ .‬ﻭ‬

‫ﺍﻟﺘﻐﻠﺐﻋﻠﻰ ﻣﺸﻜﻼﺕ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻣﺜﻞ ﺍﻟﺤﺼﻮﻝ ﻋﻠﻰ ﺍﻟﻌﺪﺩ ﺍﻷﻣﺜﻞ ﻣﻦ‬

‫ﺍﻟﺨﻼﻳﺎﺍﻟﻌﺼﺒﻴﺔ ﻭﺍﻟﻤﻌﻠﻤﺎﺕ ﺍﻟﺘﻲ ﺗﺤﻘﻖ ﻫﺪﻑ ﺍﻟﻨﻤﻮﺫﺝ ﺍﻟﻤﺜﺎﻟﻲ‪.‬‬

‫ﺑﺎﺧﺘﺼﺎﺭ‪،‬ﻃﻮﺭ ﺍﻟﺒﺤﺚ ﻧﻤﺎﺫﺝ ﻟﻠﻜﺸﻒ ﻋﻦ ﺍﻟﻬﺠﻤﺎﺕ ﺗﺘﻨﺎﻭﻝ ﻓﻘﻂ‬

‫ﺍﻟﻘﻴﻤﺔﺍﻟﺨﺎﺻﺔ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ .‬ﺑﺸﻜﻞ ﻋﺎﻡ‪ ،‬ﻳﺘﻢ ﺍﺳﺘﺨﺪﺍﻡ ﺍﻟﻌﺪﻳﺪ ﻣﻦ ﻣﺠﻤﻮﻋﺎﺕ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻣﺜﻞ ‪-Bot‬‬

‫ﻳﺘﻢﺍﺳﺘﺨﺪﺍﻡ ‪ IoT‬ﻭ‪ MQTTset‬ﻭ‪ TON IoT‬ﻭ‪ DS2OS‬ﻭ‪ CICIDS2017‬ﻟﺘﻘﻴﻴﻢ‬

‫ﻋﺎﺭﺿﺎﺕﺍﺯﻳﺎء‪ .‬ﻧﻈﺮﺍً ﻟﻠﻤﺘﻄﻠﺒﺎﺕ ﺍﻷﻣﻨﻴﺔ ﺍﻟﻤﺘﺰﺍﻳﺪﺓ ﻟﺸﺒﻜﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ ،‬ﻓﻬﻲ ﻛﺬﻟﻚ‬

‫‪18‬‬
 ‫ﺿﺮﻭﺭﻱﻟﺘﻘﻴﻴﻢ ﻣﺠﻤﻮﻋﺎﺕ ﺑﻴﺎﻧﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻷﺣﺪﺙ‪ .‬ﺗﻢ ﺍﺳﺘﺨﺪﺍﻡ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ DS2OS‬ﻋﻠﻰ ﻧﻄﺎﻕ ﻭﺍﺳﻊ‬

‫ﻟﻔﺸﻞﻧﻈﺎﻡ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻭﺍﺳﺘﺨﺪﺍﻣﻬﺎ ﻓﻲ ﺍﻟﻤﻨﺸﻮﺭﺍﺕ ﺍﻟﻤﻤﺎﺛﻠﺔ ]‪ [22] [15‬ﻭ ]‪.[26‬‬

‫ﻟﻄﻴﻒﻭﺁﺧﺮﻭﻥ‪ [26] .‬ﺣﺼﻠﺖ ﻋﻠﻰ ﺩﻗﺔ ﺑﻨﺴﺒﺔ ‪ ٪99.2‬ﺑﺎﺳﺘﺨﺪﺍﻡ ﻧﻤﻮﺫﺝ ﺍﻟﺘﻨﺒﺆ ﺍﻟﻘﺎﺋﻢ ﻋﻠﻰ ‪RaNN‬‬

‫ﺑﺎﺳﺘﺨﺪﺍﻡﻣﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ‪ .DS2OS‬ﺑﻴﻨﻤﺎ ﻳﺘﻢ ﺍﺳﺘﺨﺪﺍﻡ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ Bot-IoT‬ﻋﻠﻰ ﻧﻄﺎﻕ ﻭﺍﺳﻊ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫ﺗﻘﻴﻴﻢﻧﻈﺎﻡ ﺍﻟﺸﺒﻜﺎﺕ ﻭﺍﺳﺘﺨﺪﺍﻣﻪ ﻓﻲ ﺍﻟﻤﻨﺸﻮﺭﺍﺕ ﺍﻟﻤﻤﺎﺛﻠﺔ ]‪،[16] [13‬‬

‫ﻭ]‪ ،[17‬ﻭ]‪ .[25‬ﻓﻴﺮﺍﺝ ﻭﺁﺧﺮﻭﻥ‪ [16] .‬ﺣﺼﻠﺖ ﻋﻠﻰ ﺩﻗﺔ ﺗﺰﻳﺪ ﻋﻦ ‪ %99‬ﺑﺎﺳﺘﺨﺪﺍﻡ‬

‫ﻧﻤﻮﺫﺝﺍﻟﺘﻨﺒﺆ ﺍﻟﻘﺎﺋﻢ ﻋﻠﻰ ‪ RaNN‬ﺑﺎﺳﺘﺨﺪﺍﻡ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ .Bot-IoT‬ﻭﺣﺘﻰ ﻣﻊ ﺫﻟﻚ‪ ،‬ﻓﺈﻥ ﺍﻟﺘﺪﺭﻳﺐ‬

‫ﻭﻧﻤﺎﺫﺝﺍﻷﺩﺍء ﻓﻲ ﺍﻟﺪﺭﺍﺳﺎﺕ ﺍﻟﻤﺬﻛﻮﺭﺓ ﺃﻋﻼﻩ ﻻ ﺗﺰﺍﻝ ﻣﻌﻘﺪﺓ ﻭﻣﺤﺪﻭﺩﺓ‬

‫ﺃﺟﻬﺰﺓﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ .‬ﻭﻋﻼﻭﺓ ﻋﻠﻰ ﺫﻟﻚ‪ ،‬ﻓﻤﻦ ﺍﻟﻀﺮﻭﺭﻱ ﺍﺳﺘﻜﺸﺎﻑ ﻣﺪﻯ ﺍﻟﺘﻮﺍﻓﻖ‬

‫ﺍﻟﻨﻤﺎﺫﺝﺍﻟﻤﺘﻮﻓﺮﺓ ﻓﻲ ﺍﻟﺒﺤﺚ ﺑﺄﺟﻬﺰﺓ ﻣﺤﺪﻭﺩﺓ ﺍﻟﻤﻮﺍﺭﺩ‪ .‬ﻫﻜﺬﺍ‪،‬‬

‫ﺗﻬﺪﻑﺩﺭﺍﺳﺘﻨﺎ ﺇﻟﻰ ﺣﻞ ﻫﺬﻩ ﺍﻟﻤﺸﻜﻠﺔ‪ ،‬ﻭﺗﻄﻮﻳﺮ ﺗﻨﺒﺆ ﻋﻤﻴﻖ ﻗﺎﺋﻢ ﻋﻠﻰ ﺍﻟﺘﻌﻠﻢ‬

‫ﻟﻠﻜﺸﻒﻋﻦ ﺍﻟﻬﺠﻮﻡ ﻣﻦ ﺧﻼﻝ ﺑﻨﺎء ﻧﻤﻮﺫﺝ ﻳﻌﺘﻤﺪ ﻋﻠﻰ ﺃﻣﻦ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫ﺗﻘﻨﻴﺎﺕﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻣﺜﻞ ‪ RNN‬ﻭ‪ LSTM‬ﻭﺍﻟﺸﺒﻜﺎﺕ ﺍﻟﻌﺼﺒﻴﺔ‪.‬‬

‫‪19‬‬
 ‫ﺍﻟﻤﻨﻬﺠﻴﺔ‬ ‫ﺍﻟﻔﺼﻞ‪:3‬‬
‫‪3.1‬ﻣﻘﺪﻣﺔ‬

‫ﻳﻘﺪﻡﻫﺬﺍ ﺍﻟﻌﻤﻞ ﻧﻤﻮﺫﺟﺎً ﺁﻟﻴﺎً ﻟﻠﻜﺸﻒ ﻋﻦ ﺍﻟﺸﺒﻜﺔ ﻹﻧﺘﺮﻧﺖ‬

‫ﺃﺷﻴﺎء‪.‬ﻳﺠﻤﻊ ﻧﻤﻮﺫﺟﻨﺎ ﺍﻟﻤﻘﺘﺮﺡ ﺑﻴﺎﻧﺎﺕ ﺍﻟﺘﺪﻓﻖ ﺍﻟﺘﻲ ﺗﻢ ﺟﻤﻌﻬﺎ ﺑﻮﺍﺳﻄﺔ ﺃﺟﻬﺰﺓ ﺍﻻﺳﺘﺸﻌﺎﺭ‪ ،‬ﻭﻫﻲ‬

‫ﺗﻢﻧﻘﻠﻬﺎ ﻻﺣﻘﺎً ﺇﻟﻰ ﺗﻘﻨﻴﺎﺕ ﺍﻟﺨﻮﺍﺭﺯﻣﻴﺎﺕ ﺍﻟﻬﻨﺪﺳﻴﺔ ﺍﻟﻤﻤﻴﺰﺓ‪ .‬ﻓﺈﻧﻪ ﺳﻮﻑ‬

‫ﺍﻻﺳﺘﻔﺎﺩﺓﻣﻦ ﺗﻘﻨﻴﺎﺕ ﻫﻨﺪﺳﺔ ﺍﻟﻤﻴﺰﺍﺕ ﻣﺜﻞ ﺍﺧﺘﻴﺎﺭ ﺍﻟﻤﻴﺰﺓ ﻭﺍﻟﻤﻴﺰﺓ‬

‫ﺍﺧﺘﻼﻝﺍﻟﺘﻮﺍﺯﻥ‪ .‬ﺗﻘﻨﻴﺎﺕ ﺍﺧﺘﻴﺎﺭ ﺍﻟﻤﻴﺰﺓ‪ ،‬ﻣﺜﻞ ﺇﺯﺍﻟﺔ ﺍﻟﻤﻴﺰﺓ ﺍﻟﻌﻮﺩﻳﺔ‬

‫ﻭﺗﺤﻠﻴﻞﺍﻟﻤﻜﻮﻧﺎﺕ ﺍﻟﺮﺋﻴﺴﻴﺔ‪ ،‬ﻳﻤﻜﻦ ﺍﻟﺘﻐﻠﺐ ﻋﻠﻰ ﺍﻟﻌﺪﻳﺪ ﻣﻦ ﻣﺸﺎﻛﻞ ﺍﻟﺒﻴﺎﻧﺎﺕ‪،‬‬

‫ﻣﺜﻞﺗﻘﻠﻴﻞ ﺍﻟﺘﺠﻬﻴﺰ ﺍﻟﺰﺍﺋﺪ ﻭﻭﻗﺖ ﺍﻟﺘﺪﺭﻳﺐ ﻭﺗﺤﺴﻴﻦ ﺍﻟﻨﻤﻮﺫﺝ ﺍﻟﻌﺎﻡ‬

‫ﺩﻗﺔ‪.‬ﻓﻲ ]‪ [23‬ﻳﺴﺘﺨﺪﻡ ﺍﻟﻤﺆﻟﻔﻮﻥ ﻧﻬﺞ ‪ SMOTE‬ﻟﺘﺤﻘﻴﻖ ﺍﻟﺘﻮﺍﺯﻥ‬

‫ﻗﺪﻣﺖﺑﻴﺎﻧﺎﺕ ﻟﻤﻌﺎﻟﺠﺔ ﻋﺪﻡ ﺍﻟﺘﻮﺍﺯﻥ ﺍﻟﻄﺒﻘﻲ ﻓﻲ ﻧﻤﻮﺫﺟﻨﺎ‪ .‬ﺛﻢ‪ ،‬ﻋﺪﺓ ﻋﻤﻴﻘﺔ‬

‫ﺳﻴﺘﻢﺗﻨﻔﻴﺬ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﻟﺘﺤﺪﻳﺪ ﺍﻷﺩﺍء ﻭﺍﻟﻮﻗﺖ‬

‫ﺗﻌﻘﻴﺪﻛﻞ ﻧﻤﻮﺫﺝ ﻓﺮﻳﺪ ﻣﻦ ﻧﻮﻋﻪ‪.‬‬

‫‪3.2‬ﻣﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺍﻟﻤﺮﺟﻌﻴﺔ‬

‫ﻣﺠﻤﻮﻋﺔﺑﻴﺎﻧﺎﺕ ﺑﻮﺕ‪-‬ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬ ‫‪-‬‬

‫ﻳﺘﻢﺍﺳﺘﺨﺪﺍﻡ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ﺗﻄﻮﻳﺮ ﺟﺪﻳﺪﺓ ‪ Bot-IoT‬ﻟﻐﺮﺽ ﺍﻟﺘﺤﻔﻴﺰ‬

‫ﺗﺤﺪﻳﺪﺍﻻﻋﺘﺪﺍء ﻓﻲ ﺍﻟﺘﺠﺮﺑﺔ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ]‪ .[26] ،[25‬ﺍﻝ‬

‫ﺗﺘﻀﻤﻦﺍﻟﻤﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ﻣﻦ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺗﻢ ﺟﻤﻌﻬﺎ ﻣﻦ ‪Cyber Range‬‬

‫ﻣﺨﺘﺒﺮﺟﺎﻣﻌﺔ ﻧﻴﻮ ﺳﺎﻭﺙ ﻭﻳﻠﺰ ﻛﺎﻧﺒﻴﺮﺍ ]‪ ،[27‬ﺑﺎﻹﺿﺎﻓﺔ ﺇﻟﻰ ﺗﺪﻓﻘﺎﺕ ﺣﺮﻛﺔ ﺍﻟﻤﺮﻭﺭ ﺍﻟﻌﺎﺩﻳﺔ ﻭﺗﺪﻓﻘﺎﺕ ﺣﺮﻛﺔ ﺍﻟﻤﺮﻭﺭ‬

‫‪20‬‬
‫ﺍﻟﻨﺎﺟﻤﺔﻋﻦ ﺷﺒﻜﺎﺕ ﺍﻟﺮﻭﺑﻮﺕ ﺑﺴﺒﺐ ﺃﻧﻮﺍﻉ ﻣﺨﺘﻠﻔﺔ ﻣﻦ ﺍﻟﻬﺠﻤﺎﺕ ]‪ .[28‬ﺍﺧﺘﺒﺎﺭ ﻭﺍﻗﻌﻲ‬

‫ﺍﻟﻤﺠﻬﺰﺑﺨﺼﺎﺋﺺ ﺍﻟﻤﻌﻠﻮﻣﺎﺕ ﺍﻟﻤﻔﻴﺪﺓ ﺍﻟﻤﺴﺘﺨﺪﻣﺔ ﻓﻲ ﺍﻹﻧﺘﺎﺝ‬

‫ﻣﻦﻣﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻫﺬﻩ ﺑﺤﻴﺚ ﻳﻤﻜﻦ ﺗﺘﺒﻊ ﺣﺮﻛﺔ ﺍﻟﻤﺮﻭﺭ ﺍﻟﺪﻗﻴﻘﺔ ﺃﺛﻨﺎء ﺇﻧﺘﺎﺝ ﻣﻠﻒ‬

‫ﻣﺠﻤﻮﻋﺔﺑﻴﺎﻧﺎﺕ ﻣﻔﻴﺪﺓ‪ .‬ﻭﺑﻄﺮﻳﻘﺔ ﻣﻤﺎﺛﻠﺔ‪ ،‬ﺗﻢ ﺍﺳﺘﺨﺮﺍﺝ ﺍﻟﻤﺰﻳﺪ ﻣﻦ ﺍﻟﻤﻴﺰﺍﺕ ﻭﺇﺿﺎﻓﺘﻬﺎ‬

‫ﻣﺠﻤﻮﻋﺔﺍﻟﻤﻴﺰﺍﺕ ﺍﻟﻤﺴﺘﺨﺮﺟﺔ ﻣﺴﺒﻘﺎً ﻟﺘﺤﺴﻴﻦ ﺃﺩﺍء ﻣﻠﻒ‬

‫ﻧﻤﻮﺫﺝﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ ﻭﺇﻧﺸﺎء ﻧﻤﻮﺫﺝ ﺗﻨﺒﺆ ﺩﻗﻴﻖ‪ .‬ﻭﻟﻜﻦ ﻻ ﻳﺰﺍﻝ‪ ،‬ﻝ‬

‫ﺗﺤﻘﻴﻖﻣﺴﺘﻮﻯ ﺃﻋﻠﻰ ﻣﻦ ﺍﻹﻧﺘﺎﺟﻴﺔ‪ ،‬ﻭﺍﻟﺼﻔﺎﺕ ﺍﻟﻤﺴﺘﺨﺮﺟﺔ‪ ،‬ﻭﺍﻟﺘﻲ ﺗﺸﻤﻞ‬

‫ﺗﻢﺇﻋﻄﺎء ﺗﺴﻤﻴﺎﺕ ﻟﺘﺪﻓﻖ ﺍﻟﻬﺠﻮﻡ ﻭﺍﻟﻔﺌﺎﺕ ﻭﺍﻟﻔﺌﺎﺕ ﺍﻟﻔﺮﻋﻴﺔ‪ .‬ﻣﻘﻠﺪ‬

‫ﺧﺪﻣﺎﺕﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ ،‬ﻭﺑﻨﻴﺔ ﺍﻟﺸﺒﻜﺎﺕ‪ ،‬ﻭﺍﺳﺘﺨﺮﺍﺝ ﺍﻟﺨﺼﺎﺋﺺ‪ ،‬ﻭ‬

‫ﺍﻟﺘﺤﻠﻴﻼﺕﺍﻻﺳﺘﻘﺼﺎﺋﻴﺔ ﻫﻲ ﺍﻟﻤﻜﻮﻧﺎﺕ ﺍﻟﻔﺮﻋﻴﺔ ﺍﻟﺜﻼﺛﺔ ﻟﻼﺧﺘﺒﺎﺭ ﺍﻟﺘﻲ ﻛﺎﻧﺖ‬

‫ﺍﻟﻤﺴﺘﺨﺪﻣﺔ‪.‬ﻭﺇﻟﻰ ﺣﺪ ﻣﻤﺎﺛﻞ‪ ،‬ﻹﻋﺎﺩﺓ ﺇﻧﺸﺎء ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻟﺬﻱ ﻳﻮﻟﺪ ﺩﻗﻴﻘﺔ ﺑﺪﻗﻴﻘﺔ‬

‫ﻣﻌﻠﻮﻣﺎﺕﺍﻷﺭﺻﺎﺩ ﺍﻟﺠﻮﻳﺔ‪ ،‬ﻣﺜﻞ ﺩﺭﺟﺔ ﺍﻟﺤﺮﺍﺭﺓ ﺍﻟﺤﺎﻟﻴﺔ ﻭﺍﻟﺮﻃﻮﺑﺔ ﻭﺍﻟﻬﻮﺍء‬

‫ﺿﻐﻂ‪.‬ﻣﺤﻄﺎﺕ ﻗﻴﺎﺱ ﺍﻟﻄﻘﺲ ﺃﻭ ‪ IoTs‬ﺍﻟﻤﻜﻮﻥ ﺍﻟﺜﺎﻧﻲ‬

‫ﻫﻲﺛﻼﺟﺔ ﺍﻟﺘﺒﺮﻳﺪ ﺍﻟﺬﻛﻴﺔ‪ ،‬ﺍﻟﺘﻲ ﺗﻨﻘﻞ ﺍﻟﻤﻌﻠﻮﻣﺎﺕ ﺣﻮﻝ ﺍﻟﺘﺒﺮﻳﺪ ﺃﻭ‬

‫ﺩﺭﺟﺔﺍﻟﺤﺮﺍﺭﺓ ﺇﻟﻰ ﺛﻼﺟﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻟﺬﻛﻴﺔ ﺣﺘﻰ ﺗﺘﻤﻜﻦ ﻣﻦ ﺿﺒﻂ ﺩﺭﺟﺔ ﺣﺮﺍﺭﺗﻬﺎ‬

‫ﺑﺸﻜﻞﻣﻨﺎﺳﺐ‪ .‬ﺍﻟﻤﻜﻮﻥ ﺍﻟﺜﺎﻟﺚ ﻫﻮ ﺍﻟﺘﺤﻜﻢ ﻓﻲ ﺍﻹﺿﺎءﺓ ﻣﻦ ﺧﻼﻝ ﺟﻬﺎﺯ ﺫﻛﻲ‪.‬‬

‫ﻫﺬﻩﺍﻷﺿﻮﺍء ﻋﺒﺎﺭﺓ ﻋﻦ ﻧﺴﺦ ﻣﻌﻤﻤﺔ ﻣﻦ ﺍﻹﺷﺎﺭﺍﺕ ﺍﻟﻌﺸﻮﺍﺋﻴﺔ ﺍﻟﺰﺍﺋﻔﺔ ﺍﻟﺘﻲ ﺗﺘﺤﺮﻙ‬

‫ﺗﻨﺘﺞﺃﺟﻬﺰﺓ ﺍﻟﻜﺸﻒ‪ .‬ﺳﻴﺘﻢ ﺗﺸﻐﻴﻞ ﺍﻟﻀﻮء ﺗﻠﻘﺎﺋﻴﺎً ﺇﺫﺍ ﺍﻛﺘﺸﻒ ﺍﻟﺤﺮﻛﺔ‪ ،‬ﻭﻟﻜﻦ‬

‫ﺳﻴﺒﻘﻰﺑﻌﻴﺪﺍً ﻋﻨﺪﻣﺎ ﻻ ﻳﺤﺪﺙ ﺫﻟﻚ‪ .‬ﻋﻨﺪﻣﺎ ﻻ ﻳﺘﻢ ﺍﻛﺘﺸﺎﻑ ﺃﻱ ﺣﺮﻛﺔ‪ ،‬ﻳﻀﻲء ﺍﻟﻀﻮء‬

‫ﺳﻮﻑﺗﺒﻘﻰ ﺧﺎﺭﺝ‪ .‬ﺍﻟﺒﺎﺏ ﺍﻟﺮﺍﺑﻊ ﻫﻮ ﺑﺎﺏ ﺫﻛﻲ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ .‬ﺃﺑﻮﺍﺏ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻟﺬﻛﻴﺔ ﺗﺄﺧﺬ‬

‫‪21‬‬
 ‫ﺍﻟﻤﺪﺧﻼﺕﺍﻻﺣﺘﻤﺎﻟﻴﺔ ﻓﻲ ﺍﻻﻋﺘﺒﺎﺭ‪ .‬ﻣﻨﻈﻢ ﺍﻟﺤﺮﺍﺭﺓ ﺍﻟﺬﻛﻲ ﻫﻮ ﺍﻟﺨﺎﻣﺲ ﻭ‬

‫ﺍﻟﻌﻨﺼﺮﺍﻷﺧﻴﺮ ﻓﻲ ﺍﻟﻘﺎﺋﻤﺔ‪ .‬ﻭﻫﻮ ﺟﻬﺎﺯ ﻳﻤﻜﻦ ﺍﺳﺘﺨﺪﺍﻣﻪ ﻟﺘﻐﻴﻴﺮ ﻭﺗﻨﻈﻴﻢ‬

‫ﺩﺭﺟﺔﺣﺮﺍﺭﺓ ﺍﻟﻤﻨﺰﻝ ﺗﻠﻘﺎﺋﻴﺎ‪ .‬ﻳﺼﻒ ﺍﻟﺠﺪﻭﻝ ‪ 3.1‬ﺍﻟﻬﺠﻮﻡ‬

‫ﺍﻟﺨﺼﺎﺋﺺﻟﻠﺒﻴﺎﻧﺎﺕ‪.‬‬

‫ﻃﺎﻭﻟﺔ‪1-3‬ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪.Bot-IoT‬‬

‫ﻋﺪﺩ‬ ‫ﻫﺪﻑ‬ ‫ﻳﻜﺘﺐ‬

‫‪9543‬‬ ‫ﺣﻤﻴﺪﺓ‬ ‫ﺣﻤﻴﺪﺓ‬

‫‪19,547,603‬‬ ‫ﻫﺠﻮﻡ‬ ‫ﺩﻭﺱﺗﻲ ﺳﻲ ﺑﻲ‬

‫‪18,965,106‬‬ ‫ﻫﺠﻮﻡ‬ ‫‪DDoS UDP‬‬

‫‪19,771‬‬ ‫ﻫﺠﻮﻡ‬ ‫ﺩﻭﺱ‪HTTP‬‬

‫‪12,315,997‬‬ ‫ﻫﺠﻮﻡ‬ ‫ﺩﻭﺱﺗﻜﺐ‬

‫‪20,659,491‬‬ ‫ﻫﺠﻮﻡ‬ ‫ﺩﻭﺱﻳﻮ ﺩﻱ ﺑﻲ‬

‫‪29,706‬‬ ‫ﻫﺠﻮﻡ‬ ‫ﺩﻭﺱ‪HTTP‬‬

‫‪1469‬‬ ‫ﺗﺪﻭﻳﻦﺍﻟﻤﻔﺎﺗﻴﺢ‬ ‫ﺗﺪﻭﻳﻦﺍﻟﻤﻔﺎﺗﻴﺢ‬

‫‪118‬‬ ‫ﺳﺮﻗﺔﺍﻟﺒﻴﺎﻧﺎﺕ‬ ‫ﺳﺮﻗﺔﺍﻟﺒﻴﺎﻧﺎﺕ‬

‫‪73,370,443‬‬ ‫‪-‬‬ ‫ﺍﻟﻤﺠﻤﻮﻉ‬

‫ﻳﺘﻢﻋﺮﺽ ﺍﻷﻫﺪﺍﻑ ﻟﻠﺘﻤﻴﻴﺰ ﺑﻴﻦ ﺍﻟﻔﺌﺎﺕ ﺍﻟﻤﺨﺘﻠﻔﺔ ﻟﺤﺮﻛﺔ ﻣﺮﻭﺭ ﺍﻟﺸﺒﻜﺔ‬

‫ﺣﻤﻴﺪﺓﺃﻭ ﻛﺄﻧﻮﺍﻉ ﻣﺤﺪﺩﺓ ﻣﻦ ﺍﻟﻬﺠﻤﺎﺕ‪ .‬ﻭﺗﺮﺗﺒﻂ ﺍﻷﻫﺪﺍﻑ ﺑﻤﺨﺘﻠﻒ‬

‫ﻓﺌﺎﺕﺍﻟﺘﻬﺪﻳﺪﺍﺕ ﺍﻟﺴﻴﺒﺮﺍﻧﻴﺔ ﻭﺍﻷﻧﺸﻄﺔ ﺍﻟﻀﺎﺭﺓ ﺍﻟﺘﻲ ﻳﻤﻜﻦ ﺃﻥ ﺗﺤﺪﺙ ﻓﻲ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫ﺑﻴﺌﺔ‪.‬ﺗﺼﻨﻴﻒ ﺣﺮﻛﺔ ﻣﺮﻭﺭ ﺍﻟﺸﺒﻜﺔ ﺇﻟﻰ ﻫﺪﻑ ﻣﺘﻤﻴﺰ‬

‫‪22‬‬
 ‫ﻓﺌﺎﺕﺗﺴﻬﻞ ﺗﺤﺪﻳﺪ ﻭﺍﻟﺘﻔﺮﻳﻖ ﺑﻴﻦ ﺣﻤﻴﺪﺓ ﻭ‬

‫ﺍﻷﻧﺸﻄﺔﺍﻟﻀﺎﺭﺓ ﺍﻟﻤﺤﺘﻤﻠﺔ‪.‬‬

‫ﻓﻴﻤﺎﻳﻠﻲ ﺍﻟﻔﺌﺎﺕ ﺍﻟﻤﺴﺘﻬﺪﻓﺔ ﻓﻲ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪:BoT IoT‬‬

‫ﺗﺮﻣﺰﻫﺬﻩ ﺍﻟﻔﺌﺔ ﺇﻟﻰ ﺣﺮﻛﺔ ﻣﺮﻭﺭ ﺍﻟﺸﺒﻜﺔ ﻏﻴﺮ ﺍﻟﻀﺎﺭﺓ‪ ،‬ﻭﺍﻟﺘﻲ ﺗﺘﻜﻮﻥ ﻣﻦ ﺣﺮﻛﺔ ﻋﺎﺩﻳﺔ‪،‬‬

‫ﺃﻧﺸﻄﺔﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻟﻤﺸﺮﻭﻋﺔ‪ .‬ﻭﻫﻮ ﻳﻨﻄﻮﻱ ﻋﻠﻰ ﺍﻻﺗﺼﺎﻻﺕ ﻭﺗﺒﺎﺩﻝ ﺍﻟﺒﻴﺎﻧﺎﺕ‬

‫ﺑﻴﻦﺃﺟﻬﺰﺓ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺑﺸﻜﻞ ﻣﻨﺘﻈﻢ ﺩﻭﻥ ﺃﻱ ﻧﻴﺔ ﺧﺒﻴﺜﺔ‪.‬‬

‫ﺍﻟﺘﻲﺗﺴﺘﻬﺪﻑ ‪ DDoS‬ﻫﻲ ﻓﺌﺔ ﺗﺼﻒ ﻫﺠﻤﺎﺕ ‪DDoS TCP Attack‬‬

‫ﺑﺮﻭﺗﻮﻛﻮﻝﺍﻟﺘﺤﻜﻢ ﻓﻲ ﺍﻹﺭﺳﺎﻝ )‪ .(TCP‬ﺗﺘﻀﻤﻦ ﻫﺠﻤﺎﺕ ‪ DDoS TCP‬ﺇﻏﺮﺍﻕ‬

‫ﺷﺒﻜﺔﺃﻭ ﺟﻬﺎﺯ ﻣﺴﺘﻬﺪﻑ ﺑﻄﻠﺒﺎﺕ ﻣﺴﺘﻨﺪﺓ ﺇﻟﻰ ‪ TCP‬ﻟﺠﻌﻠﻪ ﻏﻴﺮ ﻗﺎﺑﻞ ﻟﻠﻮﺻﻮﻝ ﺇﻟﻴﻪ‬

‫ﺍﻟﻤﺴﺘﺨﺪﻣﻴﻦﺍﻟﻤﻌﺘﻤﺪﻳﻦ‪.‬‬

‫ﻫﺠﻮﻡ‪ :DDoS UDP‬ﻫﺠﻤﺎﺕ ‪ DDoS‬ﺍﻟﺘﻲ ﺗﺴﺘﻬﺪﻑ ﻣﺨﻄﻂ ﺑﻴﺎﻧﺎﺕ ﺍﻟﻤﺴﺘﺨﺪﻡ ﻋﻠﻰ ﻭﺟﻪ ﺍﻟﺘﺤﺪﻳﺪ‬

‫ﻳﻘﻊﺍﻟﺒﺮﻭﺗﻮﻛﻮﻝ )‪ (UDP‬ﺿﻤﻦ ﻫﺬﻩ ﺍﻟﻔﺌﺔ‪ .‬ﺗﺘﻀﻤﻦ ﻫﺠﻤﺎﺕ ‪ DDoS UDP‬ﺳﺎﺣﻘﺔ‬

‫ﺷﺒﻜﺔﺃﻭ ﺟﻬﺎﺯ ﻳﺤﺘﻮﻱ ﻋﻠﻰ ﺍﻟﻌﺪﻳﺪ ﻣﻦ ﺣﺰﻡ ‪ ،UDP‬ﻣﻤﺎ ﻳﺆﺩﻱ ﺇﻟﻰ ﺣﺪﻭﺙ ﺍﺿﻄﺮﺍﺑﺎﺕ ﻭ‬

‫ﺍﺣﺘﻤﺎﻝﻋﺪﻡ ﺗﻮﻓﺮ ﺍﻟﺨﺪﻣﺔ‪.‬‬

‫ﻫﺠﻮﻡ‪ :DDoS HTTP‬ﻫﺠﻤﺎﺕ ‪ DDoS‬ﺍﻟﺘﻲ ﺗﺴﺘﻬﺪﻑ ﻧﻘﻞ ﺍﻟﻨﺺ ﺍﻟﺘﺸﻌﺒﻲ ﻋﻠﻰ ﻭﺟﻪ ﺍﻟﺘﺤﺪﻳﺪ‬

‫ﻳﻘﻊﺍﻟﺒﺮﻭﺗﻮﻛﻮﻝ )‪ (HTTP‬ﺿﻤﻦ ﻫﺬﻩ ﺍﻟﻔﺌﺔ‪ .‬ﺗﻬﺪﻑ ﻫﺠﻤﺎﺕ ‪ DDoS HTTP‬ﺇﻟﻰ‬

‫ﺇﺭﺑﺎﻙﺧﺎﺩﻡ ﺍﻟﻮﻳﺐ ﺍﻟﻤﺴﺘﻬﺪﻑ ﺑﺘﺪﻓﻖ ﻫﺎﺋﻞ ﻣﻦ ﻃﻠﺒﺎﺕ ‪،HTTP‬‬

‫ﻣﻤﺎﻳﺆﺩﻱ ﺇﻟﻰ ﺗﺪﻫﻮﺭ ﺍﻷﺩﺍء ﺃﻭ ﺍﻧﻘﻄﺎﻉ ﺍﻟﺨﺪﻣﺔ‪.‬‬

‫‪23‬‬
 ‫ﻫﺠﻮﻡ‪ :DoS TCP‬ﺗﻤﺜﻞ ﻫﺬﻩ ﺍﻟﻔﺌﺔ ﻫﺠﻤﺎﺕ ‪) DoS‬ﺭﻓﺾ ﺍﻟﺨﺪﻣﺔ( ﺍﻟﻤﺴﺘﻬﺪﻓﺔ‬

‫ﻓﻲﺑﺮﻭﺗﻮﻛﻮﻝ ‪ .TCP‬ﺗﺘﻀﻤﻦ ﻫﺠﻤﺎﺕ ‪ DoS TCP‬ﺍﺳﺘﻐﻼﻝ ﻧﻘﺎﻁ ﺍﻟﻀﻌﻒ ﻓﻲ ‪TCP‬‬

‫ﺍﻟﻤﻜﺪﺱﻻﺳﺘﻨﻔﺎﺩ ﻣﻮﺍﺭﺩ ﺍﻟﺠﻬﺎﺯ ﺃﻭ ﺍﻟﺸﺒﻜﺔ ﺍﻟﻤﺴﺘﻬﺪﻓﺔ‪ ،‬ﻭﺑﺎﻟﺘﺎﻟﻲ ﺍﻟﻌﺮﺽ‬

‫ﺃﻧﻬﺎﻻ ﺗﺴﺘﺠﻴﺐ ﺃﻭ ﻏﻴﺮ ﻣﺘﻮﻓﺮﺓ‪.‬‬

‫ﻫﺠﻮﻡ‪ :DoS UDP‬ﺗﺘﻀﻤﻦ ﻫﺬﻩ ﺍﻟﻔﺌﺔ ﻫﺠﻤﺎﺕ ﺭﻓﺾ ﺍﻟﺨﺪﻣﺔ )‪ (DoS‬ﺍﻟﺘﻲ‬

‫ﺍﺳﺘﻬﺪﺍﻑﺑﺮﻭﺗﻮﻛﻮﻝ ‪ UDP‬ﻋﻠﻰ ﻭﺟﻪ ﺍﻟﺘﺤﺪﻳﺪ‪ .‬ﺗﺘﻀﻤﻦ ﻫﺠﻤﺎﺕ ‪ DoS UDP‬ﻗﺼﻒ‬

‫ﺍﻟﻬﺪﻑﻣﻊ ﺍﻟﻌﺪﻳﺪ ﻣﻦ ﺣﺰﻡ ‪ ،UDP‬ﻣﻤﺎ ﻳﺆﺩﻱ ﺇﻟﻰ ﺍﺳﺘﻨﻔﺎﺩ ﺍﻟﻤﻮﺍﺭﺩ ﻭﺍﺣﺘﻤﺎﻝ ﺣﺪﻭﺙ ﺫﻟﻚ‬

‫ﺍﺿﻄﺮﺍﺑﺎﺕﺍﻟﺨﺪﻣﺔ‪.‬‬

‫ﻫﺠﻮﻡ‪ :DoS HTTP‬ﺗﺼﻒ ﻫﺬﻩ ﺍﻟﻔﺌﺔ ﻫﺠﻤﺎﺕ ﺭﻓﺾ ﺍﻟﺨﺪﻣﺔ )‪ (DoS‬ﺍﻟﺘﻲ‬

‫ﺍﺳﺘﻐﻼﻝﺍﻟﺜﻐﺮﺍﺕ ﺍﻷﻣﻨﻴﺔ ﻓﻲ ﺑﺮﻭﺗﻮﻛﻮﻝ ‪ .HTTP‬ﺗﻬﺪﻑ ﻫﺠﻤﺎﺕ ‪ DoS HTTP‬ﺇﻟﻰ ﺍﻟﺘﻐﻠﺐ ﻋﻠﻰ‬

‫ﺧﺎﺩﻡﺍﻟﻮﻳﺐ ﺍﻟﻤﺴﺘﻬﺪﻑ ﻣﻊ ﻃﻠﺒﺎﺕ ‪ HTTP‬ﺍﻟﻤﻔﺮﻃﺔ‪ ،‬ﻣﻤﺎ ﺗﺴﺒﺐ ﻓﻲ ﺗﺪﻫﻮﺭ‬

‫ﺍﻷﺩﺍءﺃﻭ ﻋﺪﻡ ﺍﻟﺘﻮﻓﺮ ﺍﻟﻌﺎﺑﺮ‪.‬‬

‫ﺗﻤﺜﻞﻫﺬﻩ ﺍﻟﻔﺌﺔ ﺍﻷﻧﺸﻄﺔ ﺍﻟﻤﺘﻌﻠﻘﺔ ﺑﺘﺪﻭﻳﻦ ﺍﻟﻤﻔﺎﺗﻴﺢ‪ ،‬ﻭﺍﻟﺘﻲ ﺗﻨﻄﻮﻱ ﻋﻠﻰ ﺍﻟﺴﺮﻳﺔ‬

‫ﻣﺮﺍﻗﺒﺔﻭﺗﺴﺠﻴﻞ ﺿﻐﻄﺎﺕ ﺍﻟﻤﻔﺎﺗﻴﺢ ﻋﻠﻰ ﺟﻬﺎﺯ ﻣﺨﺘﺮﻕ‪ .‬ﻟﻠﺨﺒﻴﺚ‬

‫ﻷﻏﺮﺍﺽﺃﺧﺮﻯ‪ ،‬ﻳﻘﻮﻡ ﺑﺮﻧﺎﻣﺞ ‪ Keyloggers‬ﺑﺴﺮﻗﺔ ﺍﻟﻤﻌﻠﻮﻣﺎﺕ ﺍﻟﺤﺴﺎﺳﺔ ﻣﺜﻞ ﻛﻠﻤﺎﺕ ﺍﻟﻤﺮﻭﺭ ﻭ‬

‫ﺑﻴﺎﻧﺎﺕﺷﺨﺼﻴﺔ‪.‬‬

‫ﺍﻟﺘﻘﺎﻁﺍﻟﺒﻴﺎﻧﺎﺕ‪ :‬ﺗﻤﺜﻞ ﻫﺬﻩ ﺍﻟﻔﺌﺔ ﺍﻷﻧﺸﻄﺔ ﺍﻟﻀﺎﺭﺓ ﺍﻟﺘﻲ ﺗﻨﻄﻮﻱ ﻋﻠﻰ ﺃﻧﺸﻄﺔ ﻏﻴﺮ ﻣﺸﺮﻭﻋﺔ‬

‫ﺍﻟﺘﻘﺎﻁﺍﻟﺒﻴﺎﻧﺎﺕ ﻣﻦ ﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ .‬ﺃﻧﻬﺎ ﺗﻨﻄﻮﻱ ﻋﻠﻰ ﺍﻟﻮﺻﻮﻝ ﻏﻴﺮ ﺍﻟﻤﺼﺮﺡ ﺑﻪ ﺇﻟﻰ ﻭ‬

‫‪24‬‬
 ‫ﺳﺮﻗﺔﺍﻟﻤﻌﻠﻮﻣﺎﺕ ﺍﻟﺤﺴﺎﺳﺔ ﺃﻭ ﺍﻟﺴﺮﻳﺔ ﻣﻦ ﺍﻷﺟﻬﺰﺓ ﺍﻟﻤﺨﺘﺮﻗﺔ‬

‫ﺃﻭﺍﻷﻧﻈﻤﺔ‪.‬‬

‫‪3.3‬ﺍﻟﻨﻤﻮﺫﺝ ﺍﻟﻤﻘﺘﺮﺡ‬

‫‪3.3.1‬ﺍﻟﻤﻌﺎﻟﺠﺔ ﺍﻟﻤﺴﺒﻘﺔ ﻟﻠﺒﻴﺎﻧﺎﺕ‬

‫ﺗﻌﺪﺍﻟﻤﻌﺎﻟﺠﺔ ﺍﻟﻤﺴﺒﻘﺔ ﻟﻠﺒﻴﺎﻧﺎﺕ ﻋﻨﺼﺮﺍً ﺃﺳﺎﺳﻴﺎً ﻓﻲ ﺗﻄﻮﻳﺮ ﺍﻟﻨﻤﻮﺫﺝ‪ .‬ﻗﻤﻨﺎ ﺑﺘﻄﺒﻴﻖ ﺗﻘﻨﻴﺎﺕ‬

‫ﺍﻟﻤﻌﺎﻟﺠﺔﺍﻟﻤﺴﺒﻘﺔ ﺍﻟﺘﺎﻟﻴﺔ ﻟﺘﻌﺰﻳﺰ ﺍﻟﻨﻤﻮﺫﺝ ﺍﻟﻤﻘﺘﺮﺡ ﺧﻼﻝ ﻫﺬﺍ ﺍﻹﺟﺮﺍء‪:‬‬

‫‪.1‬ﺗﻨﻈﻴﻒ ﺍﻟﺒﻴﺎﻧﺎﺕ‬

‫ﻓﻲﻣﺮﺣﻠﺔ ﻣﺎ ﻗﺒﻞ ﺍﻟﻤﻌﺎﻟﺠﺔ‪ ،‬ﺗﺸﺘﻤﻞ ﻋﻤﻠﻴﺔ ﺗﻨﻘﻴﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻋﻠﻰ ﺗﺼﻔﻴﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻭﺗﺤﻮﻳﻠﻬﺎ‬

‫ﻟﻠﺒﻴﺎﻧﺎﺕ‪،‬ﻭﺍﻟﺘﺤﻘﻖ ﻣﻦ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺍﻟﻤﻔﻘﻮﺩﺓ ﻛﻤﺎ ﻫﻮ ﻣﺒﻴﻦ ﻓﻲ ﺍﻟﺸﻜﻞ ‪ .3.1‬ﻓﻲ ﺍﻟﺒﻴﺎﻧﺎﺕ‬

‫ﻣﺮﺣﻠﺔﺍﻟﺘﺮﺷﻴﺢ‪ ،‬ﻳﺘﻢ ﺍﻟﺤﺼﻮﻝ ﻋﻠﻰ ﺍﻟﻘﻴﻢ ﺍﻟﻔﺎﺭﻏﺔ ﻭﺍﻟﻤﻜﺮﺭﺓ ﻭﺍﻟﻘﻀﺎء ﻋﻠﻴﻬﺎ‪.‬‬

‫ﻓﻲﺇﺟﺮﺍء ﺗﺤﻮﻳﻞ ﺍﻟﺒﻴﺎﻧﺎﺕ‪ ،‬ﻳﺘﻢ ﺗﺤﻮﻳﻞ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺇﻟﻰ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺍﻟﻤﻨﺎﺳﺒﺔ‬

‫ﺍﻟﺘﻨﺴﻴﻖ‪،‬ﻣﺜﻞ ﻣﻦ ﻓﺌﺔ ﺇﻟﻰ ﺭﻗﻢ ﺭﻗﻤﻲ‪ .‬ﺗﺴﺎﻋﺪ ﺍﻟﻌﺪﻳﺪ ﻣﻦ ﺃﺩﻭﺍﺕ ﺑﺎﻳﺜﻮﻥ ﺍﻟﻤﺴﺎﻋﺪﺓ‬

‫ﺇﻋﺪﺍﺩﺍﻟﺒﻴﺎﻧﺎﺕ ﻟﻠﺘﺤﻠﻴﻞ ﻋﻦ ﻃﺮﻳﻖ ﺗﻨﻈﻴﻔﻬﺎ‪.‬‬

‫‪25‬‬
 ‫ﺍﻟﺸﻜﻞ‪3.1‬ﺍﻟﺘﺤﻘﻖ ﻣﻦ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺍﻟﻤﻔﻘﻮﺩﺓ ﻟﻤﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪.BoT IoT‬‬

‫‪3.3.2‬ﺍﻟﺘﻘﻨﻴﺎﺕ ﺍﻟﻬﻨﺪﺳﻴﺔ ﺍﻟﻤﻤﻴﺰﺓ‬

‫‪.1‬ﻣﻌﺎﻣﻞ ﺍﻻﺭﺗﺒﺎﻁ‬

‫ﻳﻘﻴﺲﻣﻌﺎﻣﻞ ﺍﻻﺭﺗﺒﺎﻁ ﺍﻟﻌﻼﻗﺔ ﺑﻴﻦ ﺍﻟﻌﺎﻣﻠﻴﻦ ﻓﻲ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ﻣﻌﻴﻨﺔ‪ .‬ﻓﻲ ﻣﺠﻤﻮﻋﺔ‬

‫ﺑﻴﺎﻧﺎﺕ‪ ،BoT IoT‬ﻳﻤﻜﻦ ﺃﻥ ﻳﻮﻓﺮ ﺗﺤﻠﻴﻞ ﻣﻌﺎﻣﻞ ﺍﻻﺭﺗﺒﺎﻁ ﺭﺅﻯ ﻗﻴﻤﺔ ﺣﻮﻝ ﺍﻟﺘﺮﺍﺑﻂ‬

‫ﻭﺍﻻﺭﺗﺒﺎﻃﺎﺕﺑﻴﻦ ﺍﻟﻤﺘﻐﻴﺮﺍﺕ ﺍﻟﻤﺨﺘﻠﻔﺔ‪ .‬ﻭﺑﺎﻟﺘﺎﻟﻲ ﺗﻌﺰﻳﺰ ﻓﻬﻢ ﻣﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻭﺃﻧﻤﺎﻃﻬﺎ‬

‫ﺍﻟﻤﺤﺘﻤﻠﺔﻛﻤﺎ ﻫﻮ ﻣﻮﺿﺢ ﻓﻲ ﺍﻟﺸﻜﻞ ‪.3.2‬‬

‫‪26‬‬
 ‫ﺍﻟﺸﻜﻞ‪3.2‬ﻣﻌﺎﻣﻞ ﺍﻻﺭﺗﺒﺎﻁ ﺑﻴﻦ ﻣﻴﺰﺍﺕ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪.BoT IoT‬‬

‫ﺗﺤﺘﻮﻱﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ BoT IoT‬ﻋﻠﻰ ﻣﻌﻠﻮﻣﺎﺕ ﺣﻮﻝ ﺃﺟﻬﺰﺓ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻟﺘﻲ ﺗﻢ‬

‫ﺗﻢﺍﺧﺘﺮﺍﻗﻬﺎ ﺑﻮﺍﺳﻄﺔ ﺷﺒﻜﺎﺕ ﺍﻟﺮﻭﺑﻮﺕ‪ ،‬ﻭﻫﻲ ﺷﺒﻜﺎﺕ ﻣﻦ ﺍﻷﺟﻬﺰﺓ ﺍﻟﻤﺼﺎﺑﺔ ﺍﻟﺘﻲ ﻳﺘﻢ ﺍﻟﺘﺤﻜﻢ ﻓﻴﻬﺎ‬

‫ﺍﻟﺠﻬﺎﺕﺍﻟﻔﺎﻋﻠﺔ ﺍﻟﺨﺒﻴﺜﺔ‪ .‬ﺗﺤﺘﻮﻱ ﻣﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻫﺬﻩ ﻋﻠﻰ ﻣﺠﻤﻮﻋﺔ ﻣﺘﻨﻮﻋﺔ ﻣﻦ ﺍﻟﺴﻤﺎﺕ ﻭﺍﻟﺨﺼﺎﺋﺺ‬

‫ﻭﺻﻒﺳﻠﻮﻙ ﻭﺧﺼﺎﺋﺺ ﺃﺟﻬﺰﺓ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻟﻤﻌﺮﺿﺔ ﻟﻠﺨﻄﺮ‪.‬‬

‫ﺍﻟﺘﺄﻛﺪﻣﻦ ﺗﻨﺴﻴﻖ ﻣﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺑﺸﻜﻞ ﺻﺤﻴﺢ ﻭﺃﻥ ﺃﻱ ﻗﻴﻢ ﻣﻔﻘﻮﺩﺓ ﺃﻭ‬

‫ﻳﺘﻢﺍﻟﺘﻌﺎﻣﻞ ﻣﻊ ﺍﻟﻘﻴﻢ ﺍﻟﻤﺘﻄﺮﻓﺔ ﺑﺸﻜﻞ ﻣﻨﺎﺳﺐ‪ .‬ﻳﺠﺐ ﻣﻌﺎﻟﺠﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻣﺴﺒﻘﺎً ﻟﻠﺘﺄﻛﺪ‬

‫ﻧﺘﺎﺋﺞﺩﻗﻴﻘﺔ ﻭﻣﻮﺛﻮﻗﺔ‪.‬‬

‫ﺗﺤﺪﻳﺪﻣﺘﻐﻴﺮﺍﺕ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ BoT IoT‬ﺍﻟﺘﻲ ﻳﻜﻮﻥ ﻣﻌﺎﻣﻞ ﺍﻻﺭﺗﺒﺎﻁ ﻟﻬﺎ‬

‫ﻟﻴﺘﻢﺣﺴﺎﺑﻬﺎ‪ .‬ﻗﺪ ﺗﺘﻀﻤﻦ ﻫﺬﻩ ﺍﻟﻤﺘﻐﻴﺮﺍﺕ ﻧﻮﻉ ﺍﻟﺠﻬﺎﺯ ﻭﺍﻻﺗﺼﺎﻝ‬

‫ﺍﻟﺒﺮﻭﺗﻮﻛﻮﻻﺕﻭﺃﻧﻤﺎﻁ ﺣﺮﻛﺔ ﻣﺮﻭﺭ ﺍﻟﺸﺒﻜﺔ ﻭﺃﻱ ﻋﻮﺍﻣﻞ ﺃﺧﺮﻯ ﺫﺍﺕ ﺻﻠﺔ ﻗﺪ ﺗﻜﻮﻥ ﻛﺬﻟﻚ‬

‫ﻣﻮﺟﻮﺩﺓﻓﻲ ﻣﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ‪ .‬ﺍﻟﺤﺼﻮﻝ ﻋﻠﻰ ﻣﻌﺎﻣﻞ ﺍﻻﺭﺗﺒﺎﻁ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺍﻟﻤﻨﺎﺳﺐ‬

‫‪27‬‬
 ‫ﺍﻟﻄﺮﻳﻘﺔﺍﻹﺣﺼﺎﺋﻴﺔ ﺑﻤﺠﺮﺩ ﺍﺧﺘﻴﺎﺭ ﺍﻟﻤﺘﻐﻴﺮﺍﺕ‪ .‬ﺍﻟﺘﻌﺮﻑ ﻋﻠﻰ ﻛﻼ ﻣﻦ‬

‫ﺣﺠﻢﻭﺍﺗﺠﺎﻩ ﺍﻟﻌﻼﻗﺔ ﺑﻴﻦ ﺍﻟﻤﺘﻐﻴﺮﺍﺕ‬

‫ﺗﺤﻠﻴﻞﻣﻌﺎﻣﻞ ﺍﻻﺭﺗﺒﺎﻁ ﺍﻟﻤﺤﺴﻮﺏ‪ .‬ﻭﻳﻈﻬﺮ ﻣﺴﺘﻮﻯ ﻋﺎﻝ ﻣﻦ ﺍﻻﺭﺗﺒﺎﻁ‬

‫ﺃﻧﻪﻛﻠﻤﺎ ﺍﺭﺗﻔﻊ ﺃﺣﺪ ﺍﻟﻌﻮﺍﻣﻞ‪ ،‬ﻋﺎﺩﺓ ﻣﺎ ﻳﺘﺰﺍﻳﺪ ﺍﻟﻌﺎﻣﻞ ﺍﻵﺧﺮ ﺃﻳﻀﺎً‪ .‬ﺑﻴﻨﻤﺎ ﻭﺍﺣﺪﺓ‬

‫ﻳﺮﺗﻔﻊﺍﻟﻌﺎﻣﻞ‪ ،‬ﻭﻳﻤﻴﻞ ﺍﻟﻌﺎﻣﻞ ﺍﻵﺧﺮ ﺇﻟﻰ ﺍﻻﻧﺨﻔﺎﺽ‪ ،‬ﻛﻤﺎ ﻳﺪﻝ ﻋﻠﻰ ﺫﻟﻚ ﺳﻠﺒﻴﺎ‬

‫ﻋﻼﻗﺔ‪.‬ﻳﺸﻴﺮ ﻣﻌﺎﻣﻞ ﺍﻻﺭﺗﺒﺎﻁ ﺍﻟﻘﺮﻳﺐ ﻣﻦ ‪ 0‬ﺇﻟﻰ ﻭﺟﻮﺩ ﻋﻼﻗﺔ ﻏﻴﺮ ﻣﻮﺟﻮﺩﺓ‬

‫ﺑﻴﻦﺍﻟﻤﺘﻐﻴﺮﺍﺕ‪ .‬ﻣﻌﺎﻣﻞ ﺍﻻﺭﺗﺒﺎﻁ ﻳﺤﺪﺩ ﺍﻟﻌﻼﻗﺔ‬

‫ﺑﻴﻦﻣﺘﻐﻴﺮﻳﻦ ﺿﻤﻦ ﻣﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ‪ .‬ﻓﻲ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ ،BoT IoT‬ﺗﻢ ﺗﺤﻠﻴﻞ‬

‫ﻳﻤﻜﻦﺃﻥ ﻳﻮﻓﺮ ﻣﻌﺎﻣﻞ ﺍﻻﺭﺗﺒﺎﻁ ﺭﺅﻯ ﻗﻴﻤﺔ ﺣﻮﻝ ﺍﻟﺘﺮﺍﺑﻂ‬

‫ﺑﻴﻦﺍﻟﻤﺘﻐﻴﺮﺍﺕ ﺍﻟﻤﺨﺘﻠﻔﺔ‪ ،‬ﻭﺑﺎﻟﺘﺎﻟﻲ ﺗﻌﺰﻳﺰ ﺃﺩﺍء ﻣﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻭ‬

‫ﺃﻧﻤﺎﻃﻬﺎﺍﻟﻤﺤﺘﻤﻠﺔ‪ .‬ﺗﺤﺘﻮﻱ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ BoT IoT‬ﻋﻠﻰ ﻣﻌﻠﻮﻣﺎﺕ ﺣﻮﻝ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫ﺍﻷﺟﻬﺰﺓﺍﻟﺘﻲ ﺗﻢ ﺍﺧﺘﺮﺍﻗﻬﺎ ﺑﻮﺍﺳﻄﺔ ﺷﺒﻜﺎﺕ ﺍﻟﺮﻭﺑﻮﺕ‪ ،‬ﻭﻫﻲ ﺷﺒﻜﺎﺕ ﻣﺼﺎﺑﺔ‬

‫ﺍﻷﺟﻬﺰﺓﺍﻟﺘﻲ ﺗﺴﻴﻄﺮ ﻋﻠﻴﻬﺎ ﺍﻟﺠﻬﺎﺕ ﺍﻟﻔﺎﻋﻠﺔ ﺍﻟﺨﺒﻴﺜﺔ‪ .‬ﺗﺤﺘﻮﻱ ﻣﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻫﺬﻩ ﻋﻠﻰ ﻣﺠﻤﻮﻋﺔ ﻣﺘﻨﻮﻋﺔ ﻣﻦ‬

‫ﺍﻟﺼﻔﺎﺕﻭﺍﻟﺨﺼﺎﺋﺺ ﺍﻟﺘﻲ ﺗﺼﻒ ﺳﻠﻮﻙ ﻭﺧﺼﺎﺋﺺ‬

‫ﺃﺟﻬﺰﺓﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻟﻤﻌﺮﺿﺔ ﻟﻠﺨﻄﺮ‪.‬‬

‫‪28‬‬
 ‫‪.2‬ﺃﻫﻤﻴﺔ ﺍﻟﻤﻴﺰﺓ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺍﻟﻐﺎﺑﺔ ﺍﻟﻌﺸﻮﺍﺋﻴﺔ‬

‫ﻳﻌﺪﺗﺤﻠﻴﻞ ﺃﻫﻤﻴﺔ ﺍﻟﻤﻴﺰﺓ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺍﻟﻐﺎﺑﺔ ﺍﻟﻌﺸﻮﺍﺋﻴﺔ ﻃﺮﻳﻘﺔ ﻓﻌﺎﻟﺔ ﻟـ‬

‫ﺗﺤﺪﻳﺪﺃﻫﻤﻴﺔ ﺍﻟﻤﻴﺰﺍﺕ ﺍﻟﻤﺨﺘﻠﻔﺔ ﻟﻤﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ .BoT IoT‬ﻫﺬﺍ‬

‫ﻳﻜﺸﻒﺍﻟﺘﺤﻠﻴﻞ ﻋﻦ ﺍﻟﺨﺼﺎﺋﺺ ﺍﻟﺘﻲ ﻟﻬﺎ ﺍﻟﺘﺄﺛﻴﺮ ﺍﻷﻛﺒﺮ ﻋﻠﻰ‬

‫ﺍﻟﻤﺘﻐﻴﺮﺍﻟﺘﺎﺑﻊ‪ .‬ﻭﺑﺎﻟﺘﺎﻟﻲ ﺗﺴﻬﻴﻞ ﺗﺤﺪﻳﺪ ﺍﻟﻌﻮﺍﻣﻞ ﺍﻟﺤﺎﺳﻤﺔ ﺍﻟﺘﻲ‬

‫ﺍﻟﻤﺴﺎﻫﻤﺔﻓﻲ ﺳﻠﻮﻙ ﺗﺴﻤﻴﺔ ﺍﻟﻬﺠﻮﻡ ﺍﻟﺘﻲ ﺗﻬﺪﺩ ﺃﺟﻬﺰﺓ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻣﺜﻞ‬

‫ﻫﻮﻣﺒﻴﻦ ﻓﻲ ﺍﻟﺸﻜﻞ ‪.3.3‬‬

‫ﺍﻟﺸﻜﻞ‪3.3‬ﺗﺤﻠﻴﻞ ﺃﻫﻤﻴﺔ ﺍﻟﻤﻴﺰﺓ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺍﻟﻐﺎﺑﺔ ﺍﻟﻌﺸﻮﺍﺋﻴﺔ‪.‬‬

‫ﻋﻨﺪﺗﻄﺒﻴﻖ ﺃﻫﻤﻴﺔ ﺍﻟﻤﻴﺰﺓ ﻋﻠﻰ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ BoT IoT‬ﺑﺎﺳﺘﺨﺪﺍﻡ ﻣﺠﻤﻮﻋﺔ ﻋﺸﻮﺍﺋﻴﺔ‪.‬‬

‫ﻗﺎﻣﺖﺑﺘﻘﺴﻴﻢ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ BoT IoT‬ﺇﻟﻰ ﻣﺠﻤﻮﻋﺎﺕ ﻓﺮﻋﻴﺔ ﻟﻠﺘﺪﺭﻳﺐ ﻭﺍﻻﺧﺘﺒﺎﺭ‪ .‬ﺍﻟﺘﺪﺭﻳﺐ‬

‫ﺳﻴﺘﻢﺍﺳﺘﺨﺪﺍﻡ ﺍﻟﻤﺠﻤﻮﻋﺔ ﺍﻟﻔﺮﻋﻴﺔ ﻟﺒﻨﺎء ﻧﻤﻮﺫﺝ ﺍﻟﻐﺎﺑﺔ ﺍﻟﻌﺸﻮﺍﺋﻴﺔ ﺃﺛﻨﺎء ﺍﻻﺧﺘﺒﺎﺭ‬

‫ﺳﺘﻘﻮﻡﺍﻟﻤﺠﻤﻮﻋﺔ ﺍﻟﻔﺮﻋﻴﺔ ﺑﺘﻘﻴﻴﻢ ﺃﺩﺍء ﺍﻟﻨﻤﻮﺫﺝ ﻭﻗﺎﺑﻠﻴﺘﻪ ﻟﻠﺘﻌﻤﻴﻢ‪ .‬ﺍﻟﻌﺸﻮﺍﺋﻴﺔ‬

‫ﺍﻟﻐﺎﺑﺔﻗﺎﺩﺭﺓ ﻋﻠﻰ ﺍﻟﺘﻌﺎﻣﻞ ﻣﻊ ﻣﺠﻤﻮﻋﺎﺕ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻋﺎﻟﻴﺔ ﺍﻷﺑﻌﺎﺩ ﻭﺗﻮﻓﺮ ﺣﻼ ًﺟﻮﻫﺮﻳﺎً‬

‫ﻣﻘﻴﺎﺱﺃﻫﻤﻴﺔ ﺍﻟﻤﻴﺰﺓ‪ .‬ﺑﺎﺳﺘﺨﺪﺍﻡ ﻧﻤﻮﺫﺝ ﺍﻟﻐﺎﺑﺔ ﺍﻟﻌﺸﻮﺍﺋﻴﺔ‪ ،‬ﻳﺘﻢ ﺍﻟﺤﺴﺎﺏ‬

‫‪29‬‬
 ‫ﺃﻫﻤﻴﺔﺍﻟﻤﻴﺰﺓ‪ .‬ﻭﻳﻤﻜﻦ ﺗﺤﻘﻴﻖ ﺫﻟﻚ ﻣﻦ ﺧﻼﻝ ﺍﻟﺘﺤﻘﻴﻖ ﻓﻲ ﺍﻟﻤﺘﻮﺳﻂ‬

‫ﺍﻧﺨﻔﺎﺽﺍﻟﻨﺠﺎﺳﺔ ﺃﻭ ﺃﻫﻤﻴﺔ ﺍﻟﺠﻴﻨﻲ‪ ،‬ﻭﺍﻟﺬﻱ ﻳﻘﻴﺲ ﺩﺭﺟﺔ ﻛﻞ ﻣﻨﻬﻤﺎ‬

‫ﺗﻌﻤﻞﺍﻟﻤﻴﺰﺓ ﻋﻠﻰ ﺗﻘﻠﻴﻞ ﺍﻟﺸﻮﺍﺋﺐ ﺃﻭ ﺍﻟﺘﺒﺎﻳﻦ ﻓﻲ ﺍﻟﻤﺘﻐﻴﺮ ﺍﻟﻤﺴﺘﻬﺪﻑ ﻋﺒﺮ‬

‫ﺃﺷﺠﺎﺭﺍﻟﻘﺮﺍﺭ ﺍﻟﻌﺸﻮﺍﺋﻴﺔ ﻟﻠﻐﺎﺑﺎﺕ ﻭﺑﺪﻻ ًﻣﻦ ﺫﻟﻚ‪ ،‬ﻳﻤﻜﻦ ﺃﻥ ﺗﻜﻮﻥ ﺃﻫﻤﻴﺔ ﺍﻟﻤﻴﺰﺓ‬

‫ﻳﺘﻢﺗﻘﻴﻴﻤﻬﺎ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺃﻫﻤﻴﺔ ﺍﻟﺘﻘﻠﻴﺐ ﺃﻭ ﻣﺘﻮﺳﻂ ﺩﻗﺔ ﺍﻟﻨﻘﺼﺎﻥ‪ .‬ﺍﻝ‬

‫ﺗﻢﺣﺴﺎﺏ ﺩﺭﺟﺎﺕ ﺃﻫﻤﻴﺔ ﺍﻟﻤﻴﺰﺓ ﻟـ ‪ ،Visualized‬ﺑﺎﺳﺘﺨﺪﺍﻡ ﺗﻘﻨﻴﺎﺕ ﻣﺜﻞ‬

‫ﺍﻟﻤﺨﻄﻄﺎﺕﺍﻟﺸﺮﻳﻄﻴﺔ ﻭﺍﻟﺨﺮﺍﺋﻂ ﺍﻟﺤﺮﺍﺭﻳﺔ‪ .‬ﻭﻫﺬﺍ ﻳﺴﻬﻞ ﺗﻔﺴﻴﺮ ﺍﻟﻨﺘﺎﺋﺞ ﻭ‬

‫ﻳﻮﻓﺮﻓﻬﻤﺎً ﻭﺍﺿﺤﺎً ﻟﻤﻴﺰﺍﺕ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ Botnet IoT‬ﺍﻷﻛﺜﺮ‬

‫ﻣﺆﺛﺮ‪.‬ﻭﻣﻦ ﺍﻟﻀﺮﻭﺭﻱ ﺃﻥ ﻧﻼﺣﻆ ﺃﻥ ﺍﻟﺘﻔﺴﻴﺮ ﻳﺠﺐ ﺃﻥ ﻳﻌﺘﻤﺪ ﻋﻠﻰ ﺍﻟﻤﺠﺎﻝ‪-‬‬

‫ﻣﻌﺮﻓﺔﻣﺤﺪﺩﺓ ﻭﺧﺼﺎﺋﺺ ﻣﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ‪ .‬ﺑﺎﺳﺘﺨﺪﺍﻡ ﺍﻟﻤﻴﺰﺓ‬

‫ﻳﺴﻤﺢﺗﺤﻠﻴﻞ ﺍﻷﻫﻤﻴﺔ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺍﻟﻐﺎﺑﺔ ﺍﻟﻌﺸﻮﺍﺋﻴﺔ ﻓﻲ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪BoT IoT‬‬

‫ﺍﻟﺘﻌﺮﻑﻋﻠﻰ ﺍﻟﺨﺼﺎﺋﺺ ﺍﻟﻤﻬﻤﺔ ﺍﻟﺘﻲ ﺗﺆﺛﺮ ﻋﻠﻰ ﺳﻠﻮﻙ ﺍﻟﻤﺘﻀﺮﺭ‬

‫ﺃﺟﻬﺰﺓﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ .‬ﺑﻨﺎء ًﻋﻠﻰ ﺗﺤﻠﻴﻞ ﺃﻫﻤﻴﺔ ﺍﻟﻤﻴﺰﺓ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺍﻟﻐﺎﺑﺔ ﺍﻟﻌﺸﻮﺍﺋﻴﺔ‪ ،‬ﻓﺈﻥ‬

‫ﺍﻟﺴﻤﺎﺕ"‪ "pkSeqID‬ﻭ"‪ "proto‬ﻭ"‪ "saddr‬ﻭ"‪ "sport‬ﻭ"‪ "daddr‬ﻭ"‪ "dport‬ﻭ"‪ "category‬ﻛﺎﻧﺖ‬

‫ﺗﻢﺇﺳﻘﺎﻃﻪ ﻭﺍﻟﺬﻱ ﻳﺤﺘﻮﻱ ﻋﻠﻰ ﻣﻴﺰﺍﺕ ﻣﻨﺨﻔﻀﺔ ﺍﻷﻫﻤﻴﺔ ﻓﻲ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ .BoT IoT‬ﺑﻮﺍﺳﻄﺔ‬

‫ﻣﻊﺍﻷﺧﺬ ﻓﻲ ﺍﻻﻋﺘﺒﺎﺭ ﺗﺤﻠﻴﻞ ﺃﻫﻤﻴﺔ ﺍﻟﻤﻴﺰﺓ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺍﻟﻐﺎﺑﺔ ﺍﻟﻌﺸﻮﺍﺋﻴﺔ‪ ،‬ﺑﻤﺎ ﻓﻲ ﺫﻟﻚ‬

‫ﻫﺬﻩﺍﻟﺴﻤﺎﺕ ﻓﻲ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ ﺗﻘﻠﻞ ﻣﻦ ﺍﻟﺪﻗﺔ ﻭﺍﻟﺪﻗﺔ‬

‫ﻓﻌﺎﻟﻴﺔﺍﻟﻨﻤﺎﺫﺝ ﺍﻟﺘﻨﺒﺆﻳﺔ‪ ،‬ﻭﺗﻘﻨﻴﺎﺕ ﺍﺧﺘﻴﺎﺭ ﺍﻟﻤﻴﺰﺓ‪ ،‬ﻭ‬

‫ﺍﻟﺘﺤﻠﻴﻼﺕﺍﻻﺳﺘﻜﺸﺎﻓﻴﺔ ﺍﻟﻤﻄﺒﻘﺔ ﻋﻠﻰ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪.Botnet IoT‬‬

‫‪30‬‬
 ‫‪.3‬ﻧﻬﺞ ‪SMOTE‬‬

‫ﻃﺮﻳﻘﺔﻣﺤﺴﻨﺔ ﻟﻠﺘﻌﺎﻣﻞ ﻣﻊ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻏﻴﺮ ﺍﻟﻤﺘﻮﺍﺯﻧﺔ ﻛﻤﺎ ﻫﻮ ﻣﻮﺿﺢ ﻓﻲ ﺍﻟﺸﻜﻞ ‪ ،3.4‬ﺗﻢ‬

‫ﺗﻘﺪﻳﻢﺧﻮﺍﺭﺯﻣﻴﺔ ‪ SMOTE‬ﻷﻭﻝ ﻣﺮﺓ ﻓﻲ ]‪ .[34‬ﺗﻘﻮﻡ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪ SMOTE‬ﺑﺈﻧﺸﺎء ﻋﻴﻨﺎﺕ‬

‫ﺟﺪﻳﺪﺓﻋﻦ ﻃﺮﻳﻖ ﺇﺟﺮﺍء ﺍﺳﺘﻴﻔﺎء ﺧﻄﻲ ﻋﺸﻮﺍﺋﻲ ﺑﻴﻦ ﻋﺪﺩ ﻣﺤﺪﺩ ﻣﻦ ﺍﻟﻌﻴﻨﺎﺕ ﻭﺍﻟﻌﻴﻨﺎﺕ‬

‫ﺍﻟﻤﻮﺟﻮﺩﺓﻓﻲ ﻣﻜﺎﻥ ﻗﺮﻳﺐ ]‪.[12‬‬

‫ﺍﻟﺸﻜﻞ‪3.4‬ﺗﻮﺯﻳﻌﺎﺕ ﻓﺌﺔ ﺍﻟﻬﺠﻮﻡ‪.‬‬

‫ﻟﺘﻌﺰﻳﺰﺗﺄﺛﻴﺮ ﺍﻟﺘﺼﻨﻴﻒ ﻟﻤﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻏﻴﺮ ﺍﻟﻤﺘﻮﺍﺯﻧﺔ ﻭﺑﺎﻟﺘﺎﻟﻲ ﺭﻓﻌﻬﺎ‬

‫ﻧﺴﺒﺔﺍﺧﺘﻼﻝ ﺍﻟﺒﻴﺎﻧﺎﺕ‪ ،‬ﻭﻋﺪﺩ ﻣﻌﻴﻦ ﻣﻦ ﻋﻴﻨﺎﺕ ﺍﻷﻗﻠﻴﺔ ﻛﺎﺫﺑﺔ‬

‫ﺗﻢﺇﻧﺸﺎﺅﻫﺎ ﻛﻤﺎ ﻫﻮ ﻣﻮﺿﺢ ﻓﻲ ﺍﻟﺸﻜﻞ ‪ .3.5‬ﻳﺆﺩﻱ ﻫﺬﺍ ﺇﻟﻰ ﺯﻳﺎﺩﺓ ﻧﺴﺒﺔ ﻋﺪﻡ ﺗﻮﺍﺯﻥ ﺍﻟﺒﻴﺎﻧﺎﺕ‬

‫ﺃﻥﺗﻜﻮﻥ ﺑﻴﺎﻧﺎﺕ ﻣﺘﻮﺍﺯﻧﺔ‪.‬‬

‫‪31‬‬
 ‫ﺍﻟﺸﻜﻞ‪3.5‬ﺗﻮﺯﻳﻌﺎﺕ ﻓﺌﺔ ﺍﻟﻬﺠﻮﻡ ﺑﻌﺪ ﺍﻹﻓﺮﺍﻁ ﻓﻲ ﺃﺧﺬ ﻋﻴﻨﺎﺕ ﻣﻦ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ BoT IoT‬ﺑﺎﺳﺘﺨﺪﺍﻡ ‪Smote‬‬
‫ﺧﻮﺍﺭﺯﻣﻴﺔ‪.‬‬

‫‪3.3.3‬ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ‬

‫ﺍﻟﺸﺒﻜﺎﺕﺍﻟﻌﺼﺒﻴﺔ ﺍﻻﺻﻄﻨﺎﻋﻴﺔ )‪(ANN‬‬

‫ﺍﻟﺸﺒﻜﺎﺕﺍﻟﻌﺼﺒﻴﺔ ﺍﻻﺻﻄﻨﺎﻋﻴﺔ ﻫﻲ ﺷﺒﻜﺎﺕ ﻛﻬﺮﺑﺎﺋﻴﺔ ﻣﻦ ﺍﻟﺨﻼﻳﺎ ﺍﻟﻌﺼﺒﻴﺔ ﺍﻟﺘﻲ ﺗﻢ‬

‫ﺗﺼﻤﻴﻤﻬﺎﻋﻠﻰ ﻏﺮﺍﺭ ﺍﻟﺒﻨﻴﺔ ﺍﻟﻌﺼﺒﻴﺔ ﻟﻠﺪﻣﺎﻍ؛ ﺇﻻ ﺃﻧﻬﻢ ﻣﺎ ﺯﺍﻟﻮﺍ ﻓﻲ ﻣﻬﺪﻫﻢ ]‪ .[35‬ﻳﻘﻮﻡ ﺍﻹﺟﺮﺍء‬

‫ﻓﻘﻂﺑﺘﺴﺠﻴﻞ ﺍﻟﻤﻌﻠﻮﻣﺎﺕ ﻭﺍﺣﺪﺓ ﺗﻠﻮ ﺍﻷﺧﺮﻯ ﺛﻢ "ﺍﻟﺘﻌﻠﻢ" ﻋﻦ ﻃﺮﻳﻖ ﻣﻘﺎﺭﻧﺔ ﺗﺼﻨﻴﻒ‬

‫ﺍﻟﺴﺠﻞﻣﻊ ﺍﻟﺘﺼﻨﻴﻒ ﺍﻟﻔﻌﻠﻲ ﻟﻠﺴﺠﻞ ﺍﻟﻤﻌﺮﻭﻑ ﺑﺎﻟﻔﻌﻞ‪ .‬ﻳﺘﻢ ﺑﻌﺪ ﺫﻟﻚ ﺇﻋﺎﺩﺓ ﺍﻷﺧﻄﺎء ﺍﻟﺘﻲ‬

‫ﺣﺪﺛﺖﺃﺛﻨﺎء ﺍﻟﺘﺼﻨﻴﻒ ﺍﻷﻭﻝ ﻟﻠﺴﺠﻞ ﺍﻷﻭﻝ ﺇﻟﻰ ﺍﻟﺸﺒﻜﺔ‪ ،‬ﺣﻴﺚ ﻳﺘﻢ ﺍﺳﺘﺨﺪﺍﻣﻬﺎ ﻟﻀﺒﻂ‬

‫ﺍﻟﺨﻮﺍﺭﺯﻣﻴﺔﺍﻟﺘﻲ ﺗﺴﺘﺨﺪﻣﻬﺎ ﺍﻟﺸﺒﻜﺔ ﻟﻠﺠﻮﻻﺕ ﺍﻟﻼﺣﻘﺔ‪ .‬ﻗﺎﻡ ﺑﺘﺮﺗﻴﺐ ﺍﻟﻄﺒﻘﺎﺕ ﺍﻟﻌﺼﺒﻴﺔ ﻓﻲ‬

‫ﻃﺒﻘﺎﺕﺍﻹﺩﺧﺎﻝ ﻭﺍﻟﻤﺨﻔﻴﺔ ﻭﺍﻟﻤﺨﺮﺟﺎﺕ ]‪.[28‬‬

‫ﻻﺗﺘﻀﻤﻦ ﻃﺒﻘﺔ ﺍﻹﺩﺧﺎﻝ ﺧﻼﻳﺎ ﻋﺼﺒﻴﺔ ﺑﺄﻛﻤﻠﻬﺎ؛ ﺑﻞ ﻫﻲ ﻣﻜﻮﻧﺔ ﻣﻦ‬

‫ﻗﻴﻢﺍﻟﺴﺠﻞ ﺍﻟﺘﻲ ﻳﺘﻢ ﺗﻤﺮﻳﺮﻫﺎ ﺇﻟﻰ ﺍﻟﺨﻼﻳﺎ ﺍﻟﻌﺼﺒﻴﺔ ﺍﻟﺘﻲ ﺗﺸﻜﻞ ﺍﻟﻄﺒﻘﺔ ﺃﺩﻧﺎﻩ‬

‫ﻫﻮ‪ -‬ﻫﻲ‪ .‬ﺍﻟﻄﺒﻘﺔ ﺍﻟﻤﺨﻔﻴﺔ ﻫﻲ ﺍﻟﺘﻲ ﺗﺄﺗﻲ ﺑﻌﺪ ﺫﻟﻚ‪ .‬ﺩﺍﺧﻞ ﻋﺼﺒﻴﺔ ﻭﺍﺣﺪﺓ‬

‫ﺍﻟﺸﺒﻜﺔ‪،‬ﻗﺪ ﻳﻜﻮﻥ ﻫﻨﺎﻙ ﻋﺪﺓ ﻃﺒﻘﺎﺕ ﻣﺨﻔﻴﺔ‪ .‬ﻃﺒﻘﺔ ﺍﻹﺧﺮﺍﺝ ﻫﻲ ﺍﻷﺧﻴﺮﺓ‬

‫‪32‬‬
 ‫ﻭﺍﺣﺪﺓﻛﻤﺎ ﻫﻮ ﻣﻮﺿﺢ ﻓﻲ ﺍﻟﺸﻜﻞ ‪ ،3.2‬ﻫﻨﺎﻙ ﻋﻘﺪﺓ ﻭﺍﺣﺪﺓ ﺗﻤﺜﻞ ﻛﻞ ﻓﺌﺔ‪ .‬ﺑﻌﺪ‬

‫ﻋﻨﺪﺇﺟﺮﺍء ﻋﻤﻠﻴﺔ ﻣﺴﺢ ﻭﺍﺣﺪﺓ ﻓﻘﻂ ﻋﺒﺮ ﺍﻟﺸﺒﻜﺔ‪ ،‬ﻳﺘﻢ ﺇﻋﻄﺎء ﻗﻴﻤﺔ ﻟﻜﻞ ﻋﻘﺪﺓ ﺇﺧﺮﺍﺝ‪،‬‬

‫ﻭﻳﺘﻢﺇﺭﺳﺎﻝ ﺍﻟﺴﺠﻞ ﺇﻟﻰ ﻋﻘﺪﺓ ﺍﻟﻔﺌﺔ ﺍﻟﺘﻲ ﻟﻬﺎ ﺃﻛﺒﺮ ﻗﻴﻤﺔ‪.‬‬

‫ﺍﻟﺸﻜﻞ‪3.6‬ﻋﻴﻨﺔ ﻣﻦ ﺍﻟﺒﻨﻴﺔ ﺍﻷﺳﺎﺳﻴﺔ ﻟﺸﺒﻜﺎﺕ [‪.ANN ]36‬‬

‫ﺍﻟﺸﺒﻜﺎﺕﺍﻟﻌﺼﺒﻴﺔ ﺍﻟﻤﺘﻜﺮﺭﺓ ﺍﻟﻌﻤﻴﻘﺔ )‪(RNN‬‬

‫ﺷﺒﻜﺎﺕ‪ DRNN‬ﻫﻲ ﻧﻮﻉ ﻣﻦ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪ DL‬ﺍﻟﺘﻲ ﺗﺠﻤﻊ ﺍﻟﺴﻠﻮﻙ ﺍﻟﺪﻳﻨﺎﻣﻴﻜﻲ ﻟﻠﺘﺴﻠﺴﻞ‬

‫ﺑﺎﺳﺘﺨﺪﺍﻡﺍﻻﺗﺼﺎﻻﺕ ﺍﻟﻤﺘﻜﺮﺭﺓ‪ ،‬ﻭﺍﻟﻤﻌﺮﻭﻓﺔ ﺃﻳﻀﺎً ﺑﺎﺳﻢ ﺍﻟﺪﻭﺭﺍﺕ ﻓﻲ ﺷﺒﻜﺔ ﻣﻦ ﺍﻟﻌﻘﺪ ]‪[10‬‬

‫‪، .‬ﻭﻫﻲ ﻋﺒﺎﺭﺓ ﻋﻦ ﺗﻄﺒﻴﻘﺎﺕ ﻳﻤﻜﻦ ﺍﻋﺘﺒﺎﺭ ﻫﺬﻩ ﺍﻟﺪﻭﺭﺍﺕ ﺑﻤﺜﺎﺑﺔ ﺃﻧﻤﺎﻁ ﻣﺘﻜﺮﺭﺓ‪ .‬ﻗﺪ ﻳﺘﻌﺎﺭﺽ‬

‫ﻫﺬﺍﻣﻊ ﻣﺎ ﻗﺪ ﺗﺘﻮﻗﻌﻪ ﻓﻲ ﺍﻟﺒﺪﺍﻳﺔ‪ .‬ﻭﻓﻲ ﺍﻟﻨﻬﺎﻳﺔ‪ ،‬ﻓﺈﻥ ﺣﻘﻴﻘﺔ ﺃﻥ ﺍﻟﺸﺒﻜﺎﺕ ﺍﻟﻌﺼﺒﻴﺔ ﺗﺘﻐﺬﻯ‬

‫ﺑﻄﺒﻴﻌﺘﻬﺎﻫﻲ ﻣﺎ ﻳﻮﺿﺢ ﺍﻟﺘﺴﻠﺴﻞ ﺍﻟﺬﻱ ﻳﺘﻢ ﻣﻦ ﺧﻼﻟﻪ ﺇﺟﺮﺍء ﺍﻟﺤﺴﺎﺑﺎﺕ‪ .‬ﻭﻣﻦ ﻧﺎﺣﻴﺔ ﺃﺧﺮﻯ‬

‫ﻣﺘﻜﺮﺭﺓ‬

‫‪33‬‬
 ‫ﻳﺘﻢﺗﺤﺪﻳﺪ ﺍﻟﺤﻮﺍﻑ ﺑﻄﺮﻳﻘﺔ ﺩﻗﻴﻘﺔ ﻣﻤﺎ ﻳﻀﻤﻦ ﻋﺪﻡ ﺍﻟﻐﻤﻮﺽ ﻓﻲ ﺫﻟﻚ‬

‫ﺍﻟﻨﻮﻉﻟﻦ ﻳﺤﺪﺙ ﺃﺑﺪﺍ‪ .‬ﻳﺘﻢ ﺍﻟﺒﺴﻂ ﻋﻠﻰ ﻋﺪﺓ ﺧﻄﻮﺍﺕ ﺯﻣﻨﻴﺔ ﻓﻲ ‪ ،RNN‬ﻣﻊ‬

‫ﻳﺘﻢﺍﺳﺘﺨﺪﺍﻡ ﻧﻔﺲ ﺍﻟﻤﺘﻐﻴﺮﺍﺕ ﺍﻷﺳﺎﺳﻴﺔ ﻟﻜﻞ ﺧﻄﻮﺓ‪ .‬ﻭﻫﺬﺍ ﻳﺘﻨﺎﻗﺾ ﻣﻊ‬

‫ﺍﻻﺗﺼﺎﻻﺕﺍﻟﻘﻴﺎﺳﻴﺔ ﻛﺬﺑﺖ ﺑﻄﺮﻳﻘﺔ ﺗﺴﻠﺴﻠﻴﺔ‪ .‬ﻣﻦ ﺍﻟﻤﻤﻜﻦ ﺍﻟﺘﻔﻜﻴﺮ ﻓﻲ ‪RNNs‬‬

‫ﻛﺸﺒﻜﺎﺕﻋﺼﺒﻴﺔ ﻣﻐﺬﻳﺔ‪ ،‬ﻣﻊ ﺍﺧﺘﻼﻑ ﻣﻌﻠﻤﺎﺕ‬

‫ﺗﺘﻢﻣﺸﺎﺭﻛﺔ ﻛﻞ ﻃﺒﻘﺔ ﻋﺒﺮ ﺧﻄﻮﺍﺕ ﺯﻣﻨﻴﺔ‪ .‬ﻛﻞ ﺣﺎﻓﺔ ﻭﺭﺍﺑﻂ ﻟﻬﺎ‬

‫ﺍﻟﻮﺯﻥﺍﻟﻤﻘﺎﺑﻞ ﺍﻟﺬﻱ ﻳﺘﻌﻠﻖ ﺑﻪ‪ .‬ﻋﻨﺪﻣﺎ ﻳﺘﻢ ﺇﺩﺧﺎﻝ ﺍﻟﻤﻌﻠﻮﻣﺎﺕ ﺇﻟﻰ‬

‫ﺍﻟﺸﺒﻜﺔﻣﻦ ﺧﻼﻝ ﻫﺬﻩ ﺍﻟﻄﺒﻘﺔ‪ ،‬ﻭﻳﺸﺎﺭ ﺇﻟﻴﻬﺎ ﺑﺎﺳﻢ ﻃﺒﻘﺔ ﺍﻹﺩﺧﺎﻝ ﻟﻠﺘﻐﺬﻳﺔ ﺍﻷﻣﺎﻣﻴﺔ‬

‫ﺍﻟﺸﺒﻜﺔﺍﻟﻌﺼﺒﻴﺔ‪ .‬ﺣﻴﺚ ﺇﻧﻬﺎ ﺍﻟﻄﺒﻘﺔ ﺍﻟﺘﻲ ﺗﻨﺘﺞ ﻣﺨﺮﺟﺎﺕ ﺍﻟﺸﺒﻜﺔ ﺍﻟﻨﻬﺎﺋﻴﺔ‬

‫ﻳﺸﺎﺭﺇﻟﻰ ﻃﺒﻘﺔ ﺍﻟﺘﻐﺬﻳﺔ ﺍﻷﻣﺎﻣﻴﺔ ‪ NN‬ﺑﻄﺒﻘﺔ ﺍﻹﺧﺮﺍﺝ‪ .‬ﺍﻟﻤﺘﺒﻘﻲ‬

‫ﻏﺎﻟﺒﺎًﻣﺎ ﻳﺸُﺎﺭ ﺇﻟﻰ ﻣﺴﺘﻮﻳﺎﺕ ﺍﻟﺸﺒﻜﺔ ﻣﻌﺎً ﺑﺎﺳﻢ ﺍﻟﻄﺒﻘﺎﺕ ﺍﻟﻤﺨﻔﻴﺔ‪ .‬ﻋﻨﺪ ﺍﺳﺘﺨﺪﺍﻣﻬﺎ‬

‫ﻷﺩﺍءﻣﻬﺎﻡ ﺍﻟﺘﻌﻠﻢ ﺗﺤﺖ ﺍﻹﺷﺮﺍﻑ‪ ،‬ﻭﺍﻟﺸﺒﻜﺎﺕ ﺍﻟﻌﺼﺒﻴﺔ ﺍﻟﻤﻐﺬﻳﺔ‬

‫ﺇﺛﺒﺎﺕﻓﺎﺋﺪﺗﻬﺎ ]‪ .[37‬ﺗﺼﻤﻴﻢ ﺍﻟﺸﺒﻜﺔ ﺍﻟﻌﺼﺒﻴﺔ ﺍﻟﻤﻐﺬﻳﺔ ﻛﻤﺎ ﺭﺃﻳﻨﺎ ﻓﻲ‬

‫ﺍﻟﺸﻜﻞ‪ .3.2‬ﻣﻊ ﻫﺬﻩ ﺍﻟﺒﻨﻴﺔ‪ ،‬ﺗﺴﺘﻤﺮ ﻛﻞ ﺧﻠﻴﺔ ﻋﺼﺒﻴﺔ ﻓﻲ ﺍﻟﺤﻔﺎﻅ ﻋﻠﻰ ﻧﺸﺎﻃﻬﺎ‬

‫ﺍﻻﺗﺼﺎﻻﺕﻣﻊ ﻛﻞ ﺍﻟﺨﻼﻳﺎ ﺍﻟﻌﺼﺒﻴﺔ ﺍﻷﺧﺮﻯ ﻓﻲ ﺍﻟﻄﺒﻘﺔ ﺍﻟﺘﺎﻟﻴﺔ‪ .‬ﻋﺼﺒﻴﺔ ﻣﺘﺼﻠﺔ ﺑﺎﻟﻜﺎﻣﻞ‬

‫ﺍﻟﺸﺒﻜﺔﻫﻮ ﺍﻻﺳﻢ ﺍﻟﺬﻱ ﻳﻄﻠﻖ ﻋﻠﻰ ﻫﺬﺍ ﺍﻟﻨﻮﻉ ﻣﻦ ﺍﻟﺒﻨﻴﺔ‪.‬‬

‫‪34‬‬
 ‫ﺍﻟﺸﻜﻞ‪:3.7‬ﻋﻴﻨﺔ ﻣﻦ ﺑﻨﻴﺔ ﺷﺒﻜﺔ [‪.RNN ]38‬‬

‫ﺍﻟﺬﺍﻛﺮﺓﺍﻟﻄﻮﻳﻠﺔ ﻗﺼﻴﺮﺓ ﺍﻟﻤﺪﻯ )‪(LSTM‬‬

‫ﺃﺩﺕﺍﻟﺮﺅﻳﺔ ﺍﻟﺘﺎﻟﻴﺔ ﺇﻟﻰ ﺗﻄﻮﻳﺮ ‪ .LSTM‬ﺍﻟﺬﺍﻛﺮﺓ ﻃﻮﻳﻠﺔ ﺍﻟﻤﺪﻯ‬

‫ﺑﻤﺜﺎﺑﺔﺍﻷﻭﺯﺍﻥ ﻓﻲ ﺍﻟﺸﺒﻜﺎﺕ ﺍﻟﻌﺼﺒﻴﺔ ﺍﻟﻤﺘﻜﺮﺭﺓ ﺍﻟﺒﺴﻴﻄﺔ‪ .‬ﺃﺛﻨﺎء ﺍﻟﺘﺪﺭﻳﺐ ﻫﻨﺎﻙ‬

‫ﻫﻮﺗﺤﻮﻝ ﺗﺪﺭﻳﺠﻲ ﻓﻲ ﺍﻷﻭﺯﺍﻥ‪ ،‬ﻣﻤﺎ ﻳﺸﻔﺮ ﻣﻌﻠﻮﻣﺎﺕ ﻋﺎﻣﺔ ﻋﻨﻪ‬

‫ﺍﻟﻤﺪﺧﻞ‪.‬ﻛﻤﺎ ﺃﻧﻬﺎ ﺗﺘﻤﻴﺰ ﺑﻌﻤﻠﻴﺎﺕ ﺗﻨﺸﻴﻂ ﺳﺮﻳﻌﺔ ﺍﻟﺰﻭﺍﻝ ﺗﻌﻤﻞ ﻋﻠﻰ ﺍﻟﻤﺪﻯ ﺍﻟﻘﺼﻴﺮ‬

‫ﺍﻟﺬﺍﻛﺮﺓﻭﺍﻟﻨﻘﻞ ﻣﻦ ﻋﻘﺪﺓ ﺇﻟﻰ ﺃﺧﺮﻯ ﻣﻊ ﺗﻘﺪﻡ ﺍﻟﺸﺒﻜﺔ‪ .‬ﺍﻝ‬

‫ﺗﺘﻤﺘﻊﺑﻨﻴﺔ ‪ LSTM‬ﺑﻤﺴﺘﻮﻯ ﺇﺿﺎﻓﻲ ﻣﻦ ﺍﻟﺘﺨﺰﻳﻦ‪ ،‬ﻭﺍﻟﺬﻱ ﻳﻤﻜﻦ ﺍﻟﻮﺻﻮﻝ ﺇﻟﻴﻪ ﻋﺒﺮ‬

‫ﺧﻠﻴﺔﺍﻟﺬﺍﻛﺮﺓ ]‪ . [9‬ﻓﻲ ﺣﻴﻦ ﺃﻥ ﻗﺺ ﺍﻟﺘﺪﺭﺝ ﻗﺪ ﻳﺴﺎﻋﺪ ﻓﻲ ﺍﻧﻔﺠﺎﺭ ﺍﻟﺘﺪﺭﺟﺎﺕ‪،‬‬

‫ﺗﺤﺘﺎﺝﺍﻟﺘﺪﺭﺟﺎﺕ ﺍﻟﻤﺘﻼﺷﻴﺔ ﺇﻟﻰ ﻃﺮﻳﻘﺔ ﺃﻛﺜﺮ ﺗﻌﻘﻴﺪﺍً ﻟﻴﺘﻢ ﺍﻟﺘﻌﺎﻣﻞ ﻣﻌﻬﺎ ﺑﺸﻜﻞ ﺻﺤﻴﺢ‪ .‬ﺍﻝ‬

‫ﻛﺎﻥﻧﻤﻮﺫﺝ ‪ LSTM‬ﻭﺍﺣﺪﺍً ﻣﻦ ﺃﻗﺪﻡ ﺍﻷﺳﺎﻟﻴﺐ ﻟﻠﺘﻌﺎﻣﻞ ﻣﻊ ﺍﻟﺘﺪﺭﺟﺎﺕ ﺍﻟﻤﺘﻼﺷﻴﺔ‪،‬‬

‫ﻭﻛﺎﻥﺃﻳﻀﺎً ﺃﺣﺪ ﺍﻷﺳﺎﻟﻴﺐ ﺍﻷﻛﺜﺮ ﻓﻌﺎﻟﻴﺔ‪ LSTMs .‬ﻫﻲ‬

‫ﺗﺸﺒﻪﺇﻟﻰ ﺣﺪ ﻛﺒﻴﺮ ﺷﺒﻜﺎﺕ ‪ RNN‬ﺍﻟﺘﻘﻠﻴﺪﻳﺔ؛ ﻭﻣﻊ ﺫﻟﻚ‪ ،‬ﻓﻲ ‪ ،LSTMs‬ﻛﻞ ﺗﻘﻠﻴﺪﻳﺔ‬

‫ﻳﺘﻢﺍﺳﺘﺒﺪﺍﻝ ﺍﻟﻌﻘﺪﺓ ﺍﻟﻤﺘﻜﺮﺭﺓ ﺑﺨﻠﻴﺔ ﺫﺍﻛﺮﺓ ﻛﻤﺎ ﻫﻮ ﻣﻮﺿﺢ ﻓﻲ ﺍﻟﺸﻜﻞ ‪ .3.3‬ﺃﻥ ﻛﻞ‬

‫ﺗﺤﺘﻮﻱﺧﻠﻴﺔ ﺍﻟﺬﺍﻛﺮﺓ ﻋﻠﻰ ﺣﺎﻟﺔ ﺩﺍﺧﻠﻴﺔ ﻭﻋﻘﺪﺓ ﻭﺣﺎﻓﺔ ﻣﺘﻜﺮﺭﺓ ﻣﺘﺼﻠﺔ ﺫﺍﺗﻴﺎً‬
‫‪35‬‬
 ‫ﻣﻊﻭﺯﻥ ﻭﺍﺣﺪ ﻳﺠﻌﻞ ﻣﻦ ﺍﻟﻤﻤﻜﻦ ﺃﻥ ﻳﺴﺘﻤﺮ ﺍﻟﺘﺪﺭﺝ ﻋﺒﺮ ﺍﻟﻌﺪﻳﺪ‬

‫ﺧﻄﻮﺍﺕﺯﻣﻨﻴﺔ ﺩﻭﻥ ﺃﻥ ﺗﺨﺘﻔﻲ ﺃﻭ ﺗﻨﻔﺠﺮ‪ .‬ﺗﺴﺘﺨﺪﻡ ﺷﺒﻜﺎﺕ ‪ LSTM‬ﻋﻠﻰ ﻧﻄﺎﻕ ﻭﺍﺳﻊ ﻓﻲ‬

‫ﺗﺆﺛﺮﺍﻟﺘﻬﺪﻳﺪﺍﺕ ﺍﻟﺴﻴﺒﺮﺍﻧﻴﺔ ﻟﻠﻌﺪﻳﺪ ﻣﻦ ﺍﻟﺸﺒﻜﺎﺕ ﻋﻠﻰ ﺃﺟﻬﺰﺓ ﻣﺜﻞ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ]‪.[36] ،[9‬‬

‫ﺍﻟﺸﻜﻞ‪:3.8‬ﺍﻟﺬﺍﻛﺮﺓ ﺍﻟﻄﻮﻳﻠﺔ ﻗﺼﻴﺮﺓ ﺍﻟﻤﺪﻯ )‪.[40] (LSTM‬‬

‫ﻃﺒﻘﺔﺍﻟﻮﺣﺪﺓ ﺍﻟﻤﺘﻜﺮﺭﺓ )‪.(GRU‬‬

‫ﺗﻌﺪﻃﺒﻘﺔ ‪ GRU‬ﺗﺤﺴﻴﻨﺎً ﻋﻠﻰ ﻧﻤﺎﺫﺝ ‪ RNN‬ﺍﻟﺘﻘﻠﻴﺪﻳﺔ‪ ،‬ﻣﺜﻞ ‪ RNN‬ﺍﻟﺒﺴﻴﻂ ﻭ[‪.LSTM ]59‬‬

‫ﻭﻫﻮﻳﻮﻓﺮ ﻧﻈﺎﻡ ﺑﻮﺍﺑﺔ ﻳﺴﻤﺢ ﻟﻠﺸﺒﻜﺔ ﺑﻀﺒﻂ ﻭﺍﺳﺘﺨﺪﺍﻡ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻣﻦ ﺍﻟﺨﻄﻮﺍﺕ ﺍﻟﺴﺎﺑﻘﺔ‬

‫ﺑﺸﻜﻞﺗﻔﻀﻴﻠﻲ‪ ،‬ﻭﺑﺎﻟﺘﺎﻟﻲ ﺍﻟﺘﺨﻔﻴﻒ ﻣﻦ ﻣﺸﻜﻠﺔ ﺍﻟﺘﺪﺭﺟﺎﺕ ﺍﻟﺘﻼﺷﻲ ]‪ .[60‬ﺗﻌﺪ ﺑﻮﺍﺑﺔ‬

‫ﺍﻟﺘﺤﺪﻳﺚﻭﺑﻮﺍﺑﺔ ﺇﻋﺎﺩﺓ ﺍﻟﺘﻌﻴﻴﻦ ﺍﻟﻤﻜﻮﻧﺎﺕ ﺍﻟﺮﺋﻴﺴﻴﺔ ﻟﻄﺒﻘﺔ ‪ .GRU‬ﻫﺬﻩ ﺍﻟﺒﻮﺍﺑﺎﺕ ﻣﺴﺆﻭﻟﺔ ﻋﻦ‬

‫ﺗﻨﻈﻴﻢﺣﺮﻛﺔ ﺍﻟﻤﻌﻠﻮﻣﺎﺕ ﺩﺍﺧﻞ ﺍﻟﻄﺒﻘﺔ‪ .‬ﺗﻘﻮﻡ ﺑﻮﺍﺑﺔ ﺍﻟﺘﺤﺪﻳﺚ ﺑﺤﺴﺎﺏ ﻣﻘﺪﺍﺭ ﺍﻟﻤﻌﻠﻮﻣﺎﺕ‬

‫ﺍﻟﺴﺎﺑﻘﺔﺍﻟﺘﻲ ﻳﻨﺒﻐﻲ ﺗﻘﺪﻳﻤﻬﺎ‪ ،‬ﺑﻴﻨﻤﺎ ﺗﺸﻴﺮ ﺑﻮﺍﺑﺔ ﺇﻋﺎﺩﺓ ﺍﻟﻀﺒﻂ ﺇﻟﻰ ﻣﻘﺪﺍﺭ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺍﻟﺴﺎﺑﻘﺔ‬

‫ﺍﻟﺘﻲﻳﻤﻜﻦ ﺇﺯﺍﻟﺘﻬﺎ‪ .‬ﻳﺘﻴﺢ ﺫﻟﻚ ﻟﻠﺸﺒﻜﺔ ﻣﻌﺮﻓﺔ ﻣﺘﻰ ﻳﺠﺐ ﻋﻠﻴﻬﺎ ﺗﻌﺪﻳﻞ ﺃﻭ ﺇﻋﺎﺩﺓ ﺗﻌﻴﻴﻦ ﺍﻟﺤﺎﻟﺔ‬

‫ﺍﻟﺪﺍﺧﻠﻴﺔﺍﻟﻤﺨﻔﻴﺔ‪ ،‬ﺍﻟﺘﻲ ﺗﺨﺰﻥ ﺍﻟﺒﻴﺎﻧﺎﺕ‬

‫‪36‬‬
 ‫ﺗﺎﺭﻳﺦﺃﻭ ﺫﺍﻛﺮﺓ ﻛﻞ ﺗﺴﻠﺴﻞ ﺣﺘﻰ ﺧﻄﻮﺓ ﺍﻟﻮﻗﺖ ﺍﻟﺤﺎﻟﻲ ]‪ .[61‬ﺑﺎﺳﺘﺨﺪﺍﻡ‬

‫ﺑﻮﺍﺑﺔﺇﻋﺎﺩﺓ ﺍﻟﻀﺒﻂ‪ ،‬ﻓﻬﻲ ﺗﺪﻣﺞ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻣﻦ ﺍﻟﻤﺪﺧﻼﺕ ﺍﻟﺤﺎﻟﻴﺔ ﻭﺍﻟﻤﺨﻔﻴﺔ ﺳﺎﺑﻘﺎً‬

‫ﻹﻧﺸﺎءﺣﺎﻟﺔ ﻣﺨﻔﻴﺔ ﻣﺘﻮﺳﻄﺔ‪ .‬ﺑﺎﺳﺘﺨﺪﺍﻡ ﺑﻮﺍﺑﺔ ﺍﻟﺘﺤﺪﻳﺚ‪ ،‬ﻫﺬﺍ ‪State‬‬

‫ﻳﺘﻢﺩﻣﺞ ﺍﻟﺤﺎﻟﺔ ﺍﻟﻤﺘﻮﺳﻄﺔ ﻣﻊ ﺍﻟﺤﺎﻟﺔ ﺍﻟﻤﺨﻔﻴﺔ ﺍﻟﺴﺎﺑﻘﺔ ﻹﻧﺘﺎﺝ‬

‫ﺗﻢﺗﺤﺪﻳﺚ ﺍﻟﺤﺎﻟﺔ ﺍﻟﻤﺨﻔﻴﺔ ﻟﻠﺨﻄﻮﺓ ﺍﻟﺰﻣﻨﻴﺔ ﺍﻟﺤﺎﻟﻴﺔ‪.‬‬

‫ﻣﺘﻌﺪﺩﺍﻟﻄﺒﻘﺎﺕ ﺑﻴﺮﺳﺒﺘﺮﻭﻥ )‪(MLP‬‬

‫ﻳﺘﻢﺇﻧﺸﺎء ﺷﺒﻜﺔ ‪ ANN‬ﺫﺍﺕ ﺗﻐﺬﻳﺔ ﺃﻣﺎﻣﻴﺔ ﻣﺮﺗﺒﻄﺔ ﺑﺎﻟﻜﺎﻣﻞ ﺗﺴﻤﻰ ﺍﻹﺩﺭﺍﻙ ﺍﻟﺤﺴﻲ ﻣﺘﻌﺪﺩ ﺍﻟﻄﺒﻘﺎﺕ )‪.(MLP‬‬

‫ﻃﺒﻘﺎﺕﺍﻟﺨﻼﻳﺎ ﺍﻟﻌﺼﺒﻴﺔ ]‪ .[38] ،[11‬ﻳﺘﻜﻮﻥ ‪ MLP‬ﻣﻦ ﺛﻼﺛﺔ ﻣﺪﺧﻼﺕ ﻭﻣﺨﺮﺟﺎﺕ ﻭ‬

‫ﻃﺒﻘﺔﻣﺨﻔﻴﺔ ﻭﺍﺣﺪﺓ ﺃﻭ ﺃﻛﺜﺮ ﻛﻤﺎ ﻫﻮ ﻣﻮﺿﺢ ﻓﻲ ﺍﻟﺸﻜﻞ ‪ .3.4‬ﻗﺪ ﻳﺘﻀﻤﻦ ‪ MLP‬ﺃﻳﻀﺎً ﺍﻟﻤﺰﻳﺪ‬

‫ﻣﻦﻃﺒﻘﺔ ﻭﺍﺣﺪﺓ ﻣﺨﻔﻴﺔ ]‪ .[23‬ﻭﻓﻲ ﺍﻟﺪﺭﺍﺳﺔ ﺍﻟﺘﻲ ﻗﺪﻣﺖ ﺃﺷﺎﺭﺕ ﺇﻟﻰ ﺍﻟﻤﺨﺮﺟﺎﺕ‬

‫ﻣﻦ‪ MLP ANN‬ﺇﻟﻰ ﺍﻟﻌﺪﺩ ﺍﻟﻤﺘﻮﻗﻊ ﻟﻠﻤﺮﺿﻰ‪ .‬ﻃﺒﻘﺔ ﺍﻹﺧﺮﺍﺝ ﻫﻲ‬

‫ﺗﺘﻜﻮﻥﻣﻦ ﺧﻠﻴﺔ ﻋﺼﺒﻴﺔ ﻭﺍﺣﺪﺓ‪ ،‬ﻗﻴﻤﺘﻬﺎ ﻫﻲ ﻧﺎﺗﺞ ‪MLP ANN‬‬

‫]‪ .[42‬ﻳﻌﺘﻤﺪ ﻋﺪﺩ ﺍﻟﺨﻼﻳﺎ ﺍﻟﻌﺼﺒﻴﺔ ﻓﻲ ﻃﺒﻘﺔ ﺍﻹﺩﺧﺎﻝ ﻋﻠﻰ ﻋﺪﺩ ﺍﻟﺒﻴﺎﻧﺎﺕ‬

‫ﺳﻤﺎﺕ‪.‬ﺳﻮﻑ ﺗﺤﺘﻮﻱ ﻛﻞ ‪ MLPs‬ﻋﻠﻰ ﺛﻼﺙ ﺧﻼﻳﺎ ﻋﺼﺒﻴﺔ ﻓﻲ ﻃﺒﻘﺔ ﺍﻹﺩﺧﺎﻝ‪ ،‬ﻭﺍﺣﺪﺓ ﻣﻨﻬﺎ‬

‫ﺳﻮﻑﺗﺘﻮﺍﻓﻖ ﻣﻊ ﻛﻞ ﻧﻘﻄﺔ ﻣﻦ ﻧﻘﺎﻁ ﺑﻴﺎﻧﺎﺕ ﺍﻹﺩﺧﺎﻝ‪ .‬ﺑﺴﺎﻃﺔ ﻭﺿﻊ ﻣﺜﻞ ﻫﺬﺍ‬

‫ﻛﺎﻧﺖﺍﻷﺳﺎﻟﻴﺐ ﺍﻟﻤﺘﺒﻌﺔ ﻓﻲ ﺍﻟﻤﻤﺎﺭﺳﺔ ﻋﺎﻣﻼ ًﺭﺋﻴﺴﻴﺎ ًﻓﻲ ﻗﺮﺍﺭ ﺍﺳﺘﺨﺪﺍﻡ ‪ MLP‬ﺑﺎﻋﺘﺒﺎﺭﻩ ﺍﻟﺤﻞ ﺍﻷﻣﺜﻞ‬

‫ﺍﻟﻤﻨﻬﺠﻴﺔﻭﺭﺍء ﻫﺬﺍ ﺍﻟﺘﺤﻘﻴﻖ‪ .‬ﻫﻜﺬﺍ ﻫﻲ ﻗﻴﻢ ﺍﻟﺨﻼﻳﺎ ﺍﻟﻌﺼﺒﻴﺔ‬

‫ﻣﺤﺪﺩﻓﻲ ‪ .MLP‬ﻭﻳﺸﻴﺮ ﻣﺼﻄﻠﺢ "ﺍﻟﺘﻨﺸﻴﻂ" ﺇﻟﻰ ﺍﻟﻌﻤﻠﻴﺔ ﺍﻟﺘﻲ ﻳﺘﻢ ﻣﻦ ﺧﻼﻟﻬﺎ‬

‫ﻳﺘﻢﺍﺳﺘﺨﺪﺍﻡ ﻣﺠﻤﻮﻋﺎﺕ ﺍﻟﻤﺪﺧﻼﺕ ﺍﻟﻤﺮﺟﺤﺔ ﻛﻤﺪﺧﻼﺕ ﻟﻮﻇﻴﻔﺔ ﺗﻌﺮﻑ ﺑﺎﺳﻢ‬

‫"ﻭﻇﻴﻔﺔ ﺍﻟﺘﻨﺸﻴﻂ‪ ".‬ﺗﻘﻮﻡ ﻫﺬﻩ ﺍﻟﻮﻇﻴﻔﺔ ﺑﻨﻘﻞ ﺍﻹﺩﺧﺎﻝ ﺇﻟﻰ ﺍﻹﺧﺮﺍﺝ ﺃﻳﻀﺎً‬

‫‪37‬‬
 ‫ﻣﺒﺎﺷﺮﺓﺃﻭ ﻋﺒﺮ ﻭﻇﻴﻔﺔ ﻭﺳﻴﻄﺔ ﻣﺜﻞ ﺍﻟﺴﻴﻨﻲ‪ ،tanh ،‬ﺃﻭ [‪ReLU ]43‬‬

‫ﻳﺘﻢﺗﺤﺪﻳﺪ ﺃﻭﺯﺍﻥ ﺍﻟﻮﺻﻼﺕ ﺍﻟﻌﺼﺒﻴﺔ ﺑﺸﻜﻞ ﻋﺸﻮﺍﺋﻲ ﻓﻲ ﺍﻟﺒﺪﺍﻳﺔ‪ ،‬ﻭﻟﻜﻨﻬﺎ‬

‫ﺗﻢﺗﻌﺪﻳﻠﻬﺎ ﻻﺣﻘﺎً ﻣﻦ ﺧﻼﻝ ﻋﻤﻠﻴﺔ ﺗﻌُﺮﻑ ﺑﺎﺳﻢ ﺍﻻﻧﺘﺸﺎﺭ ﺍﻟﻌﻜﺴﻲ‪ .‬ﺧﻼﻝ‬

‫ﻫﺬﻩﺍﻟﻌﻤﻠﻴﺔ‪ ،‬ﺍﻟﺨﻄﺄ ﺍﻟﺬﻱ ﺗﻢ ﺇﻧﺘﺎﺟﻪ ﺑﻮﺍﺳﻄﺔ ﺇﺻﺪﺍﺭ ﻣﻨﺘﺸﺮ ﻟﻸﻣﺎﻡ ﻣﻦ‬

‫ﻳﺘﻢﻧﺸﺮ ﻧﺘﺎﺋﺞ ‪ MLP‬ﺑﺸﻜﻞ ﻋﻜﺴﻲ‪ ،‬ﻭﻳﺘﻢ ﺗﻌﺪﻳﻠﻬﺎ ﺑﺸﻜﻞ ﻣﺘﻨﺎﺳﺐ‬

‫ﺍﻷﻭﺯﺍﻥﺇﻟﻰ ﺍﻟﺨﻄﺄ‪.‬‬

‫ﺍﻟﺸﻜﻞ‪:3.9‬ﻣﺘﻌﺪﺩ ﺍﻟﻄﺒﻘﺎﺕ ﺑﻴﺮﺳﺒﺘﺮﻭﻥ )‪.[44] (MLP‬‬

‫‪3.3.4‬ﺍﻟﺘﻌﻠﻢ ﺍﻟﺠﻤﺎﻋﻲ‬

‫‪-‬ﻣﺼﻨﻒ ﺍﻷﺷﺠﺎﺭ ﺍﻹﺿﺎﻓﻴﺔ‬

‫ﺗﻌﺪﺧﻮﺍﺭﺯﻣﻴﺔ ﺍﻷﺷﺠﺎﺭ ﺍﻹﺿﺎﻓﻴﺔ ﺃﺣﺪ ﺃﺷﻜﺎﻝ ﺧﻮﺍﺭﺯﻣﻴﺔ ﺍﻟﻐﺎﺑﺔ ﺍﻟﻌﺸﻮﺍﺋﻴﺔ‪ .‬ﺍﻝ‬

‫ﺗﻈُﻬﺮﺍﻟﺨﻮﺍﺭﺯﻣﻴﺔ ﺃﻭﺟﻪ ﺗﺸﺎﺑﻪ ﻣﻊ ‪ ،Random Forests‬ﻋﻠﻰ ﺍﻟﺮﻏﻢ ﻣﻦ ﺇﺿﺎﻓﺔ ﺍﻟﻤﺰﻳﺪ‬

‫ﺍﻟﻌﺸﻮﺍﺋﻴﺔﻓﻲ ﺑﻨﺎء ﺃﺷﺠﺎﺭ ﺍﻟﻘﺮﺍﺭ ]‪ .[45‬ﻣﺼﻨﻒ ﺍﻷﺷﺠﺎﺭ ﺍﻹﺿﺎﻓﻴﺔ‬

‫ﻳﺴﺘﺨﺪﻡﺗﻘﻨﻴﺔ ﺍﻟﺘﻌﻠﻢ ﺍﻟﺠﻤﺎﻋﻲ ﻣﻦ ﺧﻼﻝ ﺗﺠﻤﻴﻊ ﻗﺎﻋﺪﺓ ﻣﺘﻌﺪﺩﺓ‬

‫‪38‬‬
 ‫ﺍﻟﻤﺼﻨﻔﺎﺕﻟﺘﻮﻟﻴﺪ ﺍﻟﺘﻨﺒﺆﺍﺕ‪ ،‬ﻭﺑﺎﻟﺘﺎﻟﻲ ﺗﺴﺨﻴﺮ ﺍﻟﺬﻛﺎء ﺍﻟﺠﻤﺎﻋﻲ‬

‫ﺍﻟﺠﻤﺎﻋﺔ]‪ . [46‬ﺇﻧﻬﺎ ﻃﺮﻳﻘﺔ ﺟﻤﺎﻋﻴﺔ ﺗﺠﻤﻊ ﻣﺨﺮﺟﺎﺕ‬

‫ﺍﻟﻌﺪﻳﺪﻣﻦ ﺍﻷﺷﺠﺎﺭ ﺍﻟﺘﻲ ﺗﻢ ﺗﺪﺭﻳﺒﻬﺎ ﺑﺸﻜﻞ ﻣﺴﺘﻘﻞ‪ .‬ﻫﺬﻩ ﺍﻟﺘﻘﻨﻴﺔ ﻳﻤﻜﻦ ﺃﻥ ﺗﻜﻮﻥ‬

‫ﺗﺴﺘﺨﺪﻡﻟﻤﻬﺎﻡ ﺍﻟﺘﺼﻨﻴﻒ‪ ،‬ﺣﻴﺚ ﻳﺘﻢ ﺗﺤﺪﻳﺪ ﺍﻟﺘﻨﺒﺆ ﺍﻟﻨﻬﺎﺋﻲ ﺑﺎﻷﻏﻠﺒﻴﺔ‬

‫ﺍﻟﺘﺼﻮﻳﺖ‪.‬ﻓﻲ ﺳﻴﺎﻗﻨﺎ ﺍﻟﻤﺤﺪﺩ‪ ،‬ﻳﺘﻢ ﺍﺳﺘﺨﺪﺍﻡ ﻣﺠﻤﻮﻋﺔ ﻣﺼﻨﻒ ﺍﻷﺷﺠﺎﺭ ﺍﻹﺿﺎﻓﻴﺔ‬

‫ﺍﻟﻜﺸﻒﻋﻦ ﺃﻧﻮﺍﻉ ﻣﺨﺘﻠﻔﺔ ﻣﻦ ﺍﻟﻬﺠﻤﺎﺕ‪ .‬ﻳﻤﻜﻦ ﻟﻤﺼﻨﻒ ﺍﻷﺷﺠﺎﺭ ﺍﻹﺿﺎﻓﻴﺔ ﺍﻟﺘﺨﻔﻴﻒ‬

‫ﺍﻟﺘﺠﻬﻴﺰﺍﻟﺰﺍﺋﺪ ﻭﺗﺤﺴﻴﻦ ﺩﻗﺔ ﺍﻟﺘﻌﻤﻴﻢ ﻋﻦ ﻃﺮﻳﻖ‬

‫ﺟﻤﻊﻧﺘﺎﺋﺠﻪ ]‪.[47‬‬

‫‪-‬ﻣﺼﻨﻒ ﺗﻌﺰﻳﺰ ﺍﻟﺘﺪﺭﺝ ﺍﻟﻘﺎﺋﻢ ﻋﻠﻰ ﺍﻟﺮﺳﻢ ﺍﻟﺒﻴﺎﻧﻲ‬

‫ﻭﻫﻮﻳﻨﻄﻮﻱ ﻋﻠﻰ ﺍﺳﺘﺨﺪﺍﻡ ﺗﻌﺰﻳﺰ ﺍﻟﺘﺪﺭﺝ‪ ،‬ﻭﺍﻟﺬﻱ ﻳﺘﻀﻤﻦ ﺍﻟﺘﺪﺭﻳﺐ ﺍﻟﻤﺘﻄﻮﺭ ﺑﺎﺳﺘﻤﺮﺍﺭ‬

‫ﻟﻤﺠﻤﻮﻋﺔﻣﻦ ﺍﻟﻤﺘﻌﻠﻤﻴﻦ ﺍﻟﻀﻌﻔﺎء ]‪ .[48‬ﺍﻟﻤﺘﻌﻠﻤﻮﻥ ﺍﻟﻀﻌﻔﺎء‬

‫ﺃﺷﺠﺎﺭﺍﻟﻘﺮﺍﺭ ﺷﺎﺋﻌﺔ ﺍﻻﺳﺘﺨﺪﺍﻡ ﻟﺘﺼﺤﻴﺢ ﻋﺪﻡ ﺩﻗﺔ ﺍﻟﻨﻤﺎﺫﺝ ﺍﻟﺴﺎﺑﻘﺔ ]‪ .[49‬ﻭﺍﺳﺘﺨﺪﻣﺖ‬

‫ﺍﻟﻤﻨﻬﺠﻴﺔﺍﻟﺘﻲ ﺗﺴﺘﺨﺪﻡ ﺍﻟﺮﺳﻮﻡ ﺍﻟﺒﻴﺎﻧﻴﺔ ﻟﺘﻌﺰﻳﺰ ﻛﻠﻴﻬﻤﺎ‬

‫ﺍﻟﻜﻔﺎءﺓﺍﻟﺤﺴﺎﺑﻴﺔ ﻭﺍﻟﺪﻗﺔ ﺍﻟﺘﻨﺒﺆﻳﺔ‪.‬‬

‫ﻳﺘﻢﺇﻧﺸﺎء ﺍﻟﺮﺳﻮﻡ ﺍﻟﺒﻴﺎﻧﻴﺔ ﻟﺘﻮﻓﻴﺮ ﻣﻌﻠﻮﻣﺎﺕ ﺇﺣﺼﺎﺋﻴﺔ ﺑﺸﺄﻥ‬

‫ﺗﻮﺯﻳﻊﺍﻟﺒﻴﺎﻧﺎﺕ ﺩﺍﺧﻞ ﻛﻞ ﺻﻨﺪﻭﻕ ]‪ .[50‬ﻳﺘﻀﻤﻦ ﺫﻟﻚ ﻣﻘﺎﻳﻴﺲ ﻣﺜﻞ ﺍﻟﻌﺪﺩ‬

‫ﻣﻦﺍﻟﻌﻴﻨﺎﺕ ﻭﻣﺠﻤﻮﻉ ﺍﻟﺘﺪﺭﺟﺎﺕ ﺃﻭ ﺍﻟﺘﺪﺭﺟﺎﺕ ﺍﻟﻤﺮﺑﻌﺔ‪ .‬ﺍﻻﻧﺘﻔﺎﻉ‬

‫ﻣﻦﻫﺬﻩ ﺍﻹﺣﺼﺎﺋﻴﺎﺕ ﺗﺴﻬﻞ ﺍﻟﻜﻔﺎءﺓ ﻭﺍﻟﺤﺴﺎﺑﺎﺕ ﻃﻮﺍﻝ ﻓﺘﺮﺓ ﺍﻟﺘﺪﺭﻳﺐ‬

‫ﺍﻹﺟﺮﺍء‪،‬ﻣﻤﺎ ﺃﺩﻯ ﺇﻟﻰ ﺗﻌﺰﻳﺰ ﻗﺎﺑﻠﻴﺔ ﺍﻟﺘﻮﺳﻊ ﻭﺍﻷﺩﺍء‪ .‬ﺍﻟﺘﻘﺮﺏ‬

‫ﻳﺘﻀﻤﻦﺍﻟﺘﻄﺒﻴﻖ ﺍﻟﻤﺘﺴﻠﺴﻞ ﻟﻠﻤﺘﻌﻠﻤﻴﻦ ﺍﻟﻀﻌﻔﺎء ﻋﻠﻰ ﺍﻟﺘﺪﺭﺟﺎﺕ ﺍﻟﺴﻠﺒﻴﺔ ﻟﻠﺘﻌﻠﻢ‬

‫‪39‬‬
 ‫ﻭﻇﻴﻔﺔﺍﻟﺨﺴﺎﺭﺓ‪ ،‬ﻣﻤﺎ ﻳﺆﺩﻱ ﺇﻟﻰ ﺍﻧﺨﻔﺎﺽ ﺗﺪﺭﻳﺠﻲ ﻓﻲ ﺍﻷﺧﻄﺎء ﺍﻟﻤﺘﺒﻘﻴﺔ‪ .‬ﺍﻟﺘﻌﻠﻴﻢ‬

‫ﺗﻨﻈﻢﻣﻌﻠﻤﺔ ﺍﻟﻤﻌﺪﻝ ﺍﻟﻮﺯﻥ ﺍﻟﻤﺨﺼﺺ ﻟﻜﻞ ﻓﺮﺩ ﻣﺘﻌﻠﻢ ﺿﻌﻴﻒ‪،‬‬

‫ﻭﺑﺎﻟﺘﺎﻟﻲﺗﺤﻘﻴﻖ ﺗﻮﺍﺯﻥ ﺩﻗﻴﻖ ﺑﻴﻦ ﺗﻌﻘﻴﺪﺍﺕ ﺍﻟﻨﻤﻮﺫﺝ ﻭ‬

‫ﻧﺴﺒﺔﺍﻟﺘﻘﺎﺭﺏ ]‪.[51‬‬

‫‪-‬ﻣﺼﻨﻒ ﺍﻟﺘﻌﺰﻳﺰ ﺍﻟﺘﻜﻴﻔﻲ‬

‫ﻳﺠﻤﻊﺑﺮﻧﺎﻣﺞ (‪ Adaptive Boosting )AdaBoost‬ﺑﻴﻦ ﺍﻟﻤﺘﻌﻠﻤﻴﻦ ﺍﻟﻀﻌﻔﺎء ﺑﺸﻜﻞ ﻣﺘﻜﺮﺭ ﻹﻧﺘﺎﺝ‬

‫ﺍﻟﻤﺼﻨﻒﺍﻟﻘﻮﻱ ]‪ .[52‬ﻋﺎﺩﺓ ًﻣﺎ ﻳﻜﻮﻥ ﺍﻟﻤﺘﻌﻠﻤﻮﻥ ﺍﻟﻀﻌﻔﺎء ﻋﺒﺎﺭﺓ ﻋﻦ ﺃﺷﺠﺎﺭ ﻗﺮﺍﺭ‪ ،‬ﻭﻳﻜﻮﻥ‬

‫ﻟﺘﻮﻗﻌﺎﺗﻬﻢﺃﻭﺯﺍﻥ ﻭﻓﻘﺎً ﻟﻨﺘﺎﺋﺞ ﺗﺪﺭﻳﺒﻬﻢ‪ .‬ﺇﻧﻪ ﻳﻮﻓﺮ ﺍﻟﻌﺪﻳﺪ ﻣﻦ ﺍﻟﻤﺰﺍﻳﺎ ﺍﻟﺠﺪﻳﺮﺓ ﺑﺎﻟﻤﻼﺣﻈﺔ ﺍﻟﺘﻲ‬

‫ﺗﺴﺎﻫﻢﻓﻲ ﺷﻌﺒﻴﺘﻪ ﻭﻓﻌﺎﻟﻴﺘﻪ ﻓﻲ‬

‫ﻣﺠﺎﻝﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ‪ .‬ﻳﺘﻤﺘﻊ ‪ AdaBoost‬ﺑﻘﺪﺭﺓ ﺍﺳﺘﺜﻨﺎﺋﻴﺔ ﻋﻠﻰ ﺗﻌﺰﻳﺰ ﺩﻗﺔ ﺍﻟﺘﺼﻨﻴﻒ ﻣﻘﺎﺭﻧﺔ‬

‫ﺑﻤﺘﻌﻠﻢﻭﺍﺣﺪ ﺿﻌﻴﻒ‪ .‬ﻳﺮﻛﺰ ‪ AdaBoost‬ﻋﻠﻰ‬

‫ﺗﺤﺪﻱﺍﻟﻌﻴﻨﺎﺕ ﻣﻦ ﺧﻼﻝ ﺗﺪﺭﻳﺐ ﺍﻟﻤﺘﻌﻠﻤﻴﻦ ﺍﻟﻀﻌﻔﺎء ﺑﺸﻜﻞ ﻣﺘﻜﺮﺭ ﻋﻠﻰ ﻣﺠﻤﻮﻋﺎﺕ ﻓﺮﻋﻴﺔ‬

‫ﻣﺨﺘﻠﻔﺔﻣﻦ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻭﺗﺨﺼﻴﺺ ﺃﻭﺯﺍﻥ ﺃﻋﻠﻰ ﻟﻠﺤﺎﻻﺕ ﺍﻟﻤﺼﻨﻔﺔ ﺑﺸﻜﻞ ﺧﺎﻃﺊ‪ ،‬ﻭﺑﺎﻟﺘﺎﻟﻲ‬

‫ﺗﻘﻠﻴﻞﺍﻟﺘﺤﻴﺰ ﻭﺯﻳﺎﺩﺓ ﺍﻟﺪﻗﺔ ﺍﻹﺟﻤﺎﻟﻴﺔ ]‪ AdaBoost .[53‬ﻣﺮﻥ‬

‫ﺧﻮﺍﺭﺯﻣﻴﺔﻗﺎﺑﻠﺔ ﻟﻠﺘﻄﺒﻴﻖ ﻋﻠﻰ ﻣﺠﻤﻮﻋﺔ ﻣﺘﻨﻮﻋﺔ ﻣﻦ ﻣﺸﺎﻛﻞ ﺍﻟﺘﺼﻨﻴﻒ‪ ،‬ﺑﻤﺎ ﻓﻲ ﺫﻟﻚ‬

‫ﺍﻟﺘﺼﻨﻴﻒﺍﻟﺜﻨﺎﺋﻲ ﻭﺍﻟﺘﺼﻨﻴﻒ ﻣﺘﻌﺪﺩ ﺍﻟﻔﺌﺎﺕ‪ .‬ﻳﻤﻜﻨﻪ ﺇﺩﺍﺭﺓ ﻛﻞ ﻣﻦ ﺍﻟﻤﻨﻔﺼﻠﺔ ﻭ‬

‫ﺍﻟﺨﺼﺎﺋﺺﺍﻟﻤﺴﺘﻤﺮﺓ‪ ،‬ﻣﻤﺎ ﻳﺠﻌﻠﻬﺎ ﻗﺎﺑﻠﺔ ﻟﻠﺘﻄﺒﻴﻖ ﻋﻠﻰ ﻣﺠﻤﻮﻋﺔ ﻭﺍﺳﻌﺔ ﻣﻦ ﻣﺠﻤﻮﻋﺎﺕ‬

‫ﺍﻟﺒﻴﺎﻧﺎﺕ]‪ .[54‬ﻳﻘﻮﻡ ‪ AdaBoost‬ﺑﺘﻌﻴﻴﻦ ﺃﻭﺯﺍﻥ ﺍﻟﻤﻴﺰﺍﺕ ﻭﻓﻘﺎً ﻟﺘﺼﻨﻴﻔﻬﺎ‬

‫ﻓﺎﺋﺪﺓ‪.‬ﺃﺛﻨﺎء ﺍﻟﺘﺪﺭﻳﺐ‪ ،‬ﻳﻘﻮﻡ ‪ AdaBoost‬ﺑﺘﻌﺪﻳﻞ ﺃﻭﺯﺍﻧﻪ ﻟﻴﻌﻄﻲ ﺗﺼﻨﻴﻔﺎً ﺧﺎﻃﺌﺎً‬

‫ﺍﻟﺤﺎﻻﺕﻭﺍﻟﻘﻴﻢ ﺍﻟﻤﺘﻄﺮﻓﺔ ﺃﻗﻞ ﻭﺯﻧﺎ‪ .‬ﻫﺬﻩ ﺍﻟﻤﺘﺎﻧﺔ ﺗﻤﻜﻦ ‪ AdaBoost‬ﻣﻦ ﺍﻹﺩﺍﺭﺓ‬

‫‪40‬‬
 ‫ﻣﺠﻤﻮﻋﺎﺕﺍﻟﺒﻴﺎﻧﺎﺕ ﺍﻟﻔﻮﺿﻮﻳﺔ ﻭﺍﻟﻘﻴﻢ ﺍﻟﻤﺘﻄﺮﻓﺔ ﺍﻟﺘﻲ ﻣﻦ ﺷﺄﻧﻬﺎ ﺃﻥ ﺗﻌﻴﻖ ﺃﺩﺍء‬

‫ﺍﻟﻤﺼﻨﻔﺎﺕﺍﻟﺒﺪﻳﻠﺔ‬

‫‪-‬ﻣﺼﻨﻒ ‪LGBM‬‬

‫ﻳﻌﺪﻣﺼُﻨﻒ (‪ Light Gradient Boosting Machine )LightGBM‬ﺑﻤﺜﺎﺑﺔ ‪ ML‬ﻗﻮﻱ‬

‫ﺍﻟﺨﻮﺍﺭﺯﻣﻴﺔﺍﻟﺘﻲ ﺗﻨﺪﺭﺝ ﺿﻤﻦ ﻓﺌﺔ ﺃﻃﺮ ﺗﻌﺰﻳﺰ ﺍﻟﺘﺪﺭﺝ ]‪ .[55‬ﻫﻮ ‪ -‬ﻫﻲ‬

‫ﺗﻢﺗﺼﻤﻴﻤﻪ ﺧﺼﻴﺼﺎً ﻟﺘﻘﺪﻳﻢ ﺍﻷﺩﺍء ﺍﻟﻌﺎﻟﻲ ﻭﺍﻟﻜﻔﺎءﺓ ﻭﺍﻟﺪﻗﺔ‬

‫ﺣﻞﻣﻬﺎﻡ ﺍﻟﺘﺼﻨﻴﻒ‪ .‬ﻳﻌﺘﻤﺪ ﻣﺼﻨﻒ ‪ LGBM‬ﻋﻠﻰ ﺗﻌﺰﻳﺰ ﺍﻟﺘﺪﺭﺝ‬

‫ﺍﻹﻃﺎﺭ‪،‬ﺍﻟﺬﻱ ﻳﺘﻀﻤﻦ ﺗﺪﺭﻳﺒﺎً ﻣﺘﻜﺮﺭﺍً ﻟﻤﺠﻤﻮﻋﺔ ﻣﻦ ﺍﻟﻤﺘﻌﻠﻤﻴﻦ ﺍﻟﻀﻌﻔﺎء‪،‬‬

‫ﻋﺎﺩﺓﺃﺷﺠﺎﺭ ﺍﻟﻘﺮﺍﺭ‪ ،‬ﻟﺘﺼﺤﻴﺢ ﺍﻷﺧﻄﺎء ﺍﻟﺘﻲ ﺍﺭﺗﻜﺒﺘﻬﺎ ﺍﻟﺴﺎﺑﻘﺔ ﺑﺸﻜﻞ ﺗﺴﻠﺴﻠﻲ‬

‫ﻋﺎﺭﺿﺎﺕﺍﺯﻳﺎء‪ .‬ﻟﺪﻯ ‪ LightGBM‬ﺍﻟﻌﺪﻳﺪ ﻣﻦ ﺍﻟﺘﺤﺴﻴﻨﺎﺕ ﺍﻟﻔﺮﻳﺪﺓ ﻟﺘﺤﺴﻴﻦ ﺍﻟﻤﺴﺘﻮﻯ ﺍﻟﻌﺎﻡ‬

‫ﻛﻔﺎءﺓﻭﻓﻌﺎﻟﻴﺔ ﻋﻤﻠﻴﺔ ﺍﻟﺘﻌﺰﻳﺰ‪ .‬ﻭﻳﺴﺘﺨﺪﻡ ﺍﻟﺮﺳﻢ ﺍﻟﺒﻴﺎﻧﻲ‪-‬‬

‫ﺍﻟﻨﻬﺞﺍﻟﻘﺎﺋﻢ ﻋﻠﻰ ‪ binning‬ﺍﻟﻤﻴﺰﺍﺕ ﺍﻟﻤﺴﺘﻤﺮﺓ‪ ،‬ﻣﻤﺎ ﻳﻘﻠﻞ ﺑﺸﻜﻞ ﻛﺒﻴﺮ‬

‫ﺑﺼﻤﺔﺍﻟﺬﺍﻛﺮﺓ ﻭﺗﺴﺮﻳﻊ ﻋﻤﻠﻴﺔ ﺍﻟﺘﺪﺭﻳﺐ ]‪ .[56‬ﺇﻧﻪ ﻳﺒﻨﻲ‬

‫ﺭﺳﻮﻡﺑﻴﺎﻧﻴﺔ ﻟﻜﻞ ﻣﻴﺰﺓ ﻭﺗﺴﺘﺨﺪﻡ ﻫﺬﻩ ﺍﻟﺮﺳﻮﻡ ﺍﻟﺒﻴﺎﻧﻴﺔ ﻟﻠﻌﺜﻮﺭ ﻋﻠﻰ ﺃﻓﻀﻞ ﺍﻻﻧﻘﺴﺎﻣﺎﺕ ﻟﻬﺎ‬

‫ﺑﻨﺎءﺃﺷﺠﺎﺭ ﺍﻟﻘﺮﺍﺭ ﺑﻜﻔﺎءﺓ‪.‬‬

‫‪-‬ﻣﺼﻨﻒ ‪CatBoosting‬‬

‫ﻫﻲﺗﻘﻨﻴﺔ ﻗﻮﻳﺔ ﻟﻠﺘﻌﻠﻢ ﺍﻵﻟﻲ ﻣﺼﻤﻤﺔ ﺧﺼﻴﺼﺎً ﻟﺬﻟﻚ ‪CatBoost‬‬

‫ﻣﻬﺎﻡﺍﻟﺘﺼﻨﻴﻒ ]‪ .[57‬ﻳﺘﻌﻠﻖ ﺍﻷﻣﺮ ﺑﻔﺌﺔ ﺍﻟﻬﻴﺎﻛﻞ ﺍﻟﻤﻌﺰﺯﺓ ﺍﻟﻤﺘﺪﺭﺟﺔ‬

‫ﻭﻳﻮﻓﺮﺍﻟﻌﺪﻳﺪ ﻣﻦ ﺍﻟﺨﺼﺎﺋﺺ ﺍﻟﻔﺮﻳﺪﺓ ﺍﻟﺘﻲ ﺗﺤﺪﺙ ﻓﺮﻗﺎً ﻓﻴﻪ‬

‫ﺍﻟﻜﻔﺎءﺓﻭﺍﻟﻔﻌﺎﻟﻴﺔ‪ .‬ﺇﻧﻬﺎ ﺗﺴﺘﺨﺪﻡ ﺗﻘﻨﻴﺔ ﻓﺮﻳﺪﺓ ﺗﺠﻤﻊ ﺑﻴﻦ ﺍﻟﺘﺪﺭﺝ‪-‬‬

‫‪41‬‬
 ‫ﻳﻌﺘﻤﺪﻋﻠﻰ ﺍﻟﻔﺮﺯ ﺍﻟﻤﺴﺒﻖ‪ ،‬ﻭﺍﻟﺘﻌﺰﻳﺰ ﺍﻟﻤﻄﻠﻮﺏ‪ ،‬ﻭﺃﺷﺠﺎﺭ ﺍﻟﻘﺮﺍﺭ ﺍﻟﻤﺘﻤﺎﺛﻠﺔ‪ .‬ﻛﺎﺕ ﺑﻮﺳﺖ‬

‫ﻳﻤﻜﻦﺇﺩﺍﺭﺓ ﺍﻟﺨﺼﺎﺋﺺ ﺍﻟﻔﺌﻮﻳﺔ ﻣﻊ ﻣﺠﻤﻮﻋﺔ ﻣﺘﻨﻮﻋﺔ ﻣﻦ ﺍﻟﻌﻨﺎﺻﺮ ﺍﻷﺳﺎﺳﻴﺔ‪ ،‬ﻣﺜﻞ‬

‫ﺍﻟﻤﺘﻐﻴﺮﺍﺕﺫﺍﺕ ﺍﻟﻌﻼﻗﺔ ﺍﻟﻌﺎﻟﻴﺔ‪ .‬ﻳﻀﻤﻦ ‪ CatBoost‬ﺍﻻﺳﺘﻘﺮﺍﺭ ﺑﺸﻜﻞ ﻋﺸﻮﺍﺋﻲ‬

‫ﺍﻟﺠﻤﻊﺑﻴﻦ ﺗﺮﺗﻴﺐ ﻛﻞ ﻓﺌﺔ ﻃﻮﺍﻝ ﺍﻟﺘﺪﺭﻳﺐ‪ ،‬ﻭﻣﻨﻊ ﺍﻟﻨﻤﻮﺫﺝ‬

‫ﻣﻦﺍﻻﻋﺘﻤﺎﺩ ﺣﺼﺮﺍ ﻋﻠﻰ ﺗﺮﺗﻴﺐ ﺍﻟﻔﺌﺎﺕ ]‪ .[58‬ﻓﻀﻼ ًﻋﻦ ﺫﻟﻚ‪،‬‬

‫ﻳﺘﻀﻤﻦ‪ CatBoost‬ﺗﻘﻨﻴﺔ ﺑﻨﺎء ﻣﺘﻤﺎﺛﻞ ﻟﻸﺷﺠﺎﺭ ﺗﺄﺧﺬ‬

‫ﺍﻟﺨﺼﺎﺋﺺﺍﻹﺣﺼﺎﺋﻴﺔ ﻟﻤﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺑﻌﻴﻦ ﺍﻻﻋﺘﺒﺎﺭ‪.‬‬

‫‪3.3.5‬ﻣﻘﺎﻳﻴﺲ ﺍﻟﺘﻘﻴﻴﻢ‬

‫ﺑﻤﺠﺮﺩﺗﺪﺭﻳﺐ ﺍﻟﻨﻤﻮﺫﺝ‪ ،‬ﻳﺠﺐ ﺗﻘﻴﻴﻢ ﺃﺩﺍﺋﻪ‪ .‬ﻓﻲ ﻫﺬﻩ ﺍﻟﺪﺭﺍﺳﺔ‪ ،‬ﻧﻘﻮﻡ ﺑﺘﻘﻴﻴﻢ ﻓﻌﺎﻟﻴﺔ ﻧﻤﺎﺫﺝ ‪DL‬‬

‫ﺍﻟﻤﻘﺘﺮﺣﺔﺑﺎﺳﺘﺨﺪﺍﻡ ﺧﻤﺴﺔ ﻣﻘﺎﻳﻴﺲ ﺗﻘﻴﻴﻢ ﻣﻘﺒﻮﻟﺔ ﻋﻠﻰ ﻧﻄﺎﻕ ﻭﺍﺳﻊ‪ :‬ﺍﻟﺪﻗﺔ‪ ،‬ﻭﺍﻻﺳﺘﺪﻋﺎء‪،‬‬

‫ﻭﻭﻗﺖﺍﻟﺤﺴﺎﺏ‪ ،‬ﻭﺍﻟﺪﻗﺔ‪ ،‬ﻭﺩﺭﺟﺔ ‪.F1‬‬

‫ﺳﻴﺘﻢﺣﺴﺎﺏ ﻣﻘﺎﻳﻴﺲ ﺍﻟﺘﻘﻴﻴﻢ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺍﻟﻤﻌﺎﺩﻻﺕ ‪ ،4-1‬ﻭﺍﻟﺘﻲ‬

‫ﺇﻇﻬﺎﺭﺍﻟﺼﻴﻎ ﺫﺍﺕ ﺍﻟﺼﻠﺔ ﻟﻜﻞ ﻣﻦ ﻫﺬﻩ ﺍﻟﺘﺪﺍﺑﻴﺮ ﻋﻠﻰ ﺃﺳﺎﺱ ‪،TPR‬‬

‫ﻧﺘﺎﺋﺞ‪ TNR‬ﻭ‪ FPR‬ﻭ‪.FPR‬‬

‫ﺍﻟﻤﻌﺪﻝﺍﻹﻳﺠﺎﺑﻲ ﺍﻟﺤﻘﻴﻘﻲ )‪ :(TPR‬ﻧﺴﺒﺔ ﺍﻹﻳﺠﺎﺑﻴﺎﺕ ﺍﻟﻤﻠﺤﻮﻇﺔ ﺇﻟﻰ ﺍﻹﻳﺠﺎﺑﻴﺎﺕ ﺍﻟﻤﺘﻮﻗﻌﺔ‪.‬‬

‫ﺍﻟﻤﻌﺪﻝﺍﻹﻳﺠﺎﺑﻲ ﺍﻟﻜﺎﺫﺏ )‪ :(FPR‬ﻧﺴﺒﺔ ﺍﻟﻘﻴﻢ ﺍﻟﺴﻠﺒﻴﺔ ﺣﻘﺎً ﻭﻟﻜﻨﻬﺎ ﻛﺬﻟﻚ‬

‫ﻣﻦﺍﻟﻤﺘﻮﻗﻊ ﺃﻥ ﺗﻜﻮﻥ ﺇﻳﺠﺎﺑﻴﺔ‪.‬‬

‫‪42‬‬
‫ﺍﻟﻤﻌﺪﻝﺍﻟﺴﻠﺒﻲ ﺍﻟﻜﺎﺫﺏ )‪ :(FNR‬ﻗﻴﻢ ﺍﻟﻨﺴﺒﺔ ﺍﻟﺘﻲ ﻫﻲ ﻓﻲ ﺍﻟﻮﺍﻗﻊ ﺇﻳﺠﺎﺑﻴﺔ ﻭﻟﻜﻨﻬﺎ ﻣﺘﻮﻗﻌﺔ‬

‫ﺃﻥﺗﻜﻮﻥ ﺳﻠﺒﻴﺔ‪.‬‬

‫ﺍﻟﻤﻌﺪﻝﺍﻟﺴﻠﺒﻲ ﺍﻟﺤﻘﻴﻘﻲ )‪ :(TNR‬ﻗﻴﻢ ﺍﻟﻨﺴﺒﺔ ﺍﻟﺴﻠﺒﻴﺔ ﻭﺍﻟﻤﺘﻮﻗﻌﺔ‬

‫ﺗﺼﺒﺢﺳﻠﺒﻴﺔ‪.‬‬

‫‪ -‬ﺩﻗﺔﻫﻲ ﻗﺪﺭﺓ ﺍﻟﻨﻈﺎﻡ ﻋﻠﻰ ﺍﻟﻜﺸﻒ ﺍﻟﺪﻗﻴﻖ ﻋﻦ ﻭﺟﻮﺩ‬

‫ﻫﺠﻮﻡﺃﻭ ﺧﺮﻕ ﺃﻣﻨﻲ‪ .‬ﻭﻳﻮﺿﺢ ﺍﻟﻌﻼﻗﺔ ﺑﻴﻦ‬
‫ﺍﻟﻬﺠﻤﺎﺕﺍﻟﻤﺘﻮﻗﻌﺔ ﺑﺪﻗﺔ ﻭﺍﻟﻌﻮﺍﻗﺐ ﺍﻟﻔﻌﻠﻴﺔ‪.‬‬

‫)‪(1‬‬
‫ﻧﻈﺎﻡﺍﻟﺤﻤﺎﻳﺔ ﺍﻟﻤﺆﻗﺖ‬
‫ﺍﻟﺪﻗﺔ=‬
‫‪TPR + FPR‬‬

‫‪ -‬ﻳﺘﺬﻛﺮﻳﺸﻴﺮ ﺇﻟﻰ ﻗﺪﺭﺓ ﺍﻟﻨﻈﺎﻡ ﻋﻠﻰ ﺍﻟﺘﻌﺮﻑ ﺑﺸﻜﻞ ﺻﺤﻴﺢ ﻋﻠﻰ ﻫﺠﻮﻡ ﺍﻟﺮﻭﺑﻮﺗﺎﺕ‬
‫ﻋﻨﺪﻣﺎﻳﺤﺪﺙ ﻋﻠﻰ ﺍﻟﺸﺒﻜﺔ‪.‬‬

‫)‪(2‬‬
‫ﻧﻈﺎﻡﺍﻟﺤﻤﺎﻳﺔ ﺍﻟﻤﺆﻗﺖ‬
‫ﺃﺫﻛﺮ=‬
‫‪TPR + FPR‬‬

‫‪ -‬ﻗﺪﺭﺓﺍﻟﻨﻈﺎﻡ ﻋﻠﻰ ﺗﺼﻨﻴﻒ ﺍﻟﺤﺰﻡ ﺍﻟﻬﺠﻮﻣﻴﺔ ﻭﻏﻴﺮ ﺍﻟﻬﺠﻮﻣﻴﺔ ﺑﺸﻜﻞ ﻓﻌﺎﻝ‬

‫ﺗﺘﻤﻴﺰﺑﺄﻧﻬﺎﺩﻗﺔ‪ .‬ﻭﻳﻤﺜﻞ ﺍﻟﻨﺴﺒﺔ ﺍﻟﻤﺌﻮﻳﺔ ﻟﻠﺪﻗﺔ‬
‫ﺍﻟﺘﻨﺒﺆﺍﺕﺍﻟﻤﺘﻌﻠﻘﺔ ﺑﺎﻟﻌﺪﺩ ﺍﻹﺟﻤﺎﻟﻲ ﻟﻠﻌﻴﻨﺎﺕ‪.‬‬

‫ﺗﻲﺇﻥ ﺁﺭ ‪ +‬ﺗﻲ ﺑﻲ ﺁﺭ‬

‫)‪(3‬‬ ‫ﺍﻟﺪﻗﺔ=‬
‫‪TPR + FNR + FPR + TNR‬‬

‫‪ -‬ﺍﻝﺩﺭﺟﺔ ‪F1‬ﻳﻤﺜﻞ ﻣﺘﻮﺳﻂ ﺍﻻﺳﺘﺪﻋﺎء ﻭﺍﻟﺪﻗﺔ‪ .‬ﺃﻧﻪ ﻳﻮﻓﺮ‬

‫ﻧﺴﺒﺔﻋﻴﻨﺎﺕ ﺍﻟﺘﺪﻓﻖ ﺍﻟﻄﺒﻴﻌﻲ ﻭﺍﻟﻬﺠﻮﻣﻲ ﺑﺪﻗﺔ‬
‫ﺍﻟﻤﺘﻮﻗﻌﺔﻓﻲ ﻋﻴﻨﺔ ﺍﻻﺧﺘﺒﺎﺭ‪.‬‬

‫ﺃﺫﻛﺮ× ﺍﻟﺪﻗﺔ‬
‫)‪(4‬‬ ‫× ﺍﻟﻨﺘﻴﺠﺔ = ‪F1 - 2‬‬
‫ﺍﻻﺳﺘﺪﻋﺎء‪ +‬ﺍﻟﺪﻗﺔ‬

‫‪ -‬ﺗﻌﻘﻴﺪﺍﻟﻮﻗﺖﻳﺸﻴﺮ ﺇﻟﻰ ﻣﺪﻯ ﺳﺮﻋﺔ ﺃﻭ ﺑﻂء ﺃﺩﺍء ﺍﻟﺨﻮﺍﺭﺯﻣﻴﺔ‬

‫ﻧﻔﺲﺍﻟﻌﻼﻗﺔ ﻣﻊ ﻛﻤﻴﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ‪.‬‬

‫‪43‬‬
 ‫ﻧﺘﺎﺋﺞ‬ ‫ﺍﻟﻔﺼﻞ‪:4‬‬
‫‪4.1‬ﺍﻹﻋﺪﺍﺩﺍﺕ ﺍﻟﺘﺠﺮﻳﺒﻴﺔ‬

‫ﻹﺟﺮﺍءﺗﺠﺎﺭﺑﻨﺎ‪ ،‬ﺍﺳﺘﺨﺪﻣﻨﺎ ﻟﻐﺔ ﺍﻟﺒﺮﻣﺠﺔ ﺑﺎﻳﺜﻮﻥ‬

‫ﺑﺎﻹﺿﺎﻓﺔﺇﻟﻰ ﺍﻟﻌﺪﻳﺪ ﻣﻦ ﺃﻃﺮ ﻭﺣﺰﻡ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ ﻭﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ‬

‫ﺍﻟﻤﻌﺎﻳﻴﺮ‪.‬ﻭﺷﻤﻠﺖ ﻫﺬﻩ ﺍﻟﻤﻜﺘﺒﺎﺕ ‪ TensorFlow‬ﻭ ‪ keras‬ﺍﻟﺘﻲ ﺗﻢ ﺗﺸﻐﻴﻠﻬﺎ‬

‫ﻓﻲﺑﻴﺌﺔ ‪ .Google CoLab GPU‬ﻣﺘﺎﺑﻌﺔ ﻟﻤﺎ ﺗﻢ ﺗﻐﻄﻴﺘﻪ‬

‫ﻓﻲﺍﻟﺴﺎﺑﻖ‪ ،‬ﺃﻭﻝ ﻣﺎ ﻓﻌﻠﻨﺎﻩ ﻫﻮ ﺗﻄﺒﻴﻖ ﺍﻟﻤﻌﺎﻟﺠﺔ ﺍﻟﻤﺴﺒﻘﺔ ﻟﻠﺒﻴﺎﻧﺎﺕ ﻭﺍﻟﻤﻴﺰﺍﺕ‬

‫ﺍﻷﺳﺎﻟﻴﺐﺍﻟﻬﻨﺪﺳﻴﺔ ﻟﻤﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ .BOT-IoT‬ﺑﻌﺪ ﺫﻟﻚ‪ ،‬ﺗﺪﺭﺑﻨﺎ ﺑﻌﻤﻖ‬

‫ﻧﻤﺎﺫﺝﺍﻟﺘﻌﻠﻢ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺍﻟﻘﻄﺎﺭ ﻭﻣﺠﻤﻮﻋﺔ ﺍﻻﺧﺘﺒﺎﺭ‪ ،‬ﻗﻤﻨﺎ ﺃﺧﻴﺮﺍً ﺑﺘﻘﻴﻴﻢ ﺟﻤﻴﻊ ﻣﺎ ﺗﻌﻠﻤﻨﺎﻩ‬

‫ﻋﺎﺭﺿﺎﺕﺍﺯﻳﺎء‪.‬‬

‫ﻟﺘﻨﻔﻴﺬﺍﻟﺘﺠﺮﺑﺔ‪ ،‬ﺗﻢ ﺗﻘﺴﻴﻢ ﻗﺎﻋﺪﺓ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻓﻲ ﺍﻟﺒﺪﺍﻳﺔ ﺇﻟﻰ ﺛﻼﺛﺔ‬

‫ﺍﻷﺟﺰﺍء‪ %70:‬ﻟﻠﺘﺪﺭﻳﺐ‪ ،‬ﻭ‪ %20‬ﻟﻠﺘﻄﻮﻳﺮ‪ ،‬ﻭ‪ %10‬ﻟﻠﺘﻄﻮﻳﺮ‬

‫ﺍﺧﺘﺒﺎﺭﺍﺕ‪.‬‬

‫ﻗﻴﺎﺳﺎﺕﺍﻷﺩﺍء ﻣﺜﻞ ﺍﻟﺪﻗﺔ ﻭﺍﻻﺳﺘﺪﻋﺎء ﻭﺍﻟﺪﻗﺔ ﻭ‪-F1‬‬

‫ﻳﺘﻢﺍﻹﺑﻼﻍ ﻋﻦ ﺍﻟﻨﺘﻴﺠﺔ ﻣﻦ ﺧﻼﻝ ﺍﻟﻨﺘﺎﺋﺞ ﺍﻟﻤﺘﻮﺳﻄﺔ ﺍﻟﻤﺮﺟﺤﺔ ﻭﺍﻟﻤﻘﺎﻳﻴﺲ ﺍﻷﺧﺮﻯ ﻣﺜﻞ‬

‫ﺣﺠﻢﺍﻟﻨﻤﻮﺫﺝ ﻭﺯﻣﻦ ﺍﻟﺤﺴﺎﺏ‪.‬‬

‫‪4.2‬ﺍﻟﻨﺘﺎﺋﺞ ﺍﻟﺘﺠﺮﻳﺒﻴﺔ‬

‫ﻓﻲﻫﺬﺍ ﺍﻟﻘﺴﻢ‪ ،‬ﻧﻠﻘﻲ ﻧﻈﺮﺓ ﻋﺎﻣﺔ ﻋﻠﻰ ﺍﻟﻨﺘﺎﺋﺞ ﺍﻟﺘﺠﺮﻳﺒﻴﺔ ﻟﺪﺭﺍﺳﺘﻨﺎ‪ ،‬ﻭﺍﻟﺘﻲ‬

‫ﻗﺎﻡﺑﺘﻘﻴﻴﻢ ﺃﺩﺍء ﻋﺸﺮﺓ ﻧﻤﺎﺫﺝ ﻣﻨﻔﺼﻠﺔ ﻟﺘﻌﻠﻢ ﺍﻵﻟﺔ ﻻﻛﺘﺸﺎﻑ ﺍﻟﺒﺮﺍﻣﺞ ﺍﻟﻀﺎﺭﺓ‪.‬‬

‫ﺗﺘﻜﻮﻥﻫﺬﻩ ﺍﻟﻨﻤﺎﺫﺝ ﻣﻦ ﻣﺼﻨﻔﻴﻦ ﻣﻨﻔﺮﺩﻳﻦ‪ ،‬ﻭﻣﺼﻨﻔﺎﺕ ﻣﺠﻤﻌﺔ‪ ،‬ﻭﺃﺭﺑﻌﺔ‬

‫‪44‬‬
 ‫ﺑﻨﻴﺎﺕﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ‪ .‬ﻭﻛﻤﺎ ﻫﻮ ﻣﺒﻴﻦ ﻓﻲ ﺍﻟﺠﺪﻭﻟﻴﻦ ‪ 4.1‬ﻭ‪ ،4.2‬ﻓﺈﻧﻨﺎ ﻧﻘﺎﺭﻥ ﺃﻳﻀﺎً‬

‫ﻓﻌﺎﻟﻴﺔﻫﺬﻩ ﺍﻟﻨﻤﺎﺫﺝ ﻣﻊ ﻭﺑﺪﻭﻥ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪ SMOTE‬ﻝ‬

‫ﺇﺩﺍﺭﺓﺍﻟﺒﻴﺎﻧﺎﺕ ﻏﻴﺮ ﺍﻟﻤﺘﻮﺍﺯﻧﺔ‪.‬‬

‫‪4.2.1‬ﺍﻟﺘﺠﺎﺭﺏ ﺩﻭﻥ ﺍﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪.SMOTE‬‬

‫ﺗﻜﺸﻒﻧﺘﺎﺋﺞ ﺍﻷﺩﺍء ﻟﻨﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻓﻲ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ ،BoT IoT‬ﺍﻟﻮﺍﺭﺩﺓ ﻓﻲ‬

‫ﺍﻟﺠﺪﻭﻝ‪ ،4.1‬ﻋﻦ ﻣﺴﺘﻮﻳﺎﺕ ﻣﺨﺘﻠﻔﺔ ﻣﻦ ﺍﻷﺩﺍء ﻣﻦ ﺣﻴﺚ ﺍﻟﺪﻗﺔ ﻭﺍﻟﺪﻗﺔ ﻭﺍﻻﺳﺘﺪﻋﺎء ﻭﺩﺭﺟﺔ‬

‫‪ .F1‬ﻭﻣﻦ ﺍﻟﻤﻬﻢ ﻣﻼﺣﻈﺔ ﺃﻧﻪ ﺗﻢ ﺍﻟﺤﺼﻮﻝ ﻋﻠﻰ ﻫﺬﻩ ﺍﻟﻨﺘﺎﺋﺞ ﺩﻭﻥ ﺍﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺔ‬

‫‪.SMOTE‬‬

‫ﻭﻣﻦﺍﻟﻨﺘﺎﺋﺞ ﻟﻮﺣﻆ ﺃﻥ ﺍﻟﻐﺎﺑﺔ ﺍﻟﻌﺸﻮﺍﺋﻴﺔ ﻭﺍﻷﺷﺠﺎﺭ ﺍﻹﺿﺎﻓﻴﺔ ﻭ‪KNN‬‬

‫ﺣﻘﻘﺖﺃﺩﺍء ًﺗﻨﺎﻓﺴﻴﺎً ﻣﻦ ﺣﻴﺚ ﺍﻟﺪﻗﺔ ﻭﺍﻹﺣﻜﺎﻡ ﻭﺍﻻﺳﺘﺪﻋﺎء ﻭ‬

‫ﺩﺭﺟﺔ‪ .F1‬ﻛﺎﻧﺖ ﻫﺬﻩ ﺍﻟﻨﻤﺎﺫﺝ ﻗﺎﺩﺭﺓ ﻋﻠﻰ ﺗﺼﻨﻴﻒ ﺍﻟﺤﺎﻻﺕ ﻓﻲ ﻣﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺑﺸﻜﻞ ﻓﻌﺎﻝ‬

‫ﺩﻭﻥﺍﻟﺤﺎﺟﺔ ﺇﻟﻰ ﺗﻘﻨﻴﺎﺕ ﺍﻹﻓﺮﺍﻁ ﻓﻲ ﺃﺧﺬ ﺍﻟﻌﻴﻨﺎﺕ‪ .‬ﻭﺍﻟﺠﺪﻳﺮ ﺑﺎﻟﺬﻛﺮ ﺃﻥ ﺍﻟﻐﺎﺑﺔ ﺍﻟﻌﺸﻮﺍﺋﻴﺔ‬

‫ﺣﻘﻘﺖﺃﻋﻠﻰ ﺩﻗﺔ ﺑﻠﻐﺖ ‪ ،%95.183‬ﺗﻠﻴﻬﺎ ﻣﺒﺎﺷﺮﺓ ﺍﻷﺷﺠﺎﺭ ﺍﻹﺿﺎﻓﻴﺔ ﻣﻊ‬

‫ﺩﻗﺔ‪ .%96.741‬ﺃﻇﻬﺮﺕ ﻫﺬﻩ ﺍﻟﻨﻤﺎﺫﺝ ﺃﻳﻀﺎً ﺩﻗﺔ ﻋﺎﻟﻴﺔ ﻭ‪-F1‬‬

‫ﺍﻟﻨﺘﻴﺠﺔ‪،‬ﻣﻤﺎ ﻳﺪﻝ ﻋﻠﻰ ﻗﺪﺭﺗﻬﻢ ﻋﻠﻰ ﺗﺼﻨﻴﻒ ﺍﻟﺤﺎﻻﺕ ﺍﻹﻳﺠﺎﺑﻴﺔ ﺑﺸﻜﻞ ﺻﺤﻴﺢ ﻭﺗﺤﻘﻴﻘﻬﺎ‬

‫ﺍﻟﺘﻮﺍﺯﻥﺑﻴﻦ ﺍﻟﺪﻗﺔ ﻭﺍﻻﺳﺘﺬﻛﺎﺭ‪.‬‬

‫ﻳﻌﺮﺽﺍﻟﺠﺪﻭﻝ ‪ 4.1‬ﻧﺘﺎﺋﺞ ﺃﺩﺍء ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ ﺍﻟﻤﺨﺘﻠﻒ‬

‫ﻧﻤﺎﺫﺝﺩﻭﻥ ﺍﺳﺘﺨﺪﺍﻡ ﺗﻘﻨﻴﺔ ‪ SMOTE oversampling‬ﻋﻠﻰ ‪BoT-IoT‬‬

‫ﻣﺠﻤﻮﻋﺔﺑﻴﺎﻧﺎﺕ ﻟﻠﻜﺸﻒ ﻋﻦ ﻫﺠﻤﺎﺕ ﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪.‬‬

‫‪45‬‬
 ‫ﺍﻟﺠﺪﻭﻝ‪1-4‬ﻧﺘﺎﺋﺞ ﺍﻷﺩﺍء ﻻﻛﺘﺸﺎﻑ ﻫﺠﻤﺎﺕ ﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺩﻭﻥ ﺍﺳﺘﺨﺪﺍﻡ ‪SMOTE‬‬
‫ﺧﻮﺍﺭﺯﻣﻴﺔ‪.‬‬

‫ﺣﺠﻢﺍﻟﻨﻤﻮﺫﺝ‬
‫ﻭﻗﺖﻭﺣﺪﺓ ﺍﻟﻤﻌﺎﻟﺠﺔ ﺍﻟﻤﺮﻛﺰﻳﺔ‬ ‫ﺩﺭﺟﺔ‪F1‬‬ ‫ﻳﺘﺬﻛﺮ‬ ‫ﺩﻗﺔ‬ ‫ﺩﻗﺔ‬ ‫ﻗﻴﺎﺱ‬
‫)ﻣﻴﺠﺎﺑﺎﻳﺖ(‬

‫ﻋﺸﻮﺍﺋﻲ‬
‫‪23.6‬‬ ‫‪21.6‬ﺛﺎﻧﻴﺔ‬ ‫‪0.94027‬‬ ‫‪0.92837‬‬ ‫‪0.95380‬‬ ‫‪0.95183‬‬
‫ﻏﺎﺑﺔ‬

‫‪598.7‬‬ ‫‪47.6‬ﺛﺎﻧﻴﺔ‬ ‫‪0.95821‬‬ ‫‪0.95169‬‬ ‫‪0.96524‬‬ ‫‪0.96741‬‬ ‫ﺃﺷﺠﺎﺭﺍﺿﺎﻓﻴﺔ‬

‫‪13.6‬‬ ‫‪3.29‬ﺛﺎﻧﻴﺔ‬ ‫‪0.89469‬‬ ‫‪0.88692‬‬ ‫‪0.90361‬‬ ‫‪0.90834‬‬ ‫ﻛﻲﺇﻥ ﺇﻥ‬

‫‪12.2‬‬ ‫‪21‬ﺩﻗﻴﻘﺔ ﻭ‪ 50‬ﺛﺎﻧﻴﺔ‬ ‫‪0.36952‬‬ ‫‪0.35984‬‬ ‫‪0.62795‬‬ ‫‪0.61205‬‬ ‫‪SVM‬‬

‫‪1.2‬‬ ‫‪13.4‬ﺛﺎﻧﻴﺔ‬ ‫‪0.73206‬‬ ‫‪0.73323‬‬ ‫‪0.74878‬‬ ‫‪0.95602‬‬ ‫‪HistGBoost‬‬

‫‪0.31‬‬ ‫‪1‬ﺩﻗﻴﻘﺔ ﻭ ‪ 19‬ﺛﺎﻧﻴﺔ‬ ‫‪0.08256‬‬ ‫‪0.34815‬‬ ‫‪0.45516‬‬ ‫‪0.12109‬‬ ‫‪adaBoost‬‬

‫‪1.8‬‬ ‫‪36.1‬ﺛﺎﻧﻴﺔ‬ ‫‪0.46900‬‬ ‫‪0.47388‬‬ ‫‪0.46649‬‬ ‫‪0.93230‬‬ ‫‪LGBM‬‬

‫‪3.5‬‬ ‫‪2‬ﺩﻗﻴﻘﺔ ﻭ ‪ 55‬ﺛﺎﻧﻴﺔ‬ ‫‪0.96459‬‬ ‫‪0.96075‬‬ ‫‪0.96857‬‬ ‫‪0.98193‬‬ ‫ﻛﺎﺕﺑﻮﺳﺖ‬

‫‪1.1‬‬ ‫‪2‬ﺩﻗﻴﻘﺔ ﻭ ‪ 43‬ﺛﺎﻧﻴﺔ‬ ‫‪0.97269‬‬ ‫‪0.96537‬‬ ‫‪0.98057‬‬ ‫‪0.98521‬‬ ‫‪XGBoost‬‬

‫‪0.005‬‬ ‫‪31.5‬ﺛﺎﻧﻴﺔ‬ ‫‪0.28504‬‬ ‫‪0.29416‬‬ ‫‪0.30309‬‬ ‫‪0.75394‬‬ ‫‪MLP‬‬

‫‪0.027‬‬ ‫‪13‬ﺩﻗﻴﻘﺔ ﻭ ‪ 48‬ﺛﺎﻧﻴﺔ‬ ‫‪0.37012‬‬ ‫‪0.47888‬‬ ‫‪0.33084‬‬ ‫‪0.83078‬‬ ‫ﺁﻥ‬

‫‪7.7‬‬ ‫‪10‬ﺩﻗﺎﺋﻖ ﻭ ‪ 10‬ﺛﻮﺍﻧﻲ‬ ‫‪0.36822‬‬ ‫‪0.34762‬‬ ‫‪0.48869‬‬ ‫‪0.77028‬‬ ‫‪LSTM‬‬

‫‪7.7‬‬ ‫‪11‬ﺩﻗﻴﻘﺔ ‪ 1‬ﺛﺎﻧﻴﺔ‬ ‫‪0.49015‬‬ ‫‪0.45170‬‬ ‫‪0.60580‬‬ ‫‪0.85359‬‬ ‫‪GRU‬‬

‫‪1.6‬‬ ‫‪10‬ﺩﻗﺎﺋﻖ ﻭ‪ 50‬ﺛﺎﻧﻴﺔ‬ ‫‪0.80131‬‬ ‫‪0.76312‬‬ ‫‪0.91886‬‬ ‫‪0.86819‬‬ ‫‪RNN‬‬

‫‪240.5‬‬ ‫‪2‬ﺩﻗﻴﻘﺔ ﻭ ‪ 54‬ﺛﺎﻧﻴﺔ‬ ‫‪0.92382‬‬ ‫‪0.91595‬‬ ‫‪0.93241‬‬ ‫‪0.93978‬‬ ‫ﺍﻟﺘﻌﺒﺌﺔ‬

‫ﻣﻦﻧﺎﺣﻴﺔ ﺃﺧﺮﻯ‪ ،‬ﺃﻇﻬﺮﺕ ﻧﻤﺎﺫﺝ ﻣﺜﻞ ‪ SVM‬ﻭ‪ AdaBoost‬ﺍﻧﺨﻔﺎﺿﺎً‬

‫ﺍﻷﺩﺍءﻣﻘﺎﺭﻧﺔ ﺑﻨﻤﺎﺫﺝ ﺍﻟﻤﺠﻤﻮﻋﺔ‪ .‬ﺃﻇﻬﺮ ‪ SVM‬ﺃﻗﻞ ﻧﺴﺒﻴﺎً‬

‫‪46‬‬
 ‫ﺍﻟﺪﻗﺔﻭﺩﺭﺟﺔ ‪ ،F1‬ﻣﻤﺎ ﻳﺸﻴﺮ ﺇﻟﻰ ﺍﻟﺘﺤﺪﻳﺎﺕ ﻓﻲ ﺍﻟﺘﻌﺎﻣﻞ ﺑﻔﻌﺎﻟﻴﺔ ﻣﻊ‬

‫ﺍﻟﻄﺒﻴﻌﺔﻏﻴﺮ ﺍﻟﻤﺘﻮﺍﺯﻧﺔ ﻟﻤﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ‪ ،AdaBoost .‬ﻣﻊ ﺩﻗﺔ ﻣﻨﺨﻔﻀﺔ‬

‫‪ ،12.11%‬ﺣﻘﻘﻮﺍ ﺩﻗﺔ ﺃﻋﻠﻰ ﻣﻘﺎﺭﻧﺔ ﺑﺎﻟﻤﻘﺎﻳﻴﺲ ﺍﻷﺧﺮﻯ‪ ،‬ﻣﻤﺎ ﻳﺸﻴﺮ ﺇﻟﻰ ﺍﻟﺘﺤﻴﺰ‬

‫ﻧﺤﻮﺗﺼﻨﻴﻒ ﺍﻟﺤﺎﻻﺕ ﺍﻹﻳﺠﺎﺑﻴﺔ ﺑﺸﻜﻞ ﺻﺤﻴﺢ‪.‬‬

‫ﺍﺧﺘﻠﻒﺣﺠﻢ ﺍﻟﻨﻤﻮﺫﺝ ﻋﺒﺮ ﺍﻟﻨﻤﺎﺫﺝ ﺍﻟﻤﺨﺘﻠﻔﺔ‪ ،‬ﻣﻊ ﻭﺟﻮﺩ ﺃﺷﺠﺎﺭ ﺇﺿﺎﻓﻴﺔ‬

‫ﺃﻛﺒﺮﺣﺠﻢ ﻟﻠﻨﻤﻮﺫﺝ ﻫﻮ ‪ 598.7‬ﻣﻴﺠﺎﺑﺎﻳﺖ‪ ،‬ﻳﻠﻴﻪ ‪ SVM‬ﺑـ ‪ 12.2‬ﻣﻴﺠﺎﺑﺎﻳﺖ‪ .‬ﻓﻲ ﺃﺛﻨﺎء‪،‬‬

‫ﻛﺎﻧﺖﺍﻟﻨﻤﺎﺫﺝ ﻣﺜﻞ ‪ AdaBoost‬ﻭ‪ HistGBoost‬ﺫﺍﺕ ﺃﺣﺠﺎﻡ ﻧﻤﺎﺫﺝ ﺃﺻﻐﺮ ﺑﻜﺜﻴﺮ‪.‬‬

‫ﺑﺸﻜﻞﻋﺎﻡ‪ ،‬ﺗﺸﻴﺮ ﺍﻟﻨﺘﺎﺋﺞ ﺇﻟﻰ ﺃﻥ ﺑﻌﺾ ﺍﻟﻨﻤﺎﺫﺝ‪ ،‬ﻭﺧﺎﺻﺔ ‪ Random Forest‬ﻭ‬

‫ﺗﻢﺃﺩﺍء ﺍﻷﺷﺠﺎﺭ ﺍﻹﺿﺎﻓﻴﺔ ﺑﺸﻜﻞ ﺟﻴﺪ ﺩﻭﻥ ﺍﻟﺤﺎﺟﺔ ﺇﻟﻰ ﺃﺧﺬ ﻋﻴﻨﺎﺕ ﺯﺍﺋﺪﺓ ﻣﻦ ‪ .SMOTE‬ﻫﺆﻻء‬

‫ﺗﻤﻜﻨﺖﺍﻟﻨﻤﺎﺫﺝ ﻣﻦ ﺍﻟﺘﻘﺎﻁ ﺍﻷﻧﻤﺎﻁ ﺍﻷﺳﺎﺳﻴﺔ ﻓﻲ ﻣﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺑﺸﻜﻞ ﻓﻌﺎﻝ‬

‫ﻭﺗﺤﻘﻴﻖﺃﺩﺍء ﺗﺼﻨﻴﻒ ﻣﺮﺿﻲ‪ .‬ﻭﻣﻊ ﺫﻟﻚ‪ ،‬ﺃﺑﻌﺪ ﻣﻦ ﺫﻟﻚ‬

‫ﻗﺪﺗﻜﻮﻥ ﻫﻨﺎﻙ ﺣﺎﺟﺔ ﺇﻟﻰ ﺍﻟﺘﺤﻘﻴﻖ ﻭﺍﻟﺘﺠﺮﻳﺐ ﻟﻔﻬﻢ ﺗﺄﺛﻴﺮ‬

‫ﺧﺼﺎﺋﺺﻣﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻭﺍﻟﻤﺘﻄﻠﺒﺎﺕ ﺍﻟﻤﺤﺪﺩﺓ ﻟﻤﺠﺎﻝ ﺍﻟﻤﺸﻜﻠﺔ‬

‫ﻋﻠﻰﺃﺩﺍء ﺍﻟﻨﻤﻮﺫﺝ‪.‬‬

‫ﺗﻢﺗﻘﻴﻴﻢ ﺟﻤﻴﻊ ﺍﻟﻨﻤﺎﺫﺝ ﺑﻨﺎء ًﻋﻠﻰ ﺩﻗﺘﻬﺎ ﻭﺇﺣﻜﺎﻣﻬﺎ ﻭﺍﺳﺘﺮﺟﺎﻋﻬﺎ ﻭ‪-F1‬‬

‫ﺍﻟﻨﺘﻴﺠﺔﻛﻤﺎ ﻫﻮ ﻣﺒﻴﻦ ﻓﻲ ﺍﻟﺸﻜﻞ ‪.4.1‬‬

‫‪47‬‬
 ‫ﺍﻟﺸﻜﻞ‪:4.1‬ﻧﺘﺎﺋﺞ ﺗﻘﻴﻴﻢ ﻧﻤﺎﺫﺝ ‪ ML‬ﺍﻟﻤﻘﺘﺮﺣﺔ ﻋﻠﻰ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ BoT IoT‬ﺩﻭﻥ ﺍﺳﺘﺨﺪﺍﻡ‬
‫ﺧﻮﺍﺭﺯﻣﻴﺔ‪.SMOTE‬‬

‫ﻧﺘﺎﺋﺞﺍﻷﺩﺍء ﻟﻨﻤﺎﺫﺝ ‪ DL‬ﻓﻲ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ ،BoT IoT‬ﺍﻟﻤﻘﺪﻣﺔ ﻓﻲ‬

‫ﻳﻮﺿﺢﺍﻟﺸﻜﻞ ‪ 4.2‬ﻣﺴﺘﻮﻳﺎﺕ ﻣﺨﺘﻠﻔﺔ ﻣﻦ ﺍﻷﺩﺍء ﻣﻦ ﺣﻴﺚ ﺍﻟﺪﻗﺔ ﻭﺍﻹﺣﻜﺎﻡ ﻭﺍﻟﺪﻗﺔ‬

‫ﺍﻻﺳﺘﺪﻋﺎءﻭﺩﺭﺟﺔ ‪ .F1‬ﻭﻣﻦ ﺍﻟﻤﻬﻢ ﺍﻹﺷﺎﺭﺓ ﺇﻟﻰ ﺃﻧﻬﺎ ﺣﺼﻠﺖ ﻋﻠﻰ ﻫﺬﻩ ﺍﻟﻨﺘﺎﺋﺞ ﺩﻭﻥ‬

‫ﺑﺎﺳﺘﺨﺪﺍﻡﺧﻮﺍﺭﺯﻣﻴﺔ ‪.SMOTE‬‬

‫‪48‬‬
 ‫ﺍﻟﺸﻜﻞ‪4.2‬ﻧﺘﺎﺋﺞ ﺗﻘﻴﻴﻢ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﺍﻟﻤﻘﺘﺮﺣﺔ ﺩﻭﻥ ﺍﺳﺘﺨﺪﺍﻡ ‪SMOTE‬‬
‫ﺧﻮﺍﺭﺯﻣﻴﺔ‪.‬‬

‫ﻣﻦﺑﻴﻦ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ‪ ،‬ﺃﻇﻬﺮﺕ ‪ MLP‬ﺃﺩﻧﻰ ﺃﺩﺍء‬

‫ﻋﺒﺮﺟﻤﻴﻊ ﺍﻟﻤﻘﺎﻳﻴﺲ‪ .‬ﻭﺣﻘﻘﺖ ﺩﻗﺔ ﻗﺪﺭﻫﺎ ‪ 0.75‬ﻣﻤﺎ ﻳﺸﻴﺮ ﺇﻟﻰ ﺃﻧﻬﺎ ﺻﺤﻴﺤﺔ‬

‫ﺗﺼﻨﻴﻒﻣﺎ ﻳﻘﺮﺏ ﻣﻦ ‪ ٪ 75‬ﻣﻦ ﺍﻟﺤﺎﻻﺕ‪ .‬ﺍﻟﺪﻗﺔ ﻭﺍﻻﺳﺘﺪﻋﺎء ﻭﺩﺭﺟﺔ ‪F1‬‬

‫ﻭﻛﺎﻧﺖﺃﻳﻀﺎً ﻣﻨﺨﻔﻀﺔ ﻧﺴﺒﻴﺎً ﻋﻨﺪ ‪ 0.3‬ﻭ‪ 0.29‬ﻭ‪ 0.29‬ﻋﻠﻰ ﺍﻟﺘﻮﺍﻟﻲ‪ .‬ﻫﺬﻩ ﺍﻟﻤﻘﺎﻳﻴﺲ‬

‫ﺗﺸﻴﺮﺇﻟﻰ ﺃﻥ ﻧﻤﻮﺫﺝ ‪ MLP‬ﻭﺍﺟﻪ ﺻﻌﻮﺑﺎﺕ ﻓﻲ ﺍﻟﻜﺸﻒ ﺑﺪﻗﺔ ﻋﻦ ﻫﺠﻤﺎﺕ ﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪،‬‬

‫ﻣﻊﻋﺪﺩ ﻛﺒﻴﺮ ﻣﻦ ﺍﻹﻳﺠﺎﺑﻴﺎﺕ ﺍﻟﻜﺎﺫﺑﺔ ﻭﺍﻟﺴﻠﺒﻴﺎﺕ ﺍﻟﻜﺎﺫﺑﺔ‪ .‬ﺑﺎﻹﺿﺎﻓﺔ ﺇﻟﻰ‪،‬‬

‫ﻳﺸﻴﺮﺣﺠﻢ ﺍﻟﻨﻤﻮﺫﺝ ﺍﻟﺼﻐﻴﺮ ﻧﺴﺒﻴﺎً ﺍﻟﺒﺎﻟﻎ ‪ 0.005‬ﻣﻴﺠﺎﺑﺎﻳﺖ ﺇﻟﻰ ﺃﻥ ‪ MLP‬ﺧﻔﻴﻒ ﺍﻟﻮﺯﻥ‬

‫ﻧﻤﻮﺫﺝ‪.‬‬

‫ﻛﺎﻥﺃﺩﺍء ﻧﻤﻮﺫﺝ ‪ ANN‬ﺃﻓﻀﻞ ﻧﺴﺒﻴﺎً ﻣﻦ ﻧﻤﻮﺫﺝ ‪ ،MLP‬ﺑﺪﻗﺔ ﻗﺪﺭﻫﺎ‬

‫‪.0.831‬ﻟﻘﺪ ﺃﻇﻬﺮﺕ ﺩﻗﺔ ﻣﺤﺴﻨﺔ ﻗﺪﺭﻫﺎ ‪ 0.33‬ﻭﺍﺳﺘﺪﻋﺎء ﻗﺪﺭﻩ ‪ ،0.48‬ﻣﻤﺎ ﻳﺸﻴﺮ ﺇﻟﻰ ﺃ‬

‫ﺗﻮﺍﺯﻥﺃﻓﻀﻞ ﺑﻴﻦ ﺍﻹﻳﺠﺎﺑﻴﺎﺕ ﺍﻟﺤﻘﻴﻘﻴﺔ ﻭﺍﻟﺴﻠﺒﻴﺎﺕ ﺍﻟﻜﺎﺫﺑﺔ‪ .‬ﻭﻣﻊ ﺫﻟﻚ‪-F1 ،‬‬

‫ﺗﺸﻴﺮﺩﺭﺟﺔ ‪ 0.37‬ﺇﻟﻰ ﻗﺪﺭﺓ ﺍﻟﻨﻤﻮﺫﺝ ﻋﻠﻰ ﺗﺤﻘﻴﻖ ﺍﻟﺘﻮﺍﺯﻥ ﺑﻴﻦ‬

‫‪49‬‬
‫ﺍﻟﺪﻗﺔﻭﺍﻟﺘﺬﻛﺮ ﻻ ﺗﺰﺍﻝ ﻣﺤﺪﻭﺩﺓ‪ .‬ﻋﻠﻰ ﺍﻟﺮﻏﻢ ﻣﻦ ﺃﻥ ﻭﻗﺖ ﻭﺣﺪﺓ ﺍﻟﻤﻌﺎﻟﺠﺔ ﺍﻟﻤﺮﻛﺰﻳﺔ ﺃﻃﻮﻝ ﻭﻫﻮ ‪ 13‬ﺩﻗﻴﻘﺔ‬

‫ﻭ‪48‬ﺛﺎﻧﻴﺔ‪ ،‬ﺣﺎﻓﻆ ﻧﻤﻮﺫﺝ ‪ ANN‬ﻋﻠﻰ ﺣﺠﻢ ﻧﻤﻮﺫﺝ ﺻﻐﻴﺮ ﻳﺒﻠﻎ ‪ 0.027‬ﻣﻴﺠﺎﺑﺎﻳﺖ‪.‬‬

‫ﻭﺑﺎﻻﻧﺘﻘﺎﻝﺇﻟﻰ ﻃﺮﺍﺯﻱ ‪ LSTM‬ﻭ‪ ،GRU‬ﻓﻘﺪ ﺣﻘﻘﻮﺍ ﻧﺘﺎﺋﺞ ﻣﻤﺎﺛﻠﺔ‬

‫ﻣﺴﺘﻮﻳﺎﺕﺍﻷﺩﺍء‪ .‬ﺣﻘﻖ ﻧﻤﻮﺫﺝ ‪ LSTM‬ﺩﻗﺔ ﻗﺪﺭﻫﺎ ‪ ،0.77‬ﻓﻲ ﺣﻴﻦ ﺣﻘﻖ ﻧﻤﻮﺫﺝ‬

‫ﺣﻘﻖﻧﻤﻮﺫﺝ ‪ GRU‬ﺩﻗﺔ ﺃﻋﻠﻰ ﻗﺪﺭﻫﺎ ‪ .0.85‬ﺃﻇﻬﺮ ﻛﻼ ﺍﻟﻨﻤﻮﺫﺟﻴﻦ‬

‫ﺗﺤﺴﻴﻨﺎﺕﻓﻲ ﺍﻟﺪﻗﺔ ﻣﻘﺎﺭﻧﺔ ﺑـ ‪ MLP‬ﻭ‪ ،ANN‬ﺑﻘﻴﻢ ‪ 0.49‬ﻭ‬

‫‪0.61‬ﻋﻠﻰ ﺍﻟﺘﻮﺍﻟﻲ‪ .‬ﻭﻣﻊ ﺫﻟﻚ‪ ،‬ﻓﺈﻥ ﻗﻴﻢ ﺍﻻﺳﺘﺪﻋﺎء ﻟﻜﻼ ﺍﻟﻄﺮﺍﺯﻳﻦ ﺗﺒﻠﻎ ‪ 0.35‬ﻟـ ‪LSTM‬‬

‫ﻭ‪ 0.45‬ﻟـ ‪ ،GRU‬ﻛﺎﻧﺖ ﺃﻗﻞ ﻧﺴﺒﻴﺎً‪ .‬ﻛﺎﻧﺖ ﻧﺘﻴﺠﺔ ‪ F1‬ﻟـ ‪ LSTM‬ﻭ ‪GRU‬‬

‫‪0.37‬ﻭ ‪ 0.49‬ﻋﻠﻰ ﺍﻟﺘﻮﺍﻟﻲ‪ ،‬ﻣﻤﺎ ﻳﺪﻝ ﻋﻠﻰ ﺗﻮﺍﺯﻥ ﻣﻌﺘﺪﻝ ﺑﻴﻦ ﺍﻟﺪﻗﺔ ﻭ‬

‫ﻳﺘﺬﻛﺮ‪.‬ﻳﺘﻤﺘﻊ ﻛﻼ ﺍﻟﻄﺮﺍﺯﻳﻦ ‪ LSTM‬ﻭ‪ GRU‬ﺑﺄﻭﻗﺎﺕ ﺃﻃﻮﻝ ﻟﻮﺣﺪﺓ ﺍﻟﻤﻌﺎﻟﺠﺔ ﺍﻟﻤﺮﻛﺰﻳﺔ ﻣﻘﺎﺭﻧﺔ ﺑـ ‪MLP‬‬

‫ﻭﻧﻤﺎﺫﺝ‪ ،ANN‬ﺑﻤﺪﺓ ‪ 10‬ﺩﻗﺎﺋﻖ ﻭ‪ 10‬ﺛﻮﺍﻥ ٍﻟـ ‪ LSTM‬ﻭ‪11‬‬

‫ﺩﻗﻴﻘﺔﻭﺛﺎﻧﻴﺔ ﻭﺍﺣﺪﺓ ﻟـ ‪ .GRU‬ﻛﺎﻥ ﻟﻜﻼ ﺍﻟﻄﺮﺍﺯﻳﻦ ﺣﺠﻢ ﻧﻤﻮﺫﺝ ﺃﻛﺒﺮ ﻳﺒﻠﻎ ‪ 7.7‬ﻣﻴﺠﺎﺑﺎﻳﺖ‪.‬‬

‫ﻭﺃﺧﻴﺮﺍً‪،‬ﺃﻇﻬﺮ ﻧﻤﻮﺫﺝ ‪ RNN‬ﺃﻋﻠﻰ ﺩﻗﺔ ﺑﻴﻦ ﺟﻤﻴﻊ ﺍﻷﻋﻤﺎﻕ‬

‫ﻧﻤﺎﺫﺝﺍﻟﺘﻌﻠﻢ ﺑﻘﻴﻤﺔ ‪ .0.86819‬ﻭﺣﻘﻘﺖ ﺃﻋﻠﻰ ﺑﻜﺜﻴﺮ‬

‫ﺩﻗﺔﺗﺒﻠﻎ ‪ ،0.92‬ﻣﻤﺎ ﻳﻈُﻬﺮ ﻗﺪﺭﺓ ﻗﻮﻳﺔ ﻋﻠﻰ ﺗﺼﻨﻴﻒ ﺍﻟﺤﺎﻻﺕ ﺍﻹﻳﺠﺎﺑﻴﺔ ﺑﺸﻜﻞ ﺻﺤﻴﺢ‪.‬‬

‫ﻗﻴﻤﺔﺍﻻﺳﺘﺪﻋﺎء ﺍﻟﺒﺎﻟﻐﺔ ‪ 0.76‬ﻭﺩﺭﺟﺔ ‪ F1‬ﺍﻟﺒﺎﻟﻐﺔ ‪ 0.80‬ﺗﺪﻋﻤﺎﻥ ﺍﻟﻨﻤﻮﺫﺝ ﺑﺸﻜﻞ ﺃﻛﺒﺮ‬

‫ﺍﻟﻔﻌﺎﻟﻴﺔﻓﻲ ﺍﻟﺤﺼﻮﻝ ﻋﻠﻰ ﺍﻹﻳﺠﺎﺑﻴﺎﺕ ﺍﻟﺤﻘﻴﻘﻴﺔ ﻭﺗﺤﻘﻴﻖ ﺍﻟﺘﻮﺍﺯﻥ ﺍﻟﺠﻴﺪ ﺑﻴﻨﻬﺎ‬

‫ﺍﻟﺪﻗﺔﻭﺍﻟﺘﺬﻛﻴﺮ‪ .‬ﻭﻣﻊ ﺫﻟﻚ‪ ،‬ﻛﺎﻥ ﻟﻨﻤﻮﺫﺝ ‪ RNN‬ﻭﻗﺖ ﺃﻃﻮﻝ ﻟﻮﺣﺪﺓ ﺍﻟﻤﻌﺎﻟﺠﺔ ﺍﻟﻤﺮﻛﺰﻳﺔ ﻳﺒﻠﻎ ‪10‬‬

‫ﺩﻗﻴﻘﺔﻭ ‪ 50‬ﺛﺎﻧﻴﺔ‪ ،‬ﻭﺣﺠﻢ ﻧﻤﻮﺫﺝ ﺃﻛﺒﺮ ﻳﺒﻠﻎ ‪ 1.6‬ﻣﻴﺠﺎﺑﺎﻳﺖ ﻣﻘﺎﺭﻧﺔ ﺑـ ‪MLP‬‬

‫ﻭﺁﻥ‪.‬‬

‫‪50‬‬
 ‫ﻓﻲﺧﺘﺎﻡ ﻫﺬﺍ ﺍﻟﻘﺴﻢ ﺍﻟﻔﺮﻋﻲ‪ ،‬ﻗﺪﻣﺖ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻣﺘﻔﺎﻭﺗﺔ‬

‫ﻣﺴﺘﻮﻳﺎﺕﺍﻷﺩﺍء ﻓﻲ ﺍﻛﺘﺸﺎﻑ ﻫﺠﻤﺎﺕ ﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻋﻠﻰ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪BoT IoT‬‬

‫ﺩﻭﻥﺍﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪ .SMOTE‬ﺑﻴﻨﻤﺎ ﺃﻇﻬﺮ ‪ MLP‬ﻭ‪ ANN‬ﻧﺴﺒﻴﺎً‬

‫ﺃﺩﺍءﺃﻗﻞ‪ ،‬ﺃﻇﻬﺮﺕ ‪ LSTM‬ﻭ‪ GRU‬ﻭ‪ RNN‬ﺩﻗﺔ ﻣﺤﺴﻨﺔ‪،‬‬

‫ﺍﻟﺪﻗﺔﻭﺍﻻﺳﺘﺪﻋﺎء ﻭﺩﺭﺟﺔ ‪ .F1‬ﻭﻣﻊ ﺫﻟﻚ‪ ،‬ﻓﻤﻦ ﺍﻟﻤﻬﻢ ﺍﻟﻨﻈﺮ ﻓﻲ ﻓﺘﺮﺓ ﺃﻃﻮﻝ‬

‫ﺃﻭﻗﺎﺕﻭﺣﺪﺓ ﺍﻟﻤﻌﺎﻟﺠﺔ ﺍﻟﻤﺮﻛﺰﻳﺔ ﻭﺃﺣﺠﺎﻡ ﺍﻟﻨﻤﺎﺫﺝ ﺍﻷﻛﺒﺮ ﺍﻟﻤﺮﺗﺒﻄﺔ ﺑﻬﺬﻩ ﺍﻟﻨﻤﺎﺫﺝ‪ .‬ﺍﻟﺘﺎﻟﻲ‬

‫ﺗﺮﻛﺰﺍﻟﺘﺠﺎﺭﺏ ﻋﻠﻰ ﺗﺤﺴﻴﻦ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻫﺬﻩ ﻟﺘﻌﺰﻳﺰ ﻗﺪﺭﺍﺗﻬﺎ‬

‫ﺍﻷﺩﺍءﺑﺎﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪ Smote‬ﻟﻠﺘﻐﻠﺐ ﻋﻠﻰ ﺗﺤﺪﻳﺎﺕ ﻋﺪﻡ ﺍﻟﺘﻮﺍﺯﻥ‬

‫ﻣﻊﺗﺨﻔﻴﻒ ﺍﻟﻤﺘﻄﻠﺒﺎﺕ ﺍﻟﺤﺴﺎﺑﻴﺔ ﻭﺍﻟﺬﺍﻛﺮﺓ‪.‬‬

‫‪4.2.2‬ﺍﻟﺘﺠﺎﺭﺏ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪.SMOTE‬‬

‫ﻳﺘﻢﻋﺮﺽ ﻧﺘﺎﺋﺞ ﺍﻷﺩﺍء ﻻﻛﺘﺸﺎﻑ ﻋﻤﻠﻴﺎﺕ ﺍﻟﺘﻄﻔﻞ ﻋﻠﻰ ﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺑﺎﺳﺘﺨﺪﺍﻡ‬

‫ﺧﻮﺍﺭﺯﻣﻴﺔ‪ SMOTE‬ﻋﻠﻰ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ BoT-IoT‬ﻓﻲ ﺍﻟﺠﺪﻭﻝ ‪ .4.2‬ﻳﻮﻓﺮ ﺍﻟﺠﺪﻭﻝ ﻣﺮﺍﺟﻌﺔ‬

‫ﺷﺎﻣﻠﺔﻟﻠﻌﺪﻳﺪ ﻣﻦ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ ﺑﻨﺎء ًﻋﻠﻰ ﺩﻗﺘﻬﺎ ﻭﺍﺳﺘﺪﻋﺎﺋﻬﺎ ﻭﺩﺭﺟﺔ ‪ F1‬ﻭﻭﻗﺖ ﻭﺣﺪﺓ‬

‫ﺍﻟﻤﻌﺎﻟﺠﺔﺍﻟﻤﺮﻛﺰﻳﺔ ﻭﺣﺠﻢ ﺍﻟﻨﻤﻮﺫﺝ‪ .‬ﺗﻌﺪ ﻫﺬﻩ ﺍﻟﻤﻘﺎﻳﻴﺲ ﺿﺮﻭﺭﻳﺔ ﻟﺘﻘﻴﻴﻢ ﻓﻌﺎﻟﻴﺔ ﻭﻛﻔﺎءﺓ‬

‫ﻧﻤﺎﺫﺝﺍﻛﺘﺸﺎﻑ ﺍﻟﻬﺠﻤﺎﺕ ﻋﻠﻰ ﺷﺒﻜﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻛﻤﺎ ﻫﻮ ﻣﻮﺿﺢ ﻓﻲ ﺍﻟﺸﻜﻞ ‪.4.3‬‬

‫ﺣﺼﻞﺍﻟﻄﺮﺍﺯ ‪ ،CatBoost‬ﻭﻫﻮ ﺍﻟﻨﻤﻮﺫﺝ ﺍﻷﻭﻝ ﺍﻟﻤﺪﺭﺝ ﻓﻲ ﺍﻟﺠﺪﻭﻝ‪ ،‬ﻋﻠﻰ ﺩﻗﺔ ﺗﺒﻠﻎ ‪ .%97.661‬ﻫﻮ ‪ -‬ﻫﻲ‬

‫ﺃﻇﻬﺮﺕﺩﻗﺔ ﻋﺎﻟﻴﺔ ‪ ،0.91243‬ﻣﻤﺎ ﻳﺸﻴﺮ ﺇﻟﻰ ﺍﻧﺨﻔﺎﺽ ﻣﻌﺪﻝ ﺍﻹﻳﺠﺎﺑﻴﺎﺕ ﺍﻟﻜﺎﺫﺑﺔ‪ ،‬ﻭ‬

‫ﺍﺭﺗﻔﺎﻉﺍﻻﺳﺘﺪﻋﺎء ‪ 0.9815‬ﻣﻤﺎ ﻳﺸﻴﺮ ﺇﻟﻰ ﺍﻧﺨﻔﺎﺽ ﻣﻌﺪﻝ ﺍﻟﺴﻠﺒﻴﺎﺕ ﺍﻟﻜﺎﺫﺑﺔ‪ .‬ﺩﺭﺟﺔ ‪F1‬‬

‫‪51‬‬
 ‫ﻳﻮﺿﺢ‪ 0.94369‬ﺍﻟﺘﻮﺍﺯﻥ ﺑﻴﻦ ﺍﻟﺪﻗﺔ ﻭﺍﻻﺳﺘﺪﻋﺎء‪ .‬ﺍﻟﻤﻮﺩﻳﻞ‬

‫ﺍﺳﺘﻐﺮﻕﺍﻟﺘﺪﺭﻳﺐ ‪ 7‬ﺩﻗﺎﺋﻖ ﻭ‪ 43‬ﺛﺎﻧﻴﺔ ﻣﻦ ﻭﻗﺖ ﻭﺣﺪﺓ ﺍﻟﻤﻌﺎﻟﺠﺔ ﺍﻟﻤﺮﻛﺰﻳﺔ ﻭﻛﺎﻥ ﺣﺠﻤﻪ ‪ 3.48‬ﻣﻴﺠﺎﺑﺎﻳﺖ‪.‬‬

‫ﺍﻟﺠﺪﻭﻝ‪2-4‬ﻧﺘﺎﺋﺞ ﺍﻷﺩﺍء ﻟﻠﻜﺸﻒ ﻋﻦ ﻫﺠﻤﺎﺕ ﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺑﺎﺳﺘﺨﺪﺍﻡ ‪SMOTE‬‬

‫ﺧﻮﺍﺭﺯﻣﻴﺔﻣﻦ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪.BoT-IoT‬‬

‫ﺣﺠﻢﺍﻟﻨﻤﻮﺫﺝ‬
‫ﻭﻗﺖﻭﺣﺪﺓ ﺍﻟﻤﻌﺎﻟﺠﺔ ﺍﻟﻤﺮﻛﺰﻳﺔ‬ ‫ﺩﺭﺟﺔ‪F1‬‬ ‫ﻳﺘﺬﻛﺮ‬ ‫ﺩﻗﺔ‬ ‫ﺩﻗﺔ‬ ‫ﻗﻴﺎﺱ‬
‫)ﻣﻴﺠﺎﺑﺎﻳﺖ(‬

‫‪3.48‬‬ ‫‪7‬ﺩﻗﺎﺋﻖ ﻭ ‪ 43‬ﺛﺎﻧﻴﺔ‬ ‫‪0.94369‬‬ ‫‪0.9815‬‬ ‫‪0.91249‬‬ ‫‪0.97661‬‬ ‫ﻛﺎﺕﺑﻮﺳﺖ‬

‫‪1.22‬‬ ‫‪7‬ﺩﻗﺎﺋﻖ ﻭ ‪ 53‬ﺛﺎﻧﻴﺔ‬ ‫‪0.96383‬‬ ‫‪0.98084‬‬ ‫‪0.94868‬‬ ‫‪0.97986‬‬ ‫‪XGBoost‬‬

‫‪0.02‬‬ ‫‪4‬ﺩﻗﺎﺋﻖ ﻭ ‪ 47‬ﺛﺎﻧﻴﺔ‬ ‫‪0.32423‬‬ ‫‪0.63571‬‬ ‫‪0.31119‬‬ ‫‪0.53336‬‬ ‫‪MLP‬‬

‫‪0.03‬‬ ‫‪31‬ﺩﻗﻴﻘﺔ ‪ 41‬ﺛﺎﻧﻴﺔ‬ ‫‪0.63602‬‬ ‫‪0.89682‬‬ ‫‪0.61794‬‬ ‫‪0.76594‬‬ ‫ﺁﻥ‬

‫‪7.69‬‬ ‫‪30‬ﺩﻗﻴﻘﺔ ‪ 6‬ﺛﻮﺍﻧﻲ‬ ‫‪0.76773‬‬ ‫‪0.92699‬‬ ‫‪0.75511‬‬ ‫‪0.83418‬‬ ‫‪LSTM‬‬

‫‪7.69‬‬ ‫‪29‬ﺩﻗﻴﻘﺔ ﻭ‪ 50‬ﺛﺎﻧﻴﺔ‬ ‫‪0.83175‬‬ ‫‪0.93476‬‬ ‫‪0.78463‬‬ ‫‪0.87806‬‬ ‫‪GRU‬‬

‫‪1.62‬‬ ‫‪27‬ﺩﻗﻴﻘﺔ ‪ 3‬ﺛﺎﻧﻴﺔ‬ ‫‪0.8257‬‬ ‫‪0.94066‬‬ ‫‪0.77572‬‬ ‫‪0.87147‬‬ ‫‪RNN‬‬

‫‪350.73‬‬ ‫‪9‬ﺩﻗﻴﻘﺔ ﻭ ‪ 31‬ﺛﺎﻧﻴﺔ‬ ‫‪0.92205‬‬ ‫‪0.93127‬‬ ‫‪0.91357‬‬ ‫‪0.94099‬‬ ‫ﺍﻟﺘﻌﺒﺌﺔ‬

‫‪29.60‬‬ ‫‪1‬ﺩﻗﻴﻘﺔ ﻭ ‪ 7‬ﺛﻮﺍﻧﻲ‬ ‫‪0.9304‬‬ ‫‪0.9635‬‬ ‫‪0.90961‬‬ ‫‪0.9425‬‬ ‫ﻏﺎﺑﺔﻋﺸﻮﺍﺋﻴﺔ‬

‫‪35.19‬‬ ‫‪3.43‬ﺛﺎﻧﻴﺔ‬ ‫‪0.8906‬‬ ‫‪0.8952‬‬ ‫‪0.88756‬‬ ‫‪0.90922‬‬ ‫ﺃﺷﺠﺎﺭﺍﺿﺎﻓﻴﺔ‬

‫‪35.19‬‬ ‫‪3.43‬ﺛﺎﻧﻴﺔ‬ ‫‪0.8906‬‬ ‫‪0.8952‬‬ ‫‪0.88756‬‬ ‫‪0.90922‬‬ ‫ﻛﻲﺇﻥ ﺇﻥ‬

‫‪1h18min‬‬
‫‪25.34‬‬ ‫‪0.48259‬‬ ‫‪0.63258‬‬ ‫‪0.4853‬‬ ‫‪0.59398‬‬ ‫‪SVM‬‬
‫‪19‬ﺛﺎﻧﻴﺔ‬

‫‪1.90‬‬ ‫‪47.6‬ﺛﺎﻧﻴﺔ‬ ‫‪0.97511‬‬ ‫‪0.97437‬‬ ‫‪0.97758‬‬ ‫‪0.97437‬‬ ‫ﻫﻴﺴﺘﻐﺒﻮﺳﺖ‬

‫‪0.31‬‬ ‫‪3‬ﺩﻗﺎﺋﻖ ﻭ ‪ 55‬ﺛﺎﻧﻴﺔ‬ ‫‪0.25093‬‬ ‫‪0.34041‬‬ ‫‪0.32098‬‬ ‫‪0.43068‬‬ ‫‪adaBoost‬‬

‫‪11.05‬‬ ‫‪4‬ﺩﻗﺎﺋﻖ ﻭ‪ 5‬ﺛﻮﺍﻧﻲ‬ ‫‪0.96986‬‬ ‫‪0.98055‬‬ ‫‪0.96029‬‬ ‫‪0.98242‬‬ ‫‪LGBM‬‬

‫‪52‬‬
 ‫ﺍﻟﺸﻜﻞ‪4.3‬ﻧﺘﺎﺋﺞ ﺗﻘﻴﻴﻢ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ ﺍﻟﻤﻘﺘﺮﺣﺔ ﺑﺎﺳﺘﺨﺪﺍﻡ ‪SMOTE‬‬
‫ﺧﻮﺍﺭﺯﻣﻴﺔ‪.‬‬

‫ﻭﻛﺎﻧﺖﺩﻗﺔ ﺍﻟﻨﻤﻮﺫﺝ ﺍﻟﺜﺎﻧﻲ‪ ،XGBoost ،‬ﺃﻛﺒﺮ ﻗﻠﻴﻼ ًﺑﻨﺴﺒﺔ ‪ .%97.986‬ﻫﻮ ‪ -‬ﻫﻲ‬

‫ﺃﻇﻬﺮﺩﻗﺔ ﺃﻛﺒﺮ ﺗﺒﻠﻎ ‪ 0.94866‬ﻭﺍﺳﺘﺮﺟﺎﻋﺎً ﻣﺸﺎﺑﻬﺎً ﻟـ‬

‫‪.0.98084‬ﺗﺸﻴﺮ ﺩﺭﺟﺔ ‪ F1‬ﺍﻟﺒﺎﻟﻐﺔ ‪ 0.96383‬ﺇﻟﻰ ﺗﺤﺴﻦ ﻃﻔﻴﻒ ﺑﺸﻜﻞ ﻋﺎﻡ‬

‫ﺍﻷﺩﺍءﻣﻦ ‪ .CatBoost‬ﻛﺎﻧﺖ ﻣﺪﺓ ﺗﺪﺭﻳﺐ ‪ XGBoost 7‬ﺩﻗﺎﺋﻖ ﻭ‬

‫‪53‬ﺛﺎﻧﻴﺔ‪ ،‬ﻭﺣﺠﻢ ﺍﻟﻨﻤﻮﺫﺝ ‪ 1.22‬ﻣﻴﺠﺎﺑﺎﻳﺖ‪.‬‬

‫ﻓﻲﺍﻟﻤﻘﺎﺑﻞ‪ ،‬ﻛﺎﻥ ﺃﺩﺍء ﻧﻤﻮﺫﺝ ‪ MLP‬ﺃﺩﻧﻰ ﺑﻜﺜﻴﺮ ﻋﺒﺮﻩ‬

‫ﺟﻤﻴﻊﺍﻟﻤﻘﺎﻳﻴﺲ‪ .‬ﻭﺻﻠﺖ ﺇﻟﻰ ﺩﻗﺔ ‪ ،0.5336‬ﻣﻤﺎ ﻳﺸﻴﺮ ﺇﻟﻰ ﻋﺪﺩ ﻛﺒﻴﺮ ﻣﻦ‬

‫ﺍﻟﺘﺼﻨﻴﻔﺎﺕﺍﻟﺨﺎﻃﺌﺔ‪ .‬ﺗﻌﻜﺲ ﺍﻟﺪﻗﺔ ﺍﻟﺒﺎﻟﻐﺔ ‪ 0.31‬ﻭﺍﻻﺳﺘﺪﻋﺎء ‪ 0.64‬ﻋﺪﻡ ﻗﺪﺭﺓ ﺍﻟﻨﻤﻮﺫﺝ‬

‫ﻟﺘﺤﺪﻳﺪﺍﻟﺤﺎﻻﺕ ﺍﻹﻳﺠﺎﺑﻴﺔ ﺑﺪﻗﺔ‪ .‬ﻭﺑﺎﻟﺘﺎﻟﻲ ﻓﺈﻥ ﺩﺭﺟﺔ ‪ F1‬ﺗﺒﻠﻎ ‪،0.32‬‬

‫ﻳﺪﻝﻋﻠﻰ ﺿﻌﻒ ﺍﻷﺩﺍء ﺍﻟﻌﺎﻡ‪ .‬ﻭﻣﻊ ﺫﻟﻚ‪ ،‬ﻓﺈﻥ ﺍﻟﺘﺪﺭﻳﺐ ﻋﻠﻰ ﻧﻤﻮﺫﺝ ‪MLP‬‬

‫‪53‬‬
 ‫ﻭﻛﺎﻧﺖﺍﻟﻤﺪﺓ ‪ 4‬ﺩﻗﺎﺋﻖ ﻭ‪ 47‬ﺛﺎﻧﻴﺔ ﻓﻘﻂ‪ ،‬ﻭﻛﺎﻥ ﺣﺠﻢ ﺍﻟﻨﻤﻮﺫﺝ ‪ 0.02‬ﻓﻘﻂ‬

‫ﻣﻴﻐﺎﺑﺎﻳﺖ‪.‬‬

‫ﻛﺎﻥﺃﺩﺍء ﻧﻤﻮﺫﺝ ‪ ANN‬ﺃﻓﻀﻞ ﻣﻦ ﻧﻤﻮﺫﺝ ‪ ،MLP‬ﻟﻜﻨﻪ ﻻ ﻳﺰﺍﻝ ﻣﺘﺨﻠﻔﺎً‬

‫ﻛﺎﺕﺑﻮﺳﺖ ﻭ‪ .XGBoost‬ﻛﺎﻧﺖ ﺍﻟﺪﻗﺔ ‪ 0.76594‬ﻭﺍﻟﺪﻗﺔ ‪ 0.62‬ﻭﺍﻻﺳﺘﺪﻋﺎء‬

‫‪.0.897‬ﺗﺸﻴﺮ ﺩﺭﺟﺔ ‪ F1‬ﺍﻟﺒﺎﻟﻐﺔ ‪ 0.64‬ﺇﻟﻰ ﺗﻮﺍﺯﻥ ﻣﺮﺽ ٍﺑﻴﻦ‬

‫ﺍﻟﺪﻗﺔﻭﺍﻟﺘﺬﻛﻴﺮ‪ .‬ﻭﻣﻊ ﺫﻟﻚ‪ ،‬ﻛﺎﻧﺖ ﻓﺘﺮﺓ ﺍﻟﺘﺪﺭﻳﺐ ﻟﻨﻤﻮﺫﺝ ‪ANN‬‬

‫ﺃﻃﻮﻝﺑﻜﺜﻴﺮ ﻋﻨﺪ ‪ 31‬ﺩﻗﻴﻘﺔ ﻭ‪ 41‬ﺛﺎﻧﻴﺔ‪ ،‬ﻭﻛﺎﻥ ﺣﺠﻢ ﺍﻟﻨﻤﻮﺫﺝ‬

‫ﺃﻛﺒﺮﻗﻠﻴﻼ ًﺑﺤﺠﻢ ‪ 0.03‬ﻣﻴﺠﺎﺑﺎﻳﺖ‪.‬‬

‫ﺍﻟﺸﻜﻞ‪4.4‬ﻧﺘﺎﺋﺞ ﺗﻘﻴﻴﻢ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﺍﻟﻤﻘﺘﺮﺣﺔ ﺑﺎﺳﺘﺨﺪﺍﻡ ‪SMOTE‬‬

‫ﺧﻮﺍﺭﺯﻣﻴﺔ‪.‬‬

‫ﺃﺩﺍءﻧﻤﺎﺫﺝ ‪ LSTM‬ﻭ‪ GRU‬ﻭ‪ RNN‬ﻛﻤﺎ ﻫﻮ ﻣﻮﺿﺢ ﻓﻲ ﺍﻟﺸﻜﻞ ‪،4.4‬‬

‫ﻛﺎﻥﻣﺘﻔﻮﻗﺎً ﻋﻠﻰ ﻃﺮﺍﺯﻱ ‪ MLP‬ﻭ‪ .ANN‬ﺣﺼﻞ ﻧﻤﻮﺫﺝ ‪ LSTM‬ﻋﻠﻰ‬

‫ﺩﻗﺔ‪ ،0.83418‬ﺑﺎﻹﺿﺎﻓﺔ ﺇﻟﻰ ﺍﻟﺪﻗﺔ ﻭﺍﻻﺳﺘﺪﻋﺎء ﻭﺩﺭﺟﺎﺕ ‪ F1‬ﺍﻟﺒﺎﻟﻐﺔ ‪،0.927 ،0.755‬‬

‫ﻭ‪ 0.77‬ﻋﻠﻰ ﺍﻟﺘﻮﺍﻟﻲ‪ .‬ﺃﻇﻬﺮﺕ ﻧﻤﺎﺫﺝ ‪ GRU‬ﻭ‪ RNN‬ﻣﻤﺎﺛﻠﺔ‬

‫‪54‬‬
 ‫ﺍﻷﺩﺍءﺑﺪﻗﺔ ‪ 0.878‬ﻭ ‪ 0.87‬ﻋﻠﻰ ﺍﻟﺘﻮﺍﻟﻲ‪ .‬ﻭﻣﻊ ﺫﻟﻚ‪ ،‬ﻛﻞ ﺛﻼﺛﺔ‬

‫ﺗﺘﻄﻠﺐﺍﻟﻨﻤﺎﺫﺝ ﻓﺘﺮﺍﺕ ﺗﺪﺭﻳﺐ ﻋﺎﻟﻴﺔ ﺗﺼﻞ ﺇﻟﻰ ‪ 30‬ﺩﻗﻴﻘﺔ ﺗﻘﺮﻳﺒﺎً‪ ،‬ﻛﻤﺎ ﺃﻧﻬﺎ ﺗﺘﻄﻠﺐ ﺗﺪﺭﻳﺒﺎً ﻋﺎﻟﻴﺎً‬

‫ﺃﺣﺠﺎﻡﺍﻟﻨﻤﺎﺫﺝ ﺃﻛﺒﺮ ﻧﺴﺒﻴﺎً ﺣﻴﺚ ﺗﺒﻠﻎ ‪ 7.69‬ﻣﻴﺠﺎﺑﺎﻳﺖ‪.‬‬

‫ﻭﺑﺎﻻﻧﺘﻘﺎﻝﺇﻟﻰ ﻃﺮﻕ ﺍﻟﺘﺠﻤﻴﻊ‪ ،‬ﺣﺼﻞ ﻧﻤﻮﺫﺝ ﺍﻟﺘﻌﺒﺌﺔ ﻋﻠﻰ ﺩﻗﺔ ﻗﺪﺭﻫﺎ‬

‫‪0.94000‬ﺑﺪﺭﺟﺔ ﺩﻗﺔ ﻋﺎﻟﻴﺔ ‪ 0.91357‬ﻭﺍﺳﺘﺪﻋﺎء ‪ .0.93127‬ﺩﺭﺟﺔ ‪F1‬‬

‫ﻳﺸﻴﺮﺍﻟﺮﻗﻢ ‪ 0.92205‬ﺇﻟﻰ ﻣﺰﻳﺞ ﻣﺘﻮﺍﺯﻥ ﻣﻦ ﺍﻟﺪﻗﺔ ﻭﺍﻟﺘﺬﻛﺮ‪ .‬ﺍﻟﻤﻮﺩﻳﻞ‬

‫ﺍﺳﺘﻐﺮﻕﺍﻟﺘﺪﺭﻳﺐ ‪ 9‬ﺩﻗﺎﺋﻖ ﻭ‪ 31‬ﺛﺎﻧﻴﺔ ﻭﻛﺎﻥ ﻟﺪﻳﻪ ﻧﻤﻮﺫﺝ ﺃﻛﺒﺮ‬

‫ﺍﻟﺤﺠﻢ‪ 350.73‬ﻣﻴﺠﺎ ﺑﺎﻳﺖ ‪ .‬ﻭﺑﺎﻟﻤﺜﻞ‪ ،‬ﻛﺎﻥ ﻧﻤﻮﺫﺝ ﺍﻟﻐﺎﺑﺔ ﺍﻟﻌﺸﻮﺍﺋﻴﺔ ﺩﻗﻴﻘﺎً‬

‫‪،0.94‬ﺍﻟﺪﻗﺔ ‪ ،0.91‬ﺍﻻﺳﺘﺪﻋﺎء ‪ ،0.9635‬ﻭ‪ .F1-score 0.93‬ﻛﺎﻥ ﻟﺪﻳﻪ ﺗﺪﺭﻳﺐ‬

‫ﻣﺪﺗﻪﺩﻗﻴﻘﺔ ﻭﺳﺒﻊ ﺛﻮﺍﻧﻲ ﻭﺣﺠﻢ ﺍﻟﻨﻤﻮﺫﺝ ‪ 29.60‬ﻣﻴﺠﺎﺑﺎﻳﺖ‬

‫ﻛﺎﻥﺃﻗﺼﺮ ﻭﺃﺻﻐﺮ ﻋﻠﻰ ﺍﻟﺘﻮﺍﻟﻲ‪.‬‬

‫ﺣﻘﻖﻛﻞ ﻣﻦ ﻃﺮﺍﺯﻱ ‪ Extra Trees‬ﻭ‪ KNN‬ﺩﻗﺔ ﻗﺪﺭﻫﺎ ‪ ،0.90922‬ﻣﻊ‬

‫ﺍﻟﺪﻗﺔﻭﺍﻻﺳﺘﺪﻋﺎء ﻭﺩﺭﺟﺎﺕ ‪ F1‬ﻫﻲ ‪ 0.89‬ﻭ‪ 0.895‬ﻭ‪ 0.8906‬ﻋﻠﻰ ﺍﻟﺘﻮﺍﻟﻲ‪ .‬ﻫﺆﻻء‬

‫ﻛﺎﻧﺖﻟﻠﻨﻤﺎﺫﺝ ﺃﻭﻗﺎﺕ ﺗﺪﺭﻳﺐ ﺃﻗﻞ ﺑﻜﺜﻴﺮ ﺗﺒﻠﻎ ‪ 3.43‬ﺛﺎﻧﻴﺔ ﻭﺃﺣﺠﺎﻡ ﻧﻤﺎﺫﺝ ﺃﻛﺒﺮ‬

‫ﺑﺤﺠﻢ‪ 35.19‬ﻣﻴﺠﺎﺑﺎﻳﺖ‪.‬‬

‫ﻓﻲﺍﻟﻤﻘﺎﺑﻞ‪ ،‬ﻛﺎﻥ ﺃﺩﺍء ﻧﻤﻮﺫﺝ ‪ SVM‬ﺃﺳﻮﺃ ﺑﻜﺜﻴﺮ ﻓﻲ ﺟﻤﻴﻊ ﺍﻟﻤﻘﺎﻳﻴﺲ‪ .‬ﻫﻮ ‪ -‬ﻫﻲ‬

‫ﺣﺼﻠﺖﻋﻠﻰ ﺩﻗﺔ ‪ ،0.59‬ﻣﻤﺎ ﻳﺪﻝ ﻋﻠﻰ ﻋﺪﺩ ﻛﺒﻴﺮ ﻣﻦ‬

‫ﺍﻟﺘﺼﻨﻴﻔﺎﺕﺍﻟﺨﺎﻃﺌﺔ‪ .‬ﺗﺸﻴﺮ ﺍﻟﺪﻗﺔ ﺍﻟﺒﺎﻟﻐﺔ ‪ 0.49‬ﻭﺍﻻﺳﺘﺪﻋﺎء ‪ 0.63‬ﺇﻟﻰ ﺍﻟﻨﻤﻮﺫﺝ‬

‫ﻋﺪﻡﺍﻟﻘﺪﺭﺓ ﻋﻠﻰ ﺗﺤﺪﻳﺪ ﺍﻟﺤﺎﻻﺕ ﺍﻹﻳﺠﺎﺑﻴﺔ ﺑﺪﻗﺔ‪ .‬ﺑﺸﻜﻞ ﻋﺎﻡ‪ ،‬ﺩﺭﺟﺔ ‪ F1‬ﻫﻲ‬

‫‪0.48259‬ﻳﺸﻴﺮ ﺇﻟﻰ ﺿﻌﻒ ﺍﻷﺩﺍء‪ .‬ﻣﺪﺓ ﺍﻟﺘﺪﺭﻳﺐ ﻋﻠﻰ ﻧﻤﻮﺫﺝ ‪SVM‬‬

‫‪55‬‬
 ‫ﻛﺎﻧﺖ‪ 1‬ﺳﺎﻋﺔ ﻭ ‪ 18‬ﺩﻗﻴﻘﺔ ﻭ ‪ 19‬ﺛﺎﻧﻴﺔ ﻭﺣﺠﻢ ﺍﻟﻤﻮﺩﻳﻞ ‪25.34‬‬

‫ﻣﻴﻐﺎﺑﺎﻳﺖ‪.‬‬

‫ﺃﺧﻴﺮﺍً‪،‬ﺗﻢ ﺗﺤﺴﻴﻦ ﻧﻤﺎﺫﺝ ‪ HISTGBOOST‬ﻭ‪ AdaBoost‬ﻭ‪LGBM‬‬

‫ﺃﺩﺍء‪.‬ﺩﻗﺔ ﻧﻤﻮﺫﺝ ‪ HISTGBOOST‬ﻛﺎﻧﺖ ‪ ،0.97437‬ﻭ‬

‫ﻭﻛﺎﻧﺖﺩﺭﺟﺎﺕ ﺍﻟﺪﻗﺔ ﻭﺍﻻﺳﺘﺪﻋﺎء ﻭ‪ F1‬ﻫﻲ ‪ 0.97758‬ﻭ‪ 0.97437‬ﻭ‪،0.97511‬‬

‫ﻋﻠﻰﺍﻟﺘﻮﺍﻟﻰ‪ .‬ﺍﺳﺘﻐﺮﻗﺖ ﻣﺪﺓ ﺍﻟﺘﺪﺭﻳﺐ ‪ 47.6‬ﺛﺎﻧﻴﺔ ﻭﺣﺠﻢ ﺍﻟﻨﻤﻮﺫﺝ ‪ 1.90‬ﻣﻴﺠﺎﺑﺎﻳﺖ‪،‬‬

‫ﻭﻛﻼﻫﻤﺎﻣﺨﺘﺼﺮ ﻧﺴﺒﻴﺎً‪ .‬ﺑﺪﻗﺔ ‪ ،0.43068‬ﺩﻗﺔ ﺃﻗﻞ‪،‬‬

‫ﺍﻻﺳﺘﺪﻋﺎء‪،‬ﻭﺩﺭﺟﺎﺕ ‪ F1‬ﺗﺘﺮﺍﻭﺡ ﻣﻦ ‪ 0.32098‬ﺇﻟﻰ ‪ ،0.34041‬ﻭﺩﺭﺟﺔ ‪F1‬‬

‫‪،0.25093‬ﺃﻇﻬﺮ ﻧﻤﻮﺫﺝ ‪ AdaBoost‬ﺃﺩﺍء ًﺃﻗﻞ‪ .‬ﻛﺎﻥ ﻣﻄﻠﻮﺑﺎ ‪3‬‬

‫ﺩﻗﻴﻘﺔﻭ‪ 55‬ﺛﺎﻧﻴﺔ ﻣﻦ ﻭﻗﺖ ﺍﻟﺘﺪﺭﻳﺐ ﻭﻛﺎﻥ ﺣﺠﻤﻬﺎ ‪ 0.31‬ﻣﻴﺠﺎﺑﺎﻳﺖ‪ .‬ﺇﻝ ﺟﻲ ﺑﻲ ﺇﻡ‬

‫ﺃﻇﻬﺮﺍﻟﻨﻤﻮﺫﺝ ﺃﻋﻠﻰ ﺩﻗﺔ ﺑﻘﻴﻤﺔ ‪ ،0.98242‬ﻭﻛﺬﻟﻚ‬

‫ﺩﻗﺔﻣﻤﺘﺎﺯﺓ ﻭﺍﺳﺘﺪﻋﺎء ﻭﺩﺭﺟﺎﺕ ‪ F1‬ﺗﺒﻠﻎ ‪ 0.96029‬ﻭ‪ 0.98055‬ﻭ‪،0.96986‬‬

‫ﻋﻠﻰﺍﻟﺘﻮﺍﻟﻰ‪ .‬ﻛﺎﻧﺖ ﻣﺪﺓ ﺗﺪﺭﻳﺐ ‪ LGBM 4‬ﺩﻗﺎﺋﻖ ﻭ‪ 5‬ﺛﻮﺍﻧﻲ‬

‫ﺣﺠﻢﺍﻟﻨﻤﻮﺫﺝ ‪ 11.05‬ﻣﻴﺠﺎ ﺑﺎﻳﺖ‬

‫ﺑﺎﺳﺘﺨﺪﺍﻡﺧﻮﺍﺭﺯﻣﻴﺔ ‪ SMOTE‬ﻓﻲ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ ،BoT-IoT‬ﻭ‪ CatBoost‬ﻭ‪XGBoost‬‬

‫ﺃﻇﻬﺮﺕﺍﻟﻨﻤﺎﺫﺝ ﺃﺩﺍء ًﻓﺎﺋﻘﺎً ﻓﻲ ﺍﻛﺘﺸﺎﻑ ﻫﺠﻤﺎﺕ ﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫ﺑﻨﺎء ًﻋﻠﻰ ﻣﻘﺎﻳﻴﺲ ﺍﻷﺩﺍء ﺍﻟﻮﺍﺭﺩﺓ ﻓﻲ ﺍﻟﺠﺪﻭﻝ ‪ .4.2‬ﻫﺬﻩ ﺍﻟﻨﻤﺎﺫﺝ‬

‫ﺣﻘﻘﺖﻣﺴﺘﻮﻳﺎﺕ ﻋﺎﻟﻴﺔ ﻣﻦ ﺍﻟﺪﻗﺔ‪ ،‬ﻭﺍﻟﺪﻗﺔ‪ ،‬ﻭﺍﻻﺳﺘﺪﻋﺎء‪ ،‬ﻭﺩﺭﺟﺎﺕ ‪ ،F1‬ﻣﻤﺎ ﻳﺪﻝ ﻋﻠﻰ ﺫﻟﻚ‬

‫ﻗﺪﺭﺗﻬﻢﻋﻠﻰ ﺗﺤﺪﻳﺪ ﺍﻟﺤﺎﻻﺕ ﺍﻹﻳﺠﺎﺑﻴﺔ ﻭﺍﻟﺴﻠﺒﻴﺔ‪ .‬ﺑﺎﻹﺿﺎﻓﺔ ﺇﻟﻰ ﺫﻟﻚ‪ ،‬ﻫﻢ‬

‫‪56‬‬
 ‫ﻛﺎﻧﺖﻓﺘﺮﺍﺕ ﺍﻟﺘﺪﺭﻳﺐ ﺃﻗﺼﺮ ﻭﺃﺣﺠﺎﻡ ﺍﻟﻨﻤﺎﺫﺝ ﺃﺻﻐﺮ ﻣﻦ ﺍﻟﻨﻤﺎﺫﺝ ﺍﻷﺧﺮﻯ‪،‬‬

‫ﻣﻤﺎﻳﺠﻌﻠﻬﺎ ﺧﻴﺎﺭﺍﺕ ﻣﻤﻜﻨﺔ ﻻﻛﺘﺸﺎﻑ ﻫﺠﻤﺎﺕ ﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪.‬‬

‫‪4.3‬ﻣﻨﺎﻗﺸﺔ ﺍﻟﻨﺘﺎﺋﺞ‬

‫ﺗﻮﻓﺮﻧﺘﺎﺋﺞ ﺍﻷﺩﺍء ﺍﻟﻮﺍﺭﺩﺓ ﻓﻲ ﺍﻟﺠﺪﻭﻟﻴﻦ ‪ 4.1‬ﻭ‪ 4.2‬ﺍﻟﻔﻬﻢ‬

‫ﺣﻮﻝﻓﻌﺎﻟﻴﺔ ﺍﻟﻤﺼﻨﻔﺎﺕ ﺍﻟﻤﺨﺘﻠﻔﺔ ﻟﻠﻜﺸﻒ ﻋﻦ ﻋﻤﻠﻴﺎﺕ ﺍﻟﺘﻄﻔﻞ ﻋﻠﻰ ﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫ﻣﺠﻤﻮﻋﺔﺑﻴﺎﻧﺎﺕ ‪ .BoT-IoT‬ﺗﻜﺸﻒ ﻣﻘﺎﺭﻧﺔ ﻫﺬﻩ ﺍﻟﺠﺪﺍﻭﻝ ﺗﺄﺛﻴﺮ ‪SMOTE‬‬

‫ﺍﻟﺨﻮﺍﺭﺯﻣﻴﺔﻟﻬﺎ ﻣﻘﺎﻳﻴﺲ ﺍﻷﺩﺍء‪.‬‬

‫ﻳﻌﺮﺽﺍﻟﺸﻜﻞ ‪ 4.5‬ﺍﻟﻤﻘﺎﺭﻧﺔ ﺑﻴﻦ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﺠﻤﺎﻋﻴﺔ‬

‫ﺍﻷﺩﺍءﻣﻊ ﻭﺑﺪﻭﻥ ﺍﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪ .Smote‬ﻭﻳﺪﻝ ﻋﻠﻰ ﺫﻟﻚ ﺃﻓﻀﻞ‬

‫ﺍﻟﻨﺘﺎﺋﺞﻣﻦ ﻋﺪﺓ ﻣﺼﻨﻔﺎﺕ‪ ،‬ﺑﻤﺎ ﻓﻲ ﺫﻟﻚ ‪ Extra Trees‬ﻭ‪ CatBoost‬ﻭ‪،XGBoost‬‬

‫ﻭﺻﻠﺖﺇﻟﻰ ﺩﻗﺔ ﻋﺎﻟﻴﺔ‪ .‬ﺑﺎﻹﺿﺎﻓﺔ ﺇﻟﻰ ﺫﻟﻚ‪ ،‬ﺃﻇﻬﺮﺕ ﻫﺬﻩ ﺍﻟﻤﺼﻨﻔﺎﺕ ﻣﻮﺍﺗﻴﺔ‬

‫ﺍﻟﺪﻗﺔﻭﺍﻻﺳﺘﺪﻋﺎء ﻭﺩﺭﺟﺎﺕ ‪ ،F1‬ﻣﻤﺎ ﻳﺸﻴﺮ ﺇﻟﻰ ﻗﺪﺭﺗﻬﻢ ﻋﻠﻰ ﺗﺤﺪﻳﺪ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺑﺪﻗﺔ‬

‫ﻫﺠﻤﺎﺕﺍﻟﺸﺒﻜﺔ‪ .‬ﻭﺍﻟﺠﺪﻳﺮ ﺑﺎﻟﺬﻛﺮ ﺃﻥ ‪ CatBoost‬ﻭ‪ XGBoost‬ﺃﺛﺒﺘﺎ ﺫﻟﻚ ﺑﺎﺳﺘﻤﺮﺍﺭ‬

‫ﺃﺩﺍءﻣﺘﻔﻮﻕ ﻋﺒﺮ ﻣﺠﻤﻮﻋﺔ ﻣﺘﻨﻮﻋﺔ ﻣﻦ ﺍﻟﻤﻘﺎﻳﻴﺲ ﺃﻓﻀﻞ ﻣﻦ ﺍﺳﺘﺨﺪﺍﻡ ﻫﺬﻩ ﺍﻟﻤﻘﺎﻳﻴﺲ‬

‫ﺍﻟﻤﺼﻨﻔﺎﺕﻣﻊ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪.Smote‬‬

‫‪57‬‬
 ‫ﺍﻟﺸﻜﻞ‪4.5‬ﺍﻟﻤﻘﺎﺭﻧﺔ ﺑﻴﻦ ﺃﻓﻀﻞ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﺠﻤﺎﻋﻲ ﺗﺆﺩﻱ ﺇﻟﻰ ﺍﻟﻨﺘﺎﺋﺞ ﻣﻊ ﻭﺑﺪﻭﻧﻬﺎ‬
‫ﺑﺎﺳﺘﺨﺪﺍﻡﺧﻮﺍﺭﺯﻣﻴﺔ ﺍﻟﻀﺮﺑﺔ‪.‬‬

‫ﻓﻲﺍﻟﻤﻘﺎﺑﻞ‪ ،‬ﺍﻟﻤﻘﺎﺭﻧﺔ ﺑﻴﻦ ﺃﺩﺍء ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻣﻊ‬

‫ﻭﺑﺪﻭﻥﺍﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪ Smote‬ﻛﻤﺎ ﻫﻮ ﻣﻮﺿﺢ ﻓﻲ ﺍﻟﺸﻜﻞ ‪ .4.6‬ﺍﻟﻤﻘﺎﺭﻧﺔ ﺑﻴﻦ ﺍﻻﺛﻨﻴﻦ‬

‫ﺗﻜﺸﻒﺍﻟﺠﺪﺍﻭﻝ ﺃﻥ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪ SMOTE‬ﺃﺛﺮﺕ ﻋﻠﻰ ﺍﻷﺩﺍء ﻛﺜﻴﺮﺍً‬

‫ﻣﺼﻨﻔﺎﺕﻣﺨﺘﻠﻔﺔ‪ .‬ﻣﻦ ﺍﻟﺸﻜﻞ ‪ ،4.1‬ﺗﻢ ﺗﻨﻔﻴﺬ ‪ CatBoost‬ﻭ‪XGBoost‬‬

‫ﺃﻓﻀﻞﺑﺸﻜﻞ ﺍﺳﺘﺜﻨﺎﺋﻲ ﻛﻤﺎ ﻫﻮ ﻣﺒﻴﻦ ﻓﻲ ﺍﻟﺠﺪﻭﻝ ‪ ،4.1‬ﻭﺣﺎﻓﻈﺖ ﻋﻠﻰ ﺩﻗﺘﻬﺎ ﺍﻟﻌﺎﻟﻴﺔ‪ ،‬ﻭ‬

‫ﺣﺼﻠﺖﻋﻠﻰ ﺩﻗﺔ ﺗﻨﺎﻓﺴﻴﺔ ﻭﺍﺳﺘﺪﻋﺎء ﻭﺩﺭﺟﺎﺕ ‪ F1‬ﻓﻲ ﺍﻟﺠﺪﻭﻝ ‪ .4.2‬ﻫﺬﺍ ﻳﺪﻝ ﻋﻠﻰ‬

‫ﺃﻥﻫﺬﻩ ﺍﻟﻤﺼﻨﻔﺎﺕ ﻗﻮﻳﺔ ﻭﺃﻥ ﺍﺳﺘﺨﺪﺍﻡ ‪ SMOTE‬ﻟﻪ ﺗﺄﺛﻴﺮ ﺿﺌﻴﻞ‬

‫ﻋﻠﻰﻓﺎﻋﻠﻴﺘﻬﺎ‪.‬‬

‫‪58‬‬
 ‫ﺍﻟﺸﻜﻞ‪4.6‬ﻣﻘﺎﺭﻧﺔ ﺑﻴﻦ ﺃﺩﺍء ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻣﻊ ﻭﺑﺪﻭﻥ ﺍﺳﺘﺨﺪﺍﻡ‬
‫ﺧﻮﺍﺭﺯﻣﻴﺔﺍﻟﻀﺮﺑﺔ‪.‬‬

‫ﻭﻣﻦﻧﺎﺣﻴﺔ ﺃﺧﺮﻯ‪ ،‬ﺃﺩﻯ ﺗﻄﺒﻴﻖ ‪ SMOTE‬ﺇﻟﻰ ﺗﻐﻴﻴﺮ ﺃﺩﺍء ﺍﻟﺒﻌﺾ‬

‫ﺍﻟﻤﺼﻨﻔﺎﺕﺑﺸﻜﻞ ﻣﻠﺤﻮﻅ‪ .‬ﻓﻲ ﺍﻟﺠﺪﻭﻝ ‪ 4.2‬ﻭﺍﻟﺸﻜﻞ ‪ MLP 4.3‬ﻭ‪ ANN‬ﻭ‪ LSTM‬ﻭ‪GRU‬‬

‫ﺃﻇﻬﺮﺕﺍﻟﻨﻤﺎﺫﺝ ﺩﻗﺔ ﻭﺩﻗﺔ ﻭﺍﺳﺘﺪﻋﺎء ﻭﺩﺭﺟﺎﺕ ‪ F1‬ﺃﻗﻞ ﻣﻤﺎ ﻫﻲ ﻋﻠﻴﻪ ﻓﻲ ﺍﻟﺠﺪﻭﻝ‬

‫‪.4.1‬ﻳﺸﻴﺮ ﻫﺬﺍ ﺇﻟﻰ ﺃﻧﻪ ﺣﺘﻰ ﻣﻊ ‪ ،SMOTE‬ﻗﺪ ﻻ ﺗﻜﻮﻥ ﻫﺬﻩ ﺍﻟﻤﺼﻨﻔﺎﺕ ﻓﻌﺎﻟﺔ‬

‫ﻋﻨﺪﺍﻟﺘﻌﺎﻣﻞ ﻣﻊ ﻣﺠﻤﻮﻋﺎﺕ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻏﻴﺮ ﺍﻟﻤﺘﻮﺍﺯﻧﺔ‪ .‬ﻭﻣﻊ ﺫﻟﻚ‪ ،‬ﻓﻤﻦ ﺍﻟﻤﻬﻢ ﺃﻥ ﻧﻼﺣﻆ ﺫﻟﻚ‬

‫ﻻﺗﺰﺍﻝ ﻫﺬﻩ ﺍﻟﻨﻤﺎﺫﺝ ﺗﺤﺼﻞ ﻋﻠﻰ ﻣﺴﺘﻮﻯ ﻣﺤﺘﺮﻡ ﻣﻦ ﺍﻟﺪﻗﺔ ﻭﺍﻟﻤﻘﺎﻳﻴﺲ ﺍﻷﺧﺮﻯ‪.‬‬

‫ﺑﺎﻹﺿﺎﻓﺔﺇﻟﻰ ﺫﻟﻚ‪ ،‬ﻓﺈﻥ ﺍﻟﻤﺼﻨﻔﺎﺕ ﻣﺜﻞ ‪ Baging‬ﻭ‪ Random Forest‬ﻭ‪ Extra Trees‬ﻭ‪ KNN‬ﻭ‬

‫ﺃﻇﻬﺮ‪ LGBM‬ﺃﺩﺍء ًﻣﺘﺴﻘﺎً ﻋﺒﺮ ﻛﻼ ﺍﻟﺠﺪﻭﻟﻴﻦ‪ ،‬ﻣﻤﺎ ﻳﺪﻝ ﻋﻠﻰ ﻛﻔﺎءﺗﻬﻤﺎ‬

‫‪-‬ﺍﻟﻤﺘﺎﻧﺔ ﻓﻲ ﺍﻟﺘﻌﺎﻣﻞ ﻣﻊ ﻣﺠﻤﻮﻋﺎﺕ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻏﻴﺮ ﺍﻟﻤﺘﻮﺍﺯﻧﺔ‪ .‬ﻓﻲ ﺣﻴﻦ ﺃﻥ ﺍﻟﺪﻗﺔ ﻭ‪-F1‬‬

‫ﻇﻠﺖﺍﻟﻨﺘﺎﺋﺞ ﻣﺴﺘﻘﺮﺓ ﻧﺴﺒﻴﺎً‪ ،‬ﺇﻻ ﺃﻥ ﺗﻄﺒﻴﻖ ‪ SMOTE‬ﺃﺩﻯ ﺇﻟﻰ ﺗﺤﺴﻴﻦ ﺍﻟﻨﺘﺎﺋﺞ‬

‫ﻗﻴﻢﺍﻟﺪﻗﺔ ﻭﺍﻟﺘﺬﻛﺮ ﻟﻬﺬﻩ ﺍﻟﻤﺼﻨﻔﺎﺕ ﺑﺸﻜﻞ ﻫﺎﻣﺸﻲ‪.‬‬

‫‪59‬‬
 ‫ﻓﻲﻛﻼ ﺍﻟﺠﺪﻭﻟﻴﻦ‪ ،‬ﻛﺎﻥ ﺃﺩﺍء ﻧﻤﺎﺫﺝ ‪ SVM‬ﻭ‪ AdaBoost‬ﺿﻌﻴﻔﺎً ﻛﻤﺎ ﻫﻮ ﻣﻮﺿﺢ ﻓﻲ ﺍﻷﺷﻜﺎﻝ‬

‫‪.4.3‬ﻣﻊ ﺩﻗﺔ ﺃﻗﻞ‪ ،‬ﻭﺇﺣﻜﺎﻡ‪ ،‬ﻭﺍﺳﺘﺮﺟﺎﻉ‪ ،‬ﻭﺩﺭﺟﺎﺕ ‪ ،F1‬ﻫﺬﻩ ﺍﻟﻤﺼﻨﻔﺎﺕ‬

‫ﻛﺎﻓﺤﺖﻻﻛﺘﺸﺎﻑ ﻫﺠﻤﺎﺕ ﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺑﺪﻗﺔ‪ .‬ﻭﻋﻼﻭﺓ ﻋﻠﻰ ﺫﻟﻚ‪ ،‬ﻛﺎﻥ ‪SVM‬‬

‫ﺃﻭﻗﺎﺕﻭﺣﺪﺓ ﺍﻟﻤﻌﺎﻟﺠﺔ ﺍﻟﻤﺮﻛﺰﻳﺔ ﺃﻛﺒﺮ ﺑﻜﺜﻴﺮ ﻣﻦ ﺍﻟﻤﺼﻨﻔﺎﺕ ﺍﻷﺧﺮﻯ ﻓﻲ ﻛﻼ ﺍﻟﺴﻴﻨﺎﺭﻳﻮﻫﻴﻦ‪ ،‬ﻣﻤﺎ ﻳﺸﻴﺮ ﺇﻟﻰ‬

‫ﺗﻔﺎﺻﻴﻞﺍﻟﺘﻌﻘﻴﺪ ﺍﻟﺤﺴﺎﺑﻲ ﻛﻤﺎ ﻫﻮ ﻣﻮﺿﺢ ﻓﻲ ﺍﻟﺸﻜﻞ ‪.4.7‬‬

‫ﺍﻟﺸﻜﻞ‪4.7‬ﻣﻘﺎﺭﻧﺔ ﺑﻴﻦ ﺃﺩﺍء ﻧﻤﺎﺫﺝ ﺍﻟﻤﺼﻨﻔﺎﺕ ﺍﻟﻔﺮﺩﻳﺔ ﻣﻊ ﻭﺑﺪﻭﻥ‬

‫ﺑﺎﺳﺘﺨﺪﺍﻡﺧﻮﺍﺭﺯﻣﻴﺔ ﺍﻟﻀﺮﺑﺔ‪.‬‬

‫‪60‬‬
 ‫‪4.4‬ﻣﻠﺨﺺ‬

‫ﻭﻓﻲﺍﻟﺨﺘﺎﻡ‪ ،‬ﻓﺈﻥ ﺍﻟﻤﻘﺎﺭﻧﺔ ﺑﻴﻦ ﺍﻟﺠﺪﻭﻟﻴﻦ ‪ 4.1‬ﻭ‪ 4.2‬ﺗﺴﻠﻂ ﺍﻟﻀﻮء ﻋﻠﻰ ﺗﺄﺛﻴﺮ‬

‫ﺧﻮﺍﺭﺯﻣﻴﺔ‪ SMOTE‬ﺣﻮﻝ ﻓﻌﺎﻟﻴﺔ ﺍﻟﻤﺼﻨﻔﺎﺕ ﻓﻲ ﺍﻟﻜﺸﻒ ﻋﻦ ﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫ﺍﻟﻬﺠﻤﺎﺕ‪.‬ﻣﻦ ﺣﻴﺚ ﺍﻟﺪﻗﺔ ﻭﺍﻻﺳﺘﺪﻋﺎء‪ ،‬ﺃﻇﻬﺮﺕ ﺑﻌﺾ ﺍﻟﻨﻤﺎﺫﺝ ﺍﻟﻤﺤﺴﻨﺔ‬

‫ﺍﻷﺩﺍء‪،‬ﻓﻲ ﺣﻴﻦ ﺃﻇﻬﺮ ﺁﺧﺮﻭﻥ ﺍﻧﺨﻔﺎﺿﺎ ﻓﻲ ﺍﻷﺩﺍء‪ .‬ﺃﺧﻴﺮﺍ‪ً،‬‬

‫ﺣﻘﻘﺖﻣﺼﻨﻔﺎﺕ ‪ CatBoost‬ﻭ‪ XGBoost‬ﻧﺘﺎﺋﺞ ﺩﻗﺔ ﺗﺼﻞ ﺇﻟﻰ ‪%98.19‬‬

‫‪ 98.52%‬ﻋﻠﻰ ﺍﻟﺘﻮﺍﻟﻲ‪ .‬ﺃﻓﻀﻞ ﺍﻟﻤﺼﻨﻔﺎﺕ ﻣﺘﺴﻘﺔ ﻭﻗﻮﻳﺔ ﻋﺒﺮ‬

‫ﻣﺠﻤﻮﻋﺔﺑﻴﺎﻧﺎﺕ ‪ ،BoT-IoT‬ﻣﻤﺎ ﻳﺠﻌﻠﻬﺎ ﺧﻴﺎﺭﺍﺕ ﻗﺎﺑﻠﺔ ﻟﻠﺘﻄﺒﻴﻖ ﻻﻛﺘﺸﺎﻑ ﻫﺠﻤﺎﺕ ﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫ﺳﻮﺍءﻛﺎﻥ ﺗﻄﺒﻴﻖ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪ SMOTE‬ﺃﻭ ﻏﻴﺮﻫﺎ‪.‬‬

‫‪61‬‬
 ‫ﻣﻘﺎﺭﻧﺔ‬ ‫ﺍﻟﻔﺼﻞ‪:5‬‬
‫‪5.1‬ﺍﻟﻤﻨﺎﻗﺸﺔ‬

‫ﻓﻲﺍﻵﻭﻧﺔ ﺍﻷﺧﻴﺮﺓ‪ ،‬ﺍﺳﺘﺨﺪﻣﺖ ﺍﻟﻌﺪﻳﺪ ﻣﻦ ﺍﻟﺪﺭﺍﺳﺎﺕ ﺧﻮﺍﺭﺯﻣﻴﺎﺕ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻟﻠﺘﻌﺰﻳﺰ‬

‫ﻛﻔﺎءﺓﻧﻤﺎﺫﺝ ﺍﻟﺘﺪﺭﻳﺐ ﻛﻤﺎ ﻫﻮ ﻣﺒﻴﻦ ﻓﻲ ﺍﻟﺠﺪﻭﻝ ‪ .2.1‬ﻭﻣﻊ ﺫﻟﻚ‪ ،‬ﻓﺈﻥ ﻫﺬﻩ ﺍﻟﺪﺭﺍﺳﺎﺕ‬

‫ﻻﺗﺪﺭﺱ ﺍﻟﺸﺒﻜﺎﺕ ﺑﺸﻜﻞ ﻛﺎﻣﻞ ﻓﻲ ﻣﺠﺎﻝ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻟﺘﺤﺪﻳﺪ ﺍﻟﻤﺨﺎﻟﻔﺎﺕ‬

‫ﺑﺴﺮﻋﺔﻭﺩﻗﺔ ﻻﻛﺘﺸﺎﻑ ﻫﺠﻤﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻭﺍﻟﺮﺩ ﻋﻠﻴﻬﺎ‪ .‬ﻭﺍﻟﺘﻐﻠﺐ ﻋﻠﻰ‬

‫ﻗﻀﺎﻳﺎﺍﻵﻟﺔ ﻭﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻣﺜﻞ ﺍﻟﺤﺼﻮﻝ ﻋﻠﻰ ﺍﻟﻌﺪﺩ ﺍﻷﻣﺜﻞ ﻣﻦ‬

‫ﺍﻟﺨﻼﻳﺎﺍﻟﻌﺼﺒﻴﺔ‪ ،‬ﻭﺍﻟﺘﺮﻛﻴﺐ ﺍﻟﺰﺍﺋﺪ‪ ،‬ﻭﺍﻟﻤﻌﻠﻤﺎﺕ ﺍﻟﺘﻲ ﺗﺤﻘﻖ ﻫﺪﻑ ﺍﻟﻨﻤﻮﺫﺝ ﺍﻟﻤﺜﺎﻟﻲ‪.‬‬

‫ﻳﻘﺪﻡﺍﻟﺠﺪﻭﻝ ‪ 5.1‬ﺗﺤﻠﻴﻼ ًﻣﻘﺎﺭﻧﺎً ﻷﺣﺪﺙ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫ﺣﻠﻮﻝﺗﻌﺮﺽ ﻧﺘﺎﺋﺞ ﺍﻷﺩﺍء ﺍﻟﺘﻲ ﺣﻘﻘﺘﻬﺎ ﺍﻟﺪﺭﺍﺳﺎﺕ ﺍﻟﻤﺨﺘﻠﻔﺔ ﻓﻲ‬

‫ﺍﻟﻤﻴﺪﺍﻥ‪.‬ﻳﻤﺜﻞ ﻛﻞ ﺻﻒ ﻣﺮﺟﻌﺎً ﺑﺤﺜﻴﺎً ﻣﺤﺪﺩﺍً‪ ،‬ﺑﻤﺎ ﻓﻲ ﺫﻟﻚ ﺍﻟﺴﻨﺔ‬

‫ﺍﻟﺪﺭﺍﺳﺔ‪،‬ﻣﺠﻤﻮﻋﺔ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺍﻟﻤﺴﺘﺨﺪﻣﺔ‪ ،‬ﺍﻟﻤﻨﻬﺠﻴﺔ ﺍﻟﻤﺴﺘﺨﺪﻣﺔ‪ ،‬ﺍﻟﺨﻮﺍﺭﺯﻣﻴﺎﺕ‬

‫ﺍﻟﻤﺴﺘﺨﺪﻣﺔ‪،‬ﻭﻧﺘﺎﺋﺞ ﺍﻟﺪﻗﺔ ﻓﻲ ﺍﻟﻨﺴﺒﺔ ﺍﻟﻤﺌﻮﻳﺔ‪.‬‬

‫ﻣﻨﺪﻭﻧﺴﺎﻭﺁﺧﺮﻭﻥ‪ [15] .‬ﺃﺟﺮﻳﺖ ﺩﺭﺍﺳﺔ ﻓﻲ ﻋﺎﻡ ‪ 2022‬ﺑﺎﺳﺘﺨﺪﺍﻡ ‪ DS2OS‬ﻭ‪CICIDS2017‬‬

‫ﻣﺠﻤﻮﻋﺎﺕﺍﻟﺒﻴﺎﻧﺎﺕ‪ .‬ﻟﻘﺪ ﻃﺒﻘﻮﺍ ﺗﻘﻨﻴﺎﺕ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ‪ ،‬ﻭﺗﺤﺪﻳﺪﺍً ﺍﻟﻨﻤﻮﺫﺝ ﺍﻟﻘﺎﺋﻢ ﻋﻠﻰ ‪،SET‬‬

‫ﻭﺣﻘﻘﺖﺩﻗﺔ ﻣﺬﻫﻠﺔ ﺑﻠﻐﺖ ‪ .%98‬ﻭﺗﻈﻬﺮ ﺍﻟﺪﺭﺍﺳﺔ ﻓﻌﺎﻟﻴﺔ‬

‫ﻟﻠﺘﻌﻠﻢﺍﻟﻌﻤﻴﻖ ﻓﻲ ﻣﺠﺎﻝ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ ،‬ﻛﻤﺎ ﻳﺘﻀﺢ ﻣﻦ ﺍﻟﺪﻗﺔ ﺍﻟﻌﺎﻟﻴﺔ ﺍﻟﺘﻲ ﺣﺼﻠﺖ ﻋﻠﻴﻬﺎ‪.‬‬

‫ﺑﻮﺑﻮﻻﻭﺁﺧﺮﻭﻥ‪ [18] .‬ﺭﻛﺰ ﻋﻠﻰ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ BoT-IoT‬ﻓﻲ ﻋﺎﻡ ‪ .2020‬ﻭﻗﺪ ﺍﺳﺘﺨﺪﻣﻮﺍ ﺃ‬

‫ﺇﻃﺎﺭﻋﻤﻞ ﻣﺨﺘﻠﻂ ﻟﻠﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻳﺠﻤﻊ ﺑﻴﻦ ﺗﻀﻤﻴﻦ ﺍﻟﻨﺸﺎﻁ ﺍﻟﻤﺤﻠﻲ )‪(LAE‬‬

‫ﻟﺘﻘﻠﻴﻞﺍﻷﺑﻌﺎﺩ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺫﺍﻛﺮﺓ ﻃﻮﻳﻠﺔ ﺍﻟﻤﺪﻯ ﺛﻨﺎﺋﻴﺔ ﺍﻻﺗﺠﺎﻩ‬

‫‪62‬‬
 ‫ﺍﻟﻤﺼﻨﻒ)‪ .(BLSTM‬ﻭﻗﺪ ﺃﺳﻔﺮ ﻧﻬﺠﻬﻢ ﻋﻦ ﺩﻗﺔ ﻋﺮﺽ ﺑﻠﻐﺖ ‪%91.89‬‬

‫ﻧﺠﺎﺡﺇﻃﺎﺭ ‪ DL‬ﺍﻟﻤﺨﺘﻠﻂ ﻓﻲ ﻣﻌﺎﻟﺠﺔ ﺗﻌﻘﻴﺪﺍﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫ﺍﻷﻣﻦﺍﻹﻟﻜﺘﺮﻭﻧﻲ‪.‬‬

‫ﺍﻟﺤﺮﺑﻲﻭﺁﺧﺮﻭﻥ‪ ،[19] .‬ﻓﻲ ﻋﺎﻡ ‪ ،2021‬ﺍﺳﺘﺨﺪﻡ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ N-BaIoT‬ﻭﻗﺪﻡ ﻧﻈﺎﻣﺎً ﻣﺤﻠﻴﺎً‬

‫ﺃﻓﻀﻞﺧﻮﺍﺭﺯﻣﻴﺔ ﺑﺎﺕ ﻋﻠﻰ ﻣﺴﺘﻮﻯ ﺍﻟﻌﺎﻟﻢ ﻟﻠﺸﺒﻜﺎﺕ ﺍﻟﻌﺼﺒﻴﺔ )‪ .(LGBA-NN‬ﻟﻘﺪ ﺣﻘﻘﻮﺍ‬

‫ﺩﻗﺔ‪ ،%90‬ﻣﻤﺎ ﻳﺪﻝ ﻋﻠﻰ ﻓﻌﺎﻟﻴﺔ ﺍﻟﺨﻮﺍﺭﺯﻣﻴﺔ ﺍﻟﺨﺎﺻﺔ ﺑﻬﻢ ﻓﻲ ﺍﻟﻜﺸﻒ ﻭ‬

‫ﺗﺼﻨﻴﻒﺗﻬﺪﻳﺪﺍﺕ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻓﻲ ﺑﻴﺌﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪.‬‬

‫ﺳﺤﺮﺧﻴﺰﺍﻥﻭﺁﺧﺮﻭﻥ‪ [22] .‬ﺭﻛﺰ ﻋﻠﻰ ﺣﺮﻛﺔ ﻣﺮﻭﺭ ﺷﺒﻜﺔ ‪ Modbus/TCP‬ﻓﻲ ﻋﺎﻡ ‪2020‬‬

‫ﺗﺘﻀﻤﻦﺍﻟﻤﻨﻬﺠﻴﺔ ﺍﺳﺘﺨﺪﺍﻡ ‪) LSTM‬ﺍﻟﺬﺍﻛﺮﺓ ﻃﻮﻳﻠﺔ ﺍﻟﻤﺪﻯ( ﻭﺍﻟﻤﺠﻤﻮﻋﺔ‬

‫ﺗﻘﻨﻴﺎﺕﺍﻟﺘﻌﻠﻢ‪ ،‬ﻣﻤﺎ ﺃﺩﻯ ﺇﻟﻰ ﺩﻗﺔ ﻣﺬﻫﻠﺔ ﺗﺒﻠﻎ ‪ .٪98.99‬ﻫﺬﺍ‬

‫ﻳﻮﺿﺢﻓﻌﺎﻟﻴﺔ ‪ LSTM‬ﻭﺍﻟﺘﻌﻠﻢ ﺍﻟﺠﻤﺎﻋﻲ ﻓﻲ ﺍﻟﺘﺤﻠﻴﻞ ﻭﺍﻟﺘﺤﻠﻴﻞ‬

‫ﺍﻛﺘﺸﺎﻑﺍﻟﺤﺎﻻﺕ ﺍﻟﺸﺎﺫﺓ ﻓﻲ ﺣﺮﻛﺔ ﻣﺮﻭﺭ ﺷﺒﻜﺔ ‪.Modbus/TCP‬‬

‫ﺑﻮﺧﺮﻳﻞﻭﺁﺧﺮﻭﻥ‪ [23] .‬ﺃﺟﺮﻯ ﺩﺭﺍﺳﺔ ﻓﻲ ﻋﺎﻡ ‪ 2021‬ﺑﺎﺳﺘﺨﺪﺍﻡ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ BoT-IoT‬ﻭﻋﻤﻴﻘﺔ‬

‫ﺗﻘﻨﻴﺎﺕﺍﻟﺘﻌﻠﻢ‪ ،‬ﻭﺗﺤﺪﻳﺪﺍ ً‪MLP ANN )Multi-Layer Perceptron Artificial‬‬

‫ﺍﻟﺸﺒﻜﺔﺍﻟﻌﺼﺒﻴﺔ(‪ .‬ﻭﺣﻘﻘﻮﺍ ﺩﻗﺔ ﺑﻠﻐﺖ ‪ ،%87.4‬ﻣﻤﺎ ﻳﺸﻴﺮ ﺇﻟﻰ ﺩﺭﺟﺔ ﻣﻌﻘﻮﻟﺔ‬

‫ﻣﺴﺘﻮﻯﺍﻷﺩﺍء ﻓﻲ ﻧﻬﺠﻬﻢ‪.‬‬

‫ﺍﻟﺤﻞﺍﻟﻤﻘﺘﺮﺡ ﻳﻌﺘﻤﺪ ﻋﻠﻰ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ ،BoT-IoT‬ﺍﻟﻤﺠﻤﻮﻋﺔ ﺍﻟﻤﺴﺘﺨﺪﻣﺔ‬

‫ﺗﻘﻨﻴﺎﺕﺍﻟﺘﻌﻠﻢ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺎﺕ ‪ CatBoosting‬ﻭ‪ .XGBoosting‬ﺍﻝ‬

‫‪63‬‬
 ‫ﺣﻘﻖﺍﻟﻨﻬﺞ ﺍﻟﻤﻘﺘﺮﺡ ﺩﻗﺔ ﻋﺮﺽ ﺑﻠﻐﺖ ‪ %98.19‬ﻭ‪%98.52‬‬

‫ﺗﺤﺴﻦﻣﻠﺤﻮﻅ ﻣﻘﺎﺭﻧﺔ ﺑﺎﻟﺪﺭﺍﺳﺎﺕ ﺍﻟﺴﺎﺑﻘﺔ ‪.‬‬

‫ﻣﻘﺎﺭﻧﺔﺃﺩﺍء ﺍﻟﺤﻞ ﺍﻟﻤﻘﺘﺮﺡ ﻣﻊ ﺍﻟﺪﺭﺍﺳﺎﺕ ﺍﻷﺧﺮﻯ‪،‬‬

‫ﻭﻳﺘﻔﻮﻕﺍﻟﻨﻬﺞ ﺍﻟﻤﻘﺘﺮﺡ ﻋﻠﻰ ﺟﻤﻴﻊ ﺍﻟﺘﻘﻨﻴﺎﺕ ﺍﻷﺧﺮﻯ ﻣﻦ ﺣﻴﺚ ﺍﻟﺪﻗﺔ‪.‬‬

‫ﺗﺸﻴﺮﺍﻟﺪﻗﺔ ﺍﻷﻋﻠﻰ ﺍﻟﺘﻲ ﺗﻢ ﺗﺤﻘﻴﻘﻬﺎ ﺇﻟﻰ ﺍﻛﺘﺸﺎﻑ ﺃﻛﺜﺮ ﻓﻌﺎﻟﻴﺔ ﻭ‬

‫ﺗﺼﻨﻴﻒﺗﻬﺪﻳﺪﺍﺕ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻓﻲ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ .BoT-IoT‬ﺑﺎﺳﺘﺨﺪﺍﻡ ﺍﻟﻔﺮﻗﺔ‬

‫ﻳﺒﺪﻭﺃﻥ ﺍﻟﺘﻌﻠﻢ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺎﺕ ‪ CatBoosting‬ﻭ‪ XGBoosting‬ﻗﺪ ﺗﻢ ﺗﻮﻓﻴﺮﻩ‬

‫ﻗﺪﺭﺍﺕﺗﻨﺒﺆﻳﺔ ﺃﻓﻀﻞ ﻭﺗﻌﺰﻳﺰ ﺍﻷﺩﺍء ﺍﻟﻌﺎﻡ‪.‬‬

‫ﺍﻟﺠﺪﻭﻝ‪: 1-5‬ﺗﺤﻠﻴﻞ ﻣﻘﺎﺭﻥ ﻷﺣﺪﺙ ﺣﻠﻮﻝ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪.‬‬

‫ﺩﻗﺔ‬
‫ﻳﺆﺩﻱﺍﻟﻰ‬ ‫ﺍﻟﺨﻮﺍﺭﺯﻣﻴﺎﺕ‬ ‫ﺍﻟﻤﻨﻬﺠﻴﺔﺍﻟﻤﺴﺘﺨﺪﻣﺔ‬ ‫ﺍﻟﺒﻴﺎﻧﺎﺕﺍﻟﻤﺴﺘﺨﺪﻣﺔ‬ ‫ﺳﻨﺔ‬ ‫ﺍﻟﻤﺮﺟﻊ‬

‫)‪(%‬‬

‫‪DS2OS،‬‬
‫‪98‬‬ ‫ﻣﻨﺪﻭﻧﺴﺎﻭﺁﺧﺮﻭﻥ‬
‫ﻧﻤﻮﺫﺝﻗﺎﺋﻢ ﻋﻠﻰ ‪SET‬‬ ‫ﺗﻌﻠﻢﻋﻤﻴﻖ‬ ‫‪CICIDS201‬‬ ‫‪2022‬‬
‫]‪[15‬‬
‫‪7‬‬

‫ﺍﻟﻬﺠﻴﻦ‪DL‬‬ ‫ﻟﻸﺑﻌﺎﺩ‪LAE‬‬
‫‪91.89‬‬ ‫ﺍﻹﻃﺎﺭ)‪-LAE‬‬ ‫ﺍﻟﺘﺨﻔﻴﺾﻭ ‪BLSTM‬‬ ‫ﺑﻮﺕ‪-‬ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬ ‫‪2020‬‬ ‫ﺑﻮﺑﻮﻻﻭﺁﺧﺮﻭﻥ‪[18] .‬‬
‫)ﺑﻠﺴﺘﻢ(‬ ‫ﻣﺼﻨﻒ‬

‫ﺃﻓﻀﻞﺍﻟﺨﻔﺎﻓﻴﺶ ﺍﻟﻤﺤﻠﻴﺔ ﻭﺍﻟﻌﺎﻟﻤﻴﺔ‬

‫ﺍﻟﺤﺮﺑﻲﻭﺁﺧﺮﻭﻥ‪.‬‬
‫‪90‬‬ ‫‪LGBA-NN‬‬ ‫ﺧﻮﺍﺭﺯﻣﻴﺔﺍﻟﻌﺼﺒﻴﺔ‬ ‫ﺇﻥ‪-‬ﺑﺎﻳﻮﺕ‬ ‫‪2021‬‬
‫ﺍﻟﺸﺒﻜﺎﺕ‬ ‫]‪[19‬‬

‫‪98.99‬‬ ‫ﻣﻮﺩﺑﻮﺱ‪TC/‬‬
‫ﻭﺍﻟﻤﺠﻤﻮﻋﺔ‪LSTM‬‬ ‫ﺳﺤﺮﺧﻴﺰﺍﻥﻭﺁﺧﺮﻭﻥ‪.‬‬
‫‪LSTM‬‬ ‫ﺷﺒﻜﺔ‪P‬‬ ‫‪2020‬‬
‫ﺗﻌﻠﻢُّ‬ ‫]‪[22‬‬
‫ﻣﺮﻭﺭ‬

‫‪87.4‬‬ ‫ﺁﻥ‪MLP‬‬ ‫ﺗﻌﻠﻢﻋﻤﻴﻖ‬ ‫ﺑﻮﺕ‪-‬ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬ ‫‪2021‬‬ ‫ﺑﻮﺧﺮﻳﻞﻭﺁﺧﺮﻭﻥ‪[23] .‬‬

‫‪98.19‬‬
‫ﺍﻟﺘﻌﻠﻢﺍﻟﺠﻤﺎﻋﻲ‬ ‫‪2023‬‬ ‫ﻣﻘﺘﺮﺡ‬
‫‪com.CatBoosting‬‬
‫ﺑﻮﺕ‪-‬ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫‪98.52‬‬ ‫‪XGBosting‬‬

‫‪64‬‬
 ‫‪5.2‬ﻣﻠﺨﺺ‬

‫ﻓﻲﺧﺘﺎﻡ ﻫﺬﺍ ﺍﻟﻔﺼﻞ‪ ،‬ﺍﻟﺘﺤﻠﻴﻞ ﺍﻟﻤﻘﺎﺭﻥ ﻷﺣﺪﺙ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫ﺣﻠﻮﻝﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﺗﺴﻠﻂ ﺍﻟﻀﻮء ﻋﻠﻰ ﺍﻟﺘﻄﻮﺭﺍﺕ ﻓﻲ ﻫﺬﺍ ﺍﻟﻤﺠﺎﻝ‪ .‬ﺍﻟﻤﻘﺘﺮﺡ‬

‫ﻳﺒﺮﺯﺍﻟﺤﻞ ﺑﺪﻗﺔ ﻓﺎﺋﻘﺔ‪ ،‬ﻣﻤﺎ ﻳﻈُﻬﺮ ﺇﻣﻜﺎﻧﻴﺔ ﺃﻥ ﻳﻜﻮﻥ ﺣﻼً‬

‫ﻧﻬﺞﻓﻌﺎﻝ ﻻﻛﺘﺸﺎﻑ ﻭﺗﺨﻔﻴﻒ ﺗﻬﺪﻳﺪﺍﺕ ﺍﻷﻣﻦ ﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪.‬‬

‫ﻭﻣﻊﺫﻟﻚ‪ ،‬ﺳﻴﻜﻮﻥ ﻣﻦ ﺍﻟﻀﺮﻭﺭﻱ ﺇﺟﺮﺍء ﻣﺰﻳﺪ ﻣﻦ ﺍﻟﺘﺤﻘﻖ ﻭﺍﻟﺘﻘﻴﻴﻢ ﻟﺘﻘﻴﻴﻤﻬﺎ‬

‫ﺍﻟﻤﺘﺎﻧﺔﻭﺍﻟﺘﻌﻤﻴﻢ ﻋﺒﺮ ﻣﺠﻤﻮﻋﺎﺕ ﺍﻟﺒﻴﺎﻧﺎﺕ ﺍﻟﻤﺨﺘﻠﻔﺔ ﻭﺍﻟﻌﺎﻟﻢ ﺍﻟﺤﻘﻴﻘﻲ‬

‫ﺳﻴﻨﺎﺭﻳﻮﻫﺎﺕ‪.‬‬

‫ﺍﻟﺨﻼﺻﺔﻭﺍﻟﻌﻤﻞ ﻓﻲ ﺍﻟﻤﺴﺘﻘﺒﻞ‬ ‫ﺍﻟﻔﺼﻞ‪:6‬‬

‫‪65‬‬
 ‫ﺍﻟﻬﺪﻑﻣﻦ ﻫﺬﻩ ﺍﻷﻃﺮﻭﺣﺔ ﻫﻮ ﺗﻨﻔﻴﺬ ﻧﻈﺎﻡ ﺫﻛﻲ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫ﺃﺟﻬﺰﺓﺍﻟﺤﻤﺎﻳﺔ ﺑﺎﺳﺘﺨﺪﺍﻡ ﻧﻤﻮﺫﺝ ﺟﺪﻳﺪ ﻗﺎﺋﻢ ﻋﻠﻰ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻹﺩﺍﺭﺗﻬﺎ‬

‫ﻣﺠﻤﻮﻋﺎﺕﺑﻴﺎﻧﺎﺕ ﻣﻌﻘﺪﺓ ﻟﻠﻐﺎﻳﺔ‪ .‬ﻭﻗﺪ ﺃﺩﺕ ﺍﻷﺑﺤﺎﺙ ﺍﻹﺿﺎﻓﻴﺔ ﺇﻟﻰ ﺗﻄﻮﻳﺮ‬

‫ﺃﻧﻈﻤﺔﻛﺸﻒ ﺍﻟﺘﺴﻠﻞ ﺫﺍﺕ ﺑﻨﻴﺔ ﻣﺮﻛﺰﻳﺔ ﻭﺗﻌﻠﻢ ﻋﻤﻴﻖ ﻭ‬

‫ﺍﻟﺘﻌﻠﻢﺍﻻﻟﻲ‪.‬‬

‫ﻟﻠﺘﻐﻠﺐﻋﻠﻰ ﺍﻟﻌﺪﻳﺪ ﻣﻦ ﺍﻟﻌﻮﺍﺋﻖ‪ ،‬ﻣﺜﻞ ﺍﻟﺘﺠﻬﻴﺰ ﺍﻟﺰﺍﺋﺪ‪ ،‬ﻭﺃﻭﻗﺎﺕ ﺍﻟﺘﺪﺭﻳﺐ ﺍﻟﻤﻤﺘﺪﺓ‪،‬‬

‫ﻭﺩﻗﺔﺍﻟﻨﻤﻮﺫﺝ ﻣﻨﺨﻔﻀﺔ‪ ،‬ﺳﺘﺠﻤﻊ ﺍﻟﻨﻤﺎﺫﺝ ﺍﻟﻤﻘﺘﺮﺣﺔ ﺑﻴﻦ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ‬

‫ﺍﻟﻨﻬﺞﻣﻊ ﻫﻨﺪﺳﺔ ﺍﻟﻤﻴﺰﺍﺕ‪ .‬ﻓﻴﻤﺎ ﻳﺘﻌﻠﻖ ﺑﺎﻟﺒﻴﺎﻧﺎﺕ ﻏﻴﺮ ﺍﻟﻤﺘﻮﺍﺯﻧﺔ ﻓﻲ ﺍﻟﻔﺼﻞ‪ ،‬ﻓﺈﻥ‬

‫ﺗﻢﺗﻄﺒﻴﻖ ﺗﻘﻨﻴﺔ ﺍﻹﻓﺮﺍﻁ ﻓﻲ ﺃﺧﺬ ﺍﻟﻌﻴﻨﺎﺕ )‪ ،(SMOTE‬ﻓﻲ ﺣﻴﻦ ﺃﻥ ﻓﻌﺎﻟﻴﺔ ﺧﻤﺴﺔ ﻋﺸﺮ‬

‫ﺗﻢﺗﻘﻴﻴﻢ ﺍﻟﺨﻮﺍﺭﺯﻣﻴﺎﺕ ﻋﻠﻰ ﺑﻴﺎﻧﺎﺕ ﻣﺘﻮﺍﺯﻧﺔ ﺍﻟﻔﺼﻞ‪ .‬ﻛﺎﺕ ﺑﻮﺳﺖ ﻭ‪XGBoost‬‬

‫ﺗﺘﻔﻮﻕﻋﻠﻰ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﺍﻟﺘﻲ ﺗﺘﻌﻠﻢ ﻣﻦ ﺍﻟﺘﺠﺮﺑﺔ‪ ،‬ﺧﺎﺻﺔ ﻋﻨﺪﻣﺎ‬

‫ﺗﺤﺪﻳﺪﺍﻟﻬﺠﻤﺎﺕ ﺍﻟﺴﻴﺒﺮﺍﻧﻴﺔ ﺍﻟﻤﺴﺘﻘﺒﻠﻴﺔ ﺿﺪ ﺷﺒﻜﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ .‬ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ﻓﻲ ﺍﻟﻮﻗﺖ ﺍﻟﺤﻘﻴﻘﻲ ‪BoT IoT‬‬

‫ﻳﻤﺜﻞﻛﻤﻴﺎﺕ ﻫﺎﺋﻠﺔ ﻣﻦ ﺣﺮﻛﺔ ﺍﻟﻤﺮﻭﺭ ﺍﻟﺘﻲ ﺗﺘﺄﺛﺮ ﺑﺄﻧﻮﺍﻉ ﻣﺘﻌﺪﺩﺓ ﻣﻦ‬

‫ﺍﻟﻬﺠﻤﺎﺕ‪.‬ﺣﻘﻘﺖ ﻣﺼﻨﻔﺎﺕ ‪ CatBoost‬ﻭ‪ XGBoost‬ﻣﻌﺪﻻﺕ ﺩﻗﺔ ﺧﺎﺻﺔ ﺑﻬﺎ‬

‫‪ 98.19%‬ﻭ ‪ .%98.50‬ﺃﻓﻀﻞ ﺍﻟﻤﺼﻨﻔﺎﺕ ﻣﺘﺴﻘﺔ ﻭﻳﻤﻜﻦ ﺍﻻﻋﺘﻤﺎﺩ ﻋﻠﻴﻬﺎ ﻋﺒﺮﻫﺎ‬

‫ﻣﺠﻤﻮﻋﺔﺑﻴﺎﻧﺎﺕ ‪ ،BoT-IoT‬ﻣﻤﺎ ﻳﺠﻌﻠﻬﺎ ﺧﻴﺎﺭﺍﺕ ﻗﺎﺑﻠﺔ ﻟﻠﺘﻄﺒﻴﻖ ﻻﻛﺘﺸﺎﻑ ﺷﺒﻜﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬

‫ﺍﻟﻬﺠﻤﺎﺕﺑﻐﺾ ﺍﻟﻨﻈﺮ ﻋﻦ ﺗﻨﻔﻴﺬ ﺧﻮﺍﺭﺯﻣﻴﺔ ‪.SMOTE‬‬

‫ﻳﺘﻀﻤﻦﺍﻟﻌﻤﻞ ﺍﻟﻤﺴﺘﻘﺒﻠﻲ ﻟﻬﺬﻩ ﺍﻟﻮﺭﻗﺔ ﺍﻟﺒﺤﺜﻴﺔ ﻣﻘﺎﺭﻧﺔ ﺍﻟﺘﻮﺯﻳﻊ ﺍﻟﻌﻤﻴﻖ‬

‫ﺍﻟﺘﻌﻠﻢﻟﻠﺒﻴﺎﻧﺎﺕ ﺍﻷﺧﺮﻯ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺧﻮﺍﺭﺯﻣﻴﺎﺕ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻤﺠﻤﻌﺔ ﺍﻟﻤﺨﺘﻠﻔﺔ ﻭﺍﻟﻌﺼﺒﻴﺔ‬

‫‪66‬‬
‫ﺑﻨﻴﺎﺕﺍﻟﺸﺒﻜﺔ‪ .‬ﺑﺎﻹﺿﺎﻓﺔ ﺇﻟﻰ ﺫﻟﻚ‪ ،‬ﻧﺤﻦ ﻧﺨﻄﻂ ﻟﺪﺭﺍﺳﺔ ﺍﻟﻜﺸﻒ ﻋﻦ ﺷﺒﻜﺔ ﺍﻟﻬﺎﺗﻒ ﺍﻟﻤﺤﻤﻮﻝ‬

‫ﺍﻟﺘﻄﻔﻞﻋﻠﻰ ﺧﻮﺍﺭﺯﻣﻴﺎﺕ ﺍﻟﺘﻌﻠﻢ ﺍﻟﺠﻤﺎﻋﻲ‪ ،‬ﻭﻫﻨﺪﺳﺔ ﺍﻟﻤﻴﺰﺍﺕ‪ ،‬ﻭ‬

‫ﺗﻘﻨﻴﺎﺕﺍﻟﺘﺤﺴﻴﻦ‪.‬‬

‫● ﻣﺮﺍﺟﻊ‬

‫]‪ [1‬ﺃﻭ‪ .‬ﻓﻴﺮﻣﻴﺴﺎﻥ ﻭﺁﺧﺮﻭﻥ‪" ،‬ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺧﺎﺭﺝ ﻧﻄﺎﻕ ﺍﻟﻀﺠﻴﺞ‪ :‬ﺍﻟﺒﺤﺚ ﻭﺍﻻﺑﺘﻜﺎﺭ ﻭ‬
‫ﺍﻟﻨﺸﺮ"‪ ،‬ﻓﻲ ﺑﻨﺎء ﺍﻟﻤﺠﺘﻤﻊ ﺍﻟﻤﺘﺮﺍﺑﻂ ‪ -‬ﺃﺑﺤﺎﺙ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﻭ‬

‫‪67‬‬
 ‫ﺳﻼﺳﻞﻗﻴﻤﺔ ﺍﻻﺑﺘﻜﺎﺭ ﻭﺍﻟﻨﻈﻢ ﺍﻟﺒﻴﺌﻴﺔ ﻭﺍﻷﺳﻮﺍﻕ‪ ،River Publishers، 2022 ،‬ﺍﻟﺼﻔﺤﺎﺕ ﻣﻦ ‪ 15‬ﺇﻟﻰ ‪.118‬‬

‫]‪ [2‬ﺇﺱ ﺇﻑ ﻣﺪﻳﻨﺔ‪ ،‬ﺇﻡ ﺇﺱ ﺇﺳﻼﻡ‪ ،‬ﺇﻑ ﺇﻡ ﺃﻻﻣﺠﻴﺮ‪ ،‬ﻭﺇﻡ ﺇﻑ ﻓﺮﺩﻭﺱ‪" ،‬ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء )‪-(IoT‬‬
‫"ﻧﻈﺎﻡ ﺍﻟﻤﺮﺍﻗﺒﺔ ﺍﻟﺼﻨﺎﻋﻴﺔ ﺍﻟﻘﺎﺋﻢ"‪ ،‬ﻓﻲ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻟﺼﻨﺎﻋﻲ‪،CRC Press، 2022 ،‬‬
‫ﺹ‪.86-55‬‬

‫]‪ [3‬ﻝ‪ .‬ﻫﻮﺍﻧﻎ‪" ،‬ﺗﺼﻤﻴﻢ ﻧﻈﺎﻡ ﻟﻠﺘﻨﺒﺆ ﺑﻬﺠﻮﻡ ‪ IoT DDoS‬ﻳﻌﺘﻤﺪ ﻋﻠﻰ ﺍﺳﺘﺨﺮﺍﺝ ﺍﻟﺒﻴﺎﻧﺎﺕ‬
‫ﺍﻟﺘﻜﻨﻮﻟﻮﺟﻴﺎ‪ ،.J. Supercomput"،‬ﺍﻟﻤﺠﻠﺪ‪ ،78 .‬ﻻ‪ ،4 .‬ﺹ ‪.2022 ،4623-4601‬‬

‫]‪ [4‬ﺃ‪ .‬ﺃﻭﺳﻴﻨﻲ ﻭﺁﺧﺮﻭﻥ‪" ،‬ﺇﻃﺎﺭ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﺍﻟﻘﺎﺑﻞ ﻟﻠﺘﻔﺴﻴﺮ ﻣﻦ ﺃﺟﻞ ﺍﻻﺧﺘﺮﺍﻕ ﺍﻟﻤﺮﻥ‬
‫ﺍﻟﻜﺸﻒﻓﻲ ﺷﺒﻜﺎﺕ ﺍﻟﻨﻘﻞ ﺍﻟﺘﻲ ﺗﺪﻋﻢ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ .IEEE Trans ،‬ﺇﻧﺘﻞ‪ .Transp .‬ﺍﻟﻨﻈﺎﻡ‪،.‬‬
‫‪.2022‬‬

‫]‪ [5‬ﺇﺱ ﻛﻴﻪ ﺑﺎﺩﺝ ﻭﺁﺧﺮﻭﻥ‪“ ،‬ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ ﻭﺍﻟﺮﺅﻳﺔ ﺍﻟﺬﻛﻴﺔ ﻟﻠﺒﻨﺎء ﻭﺍﻟﺘﺸﻴﻴﺪ‬
‫‪:4.0‬ﺃﺳﺎﻟﻴﺐ ﻭﺗﻄﺒﻴﻘﺎﺕ ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ ﻭﺍﻟﻌﻤﻴﻖ‪ .Autom ،‬ﺍﻟﺒﻨﺎء‪ ،‬ﺍﻟﻤﺠﻠﺪ‪ ،141 .‬ﺹ‪.‬‬
‫‪.2022،104440‬‬

‫]‪ [6‬ﻳﻮ ﺇﺳﻼﻡ ﻭﺁﺧﺮﻭﻥ‪“ ،‬ﺍﻟﻜﺸﻒ ﻋﻦ ﻫﺠﻤﺎﺕ ﺭﻓﺾ ﺍﻟﺨﺪﻣﺔ ﺍﻟﻤﻮﺯﻋﺔ )‪ (DDoS‬ﻓﻲ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻟﻘﺎﺋﻤﺔ ﻋﻠﻰ‬

‫ﻧﻈﺎﻡﻣﺮﺍﻗﺒﺔ ﺍﻟﻘﻄﺎﻉ ﺍﻟﻤﺼﺮﻓﻲ ﺑﺎﺳﺘﺨﺪﺍﻡ ﻧﻤﺎﺫﺝ ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ‪ ،‬ﺍﻻﺳﺘﺪﺍﻣﺔ‪،‬‬

‫ﺍﻟﻤﺠﻠﺪ‪ ،14.‬ﻻ‪ ،14 .‬ﺹ‪.2022 ،8374 .‬‬

‫ﺍﻟﻜﺸﻒﻋﻦ ﺍﻟﻬﺠﻤﺎﺕ ﺍﻟﺴﻴﺒﺮﺍﻧﻴﺔ ﺑﺎﺳﺘﺨﺪﺍﻡ" ‪]7[ N. Vadivelan, K. Bhargavi, S. Kodati, and M. Nalini,‬‬

‫ﺍﻟﺘﻌﻠﻢﺍﻵﻟﻲ‪ "،‬ﻓﻲ ﻭﻗﺎﺋﻊ ﻣﺆﺗﻤﺮ ‪ ،AIP، AIP Publishing LLC، 2022‬ﺹ‪.030003 .‬‬

‫]‪ [8‬ﺭ‪ .‬ﺃﺣﻤﺪ‪ ،‬ﺇﺑﺮﺍﻫﻴﻢ ﺍﻟﺼﻤﺎﺩﻱ‪ ،‬ﻭ‪ .‬ﺍﻟﺤﻤﺪﺍﻧﻲ‪ ،‬ﻭﻝ‪ .‬ﻃﻮﺍﻟﺒﺔ‪“ ،‬ﺗﻌﻠﻢ ﻋﻤﻴﻖ ﺷﺎﻣﻞ”‪.‬‬
‫ﺍﻟﻤﻌﻴﺎﺭﺍﻟﻘﻴﺎﺳﻲ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ‪ .IDS، "Comput‬ﺁﻣﻦ‪ ،.‬ﺍﻟﻤﺠﻠﺪ‪ ،114 .‬ﺹ‪.2022 ،102588 .‬‬

‫ﻛﺎﺷﻒﺧﺎﺭﺟﻲ ﻗﻮﻱ ﻭﻗﺎﺑﻞ ﻟﻠﺘﻄﻮﻳﺮ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺍﻟﺘﺴﻠﺴﻞ ﺍﻟﻬﺮﻣﻲ" ‪S. Sengupta،‬ﻭ ‪]9[ RM Shukla‬‬

‫ﺍﻟﺸﺒﻜﺔﺍﻟﻌﺼﺒﻴﺔ ﺍﻟﺘﺠﻤﻴﻌﻴﺔ ﻭﺍﻟﺬﺍﻛﺮﺓ ﻃﻮﻳﻠﺔ ﺍﻟﻤﺪﻯ )‪ (LSTM‬ﻟﻺﻧﺘﺮﻧﺖ‬

‫ﺍﻷﺷﻴﺎء‪"،‬ﺃﺷﻴﺎء ﺍﻹﻧﺘﺮﻧﺖ‪ ،‬ﺍﻟﻤﺠﻠﺪ‪ ،9 .‬ﺹ‪.2020 ،100167 .‬‬

‫]‪ [10‬ﻡ‪ .‬ﺍﻟﻤﻴﺎﻧﻲ‪ ،‬ﺃ‪ .‬ﺃﺑﻮ ﻏﺰﺍﻟﺔ‪ ،‬ﺃ‪ .‬ﺍﻟﺮﻫﻴﻔﺔ‪ ،‬ﺱ‪ .‬ﻋﻄﻴﻮﻱ‪ ،‬ﺃ‪ .‬ﺭﺯﺍﻕ‪“ ،‬ﻋﻤﻴﻖ ﻣﺘﻜﺮﺭ”‪.‬‬
‫ﺍﻟﺸﺒﻜﺔﺍﻟﻌﺼﺒﻴﺔ ﻟﻨﻈﺎﻡ ﻛﺸﻒ ﺍﻟﺘﺴﻠﻞ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ .Simul ،‬ﻧﻤﻮﺫﺝ‪ .‬ﺗﺪﺭﺏ‪ .‬ﺍﻟﻨﻈﺮﻳﺔ‪ ،‬ﺍﻟﻤﺠﻠﺪ‪.‬‬
‫‪،101‬ﺹ‪.2020 ،102031 .‬‬

‫]‪ [11‬ﺃ‪ .‬ﻧﺎﺟﻴﺴﻴﺘﻲ ﻭﺟﻲ ﺑﻲ ﺟﻮﺑﺘﺎ‪" ،‬ﺇﻃﺎﺭ ﻋﻤﻞ ﺍﻟﻜﺸﻒ ﻋﻦ ﺍﻷﻧﺸﻄﺔ ﺍﻟﻀﺎﺭﺓ ﻓﻲ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء"‬
‫ﺍﻟﺸﺒﻜﺎﺕﺍﻟﺘﻲ ﺗﺴﺘﺨﺪﻡ ﻣﻜﺘﺒﺔ ‪ keras‬ﻟﻠﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ‪ "،‬ﻓﻲ ﺍﻟﻤﺆﺗﻤﺮ ﺍﻟﺪﻭﻟﻲ ﺍﻟﺜﺎﻟﺚ ﻟﻌﺎﻡ ‪ 2019‬ﺣﻮﻝ‬

‫ﻣﻨﻬﺠﻴﺎﺕﺍﻟﺤﻮﺳﺒﺔ ﻭﺍﻻﺗﺼﺎﻻﺕ )‪ ،IEEE، 2019 ،(ICCMC‬ﺍﻟﺼﻔﺤﺎﺕ ﻣﻦ ‪ 633‬ﺇﻟﻰ ‪.637‬‬

‫‪68‬‬
 ‫ﺑﻨﺎء ًﻋﻠﻰ ﻣﻌﻠﻮﻣﺎﺕ ﺑﺴﻴﻄﺔ ‪ Ddos‬ﺍﻛﺘﺸﺎﻑ ﻫﺠﻮﻡ" ‪]12[ YN Soe, PI Santosa, and R. Hartanto,‬‬

‫ﻣﻊﺿﺮﺑﺔ ﻟﺒﻴﺌﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء"‪ ،‬ﻓﻲ ﺍﻟﻤﺆﺗﻤﺮ ﺍﻟﺪﻭﻟﻲ ﺍﻟﺮﺍﺑﻊ ﻟﻌﺎﻡ ‪ 2019‬ﺣﻮﻝ‬
‫ﺍﻟﻤﻌﻠﻮﻣﺎﺗﻴﺔﻭﺍﻟﺤﻮﺳﺒﺔ )‪ ،IEEE، 2019 ،(ICIC‬ﺍﻟﺼﻔﺤﺎﺕ ﻣﻦ ‪ 1‬ﺇﻟﻰ ‪.5‬‬

‫]‪ [13‬ﺃ‪ .‬ﺧﺎﻥ ﻭﺳﻲ‪ .‬ﻛﻮﺗﻮﻥ‪" ،‬ﺍﻟﻜﺸﻒ ﺍﻟﻔﻌﺎﻝ ﻋﻦ ﺍﻟﻬﺠﻤﺎﺕ ﻓﻲ ﺃﺟﻬﺰﺓ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺑﺎﺳﺘﺨﺪﺍﻡ ﺍﻟﻤﻴﺰﺓ‬

‫ﺍﻟﺘﻌﻠﻢﺍﻵﻟﻲ ﺑﺪﻭﻥ ﻫﻨﺪﺳﺔ‪ .ArXiv Prepr" ،‬ﺃﺭﻛﻴﻒ‪.2023 ،230103532‬‬

‫]‪ [14‬ﺇﻑ ﺇﻡ ﺃﺳﻮﺩ‪ ،‬ﺇﻳﻪ ﺇﻡ ﺇﺱ ﺃﺣﻤﺪ‪ ،‬ﻧﺎﻡ ﺍﻟﺤﻤﺎﺩﻱ‪ ،‬ﺑﻲ ﺇﻳﻪ ﺧﻠﻒ‪ ،‬ﻭﺱ‪.‬ﺃ‪ .‬ﻣﺼﻄﻔﻰ‪،‬‬
‫"ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﻓﻲ ﻃﺮﻳﻘﺔ ﺍﻟﻜﺸﻒ ﻋﻦ ﻫﺠﻤﺎﺕ ﺭﻓﺾ ﺍﻟﺨﺪﻣﺔ ﺍﻟﻤﻮﺯﻋﺔ ﻹﻧﺘﺮﻧﺖ‬
‫ﺷﺒﻜﺎﺕﺍﻷﺷﻴﺎء‪ "،‬ﺝ‪ .‬ﺇﻧﺘﻞ‪ .‬ﺍﻟﻨﻈﺎﻡ‪ ،.‬ﺍﻟﻤﺠﻠﺪ‪ ،32 .‬ﻻ‪.2023 ،1 .‬‬

‫]‪ [15‬ﺁﺭ ﻓﻲ ﻣﻴﻨﺪﻭﻧﺴﺎ‪ ،‬ﺟﻲ ﺳﻲ ﺳﻴﻠﻔﺎ‪ ،‬ﺁﺭ ﺇﻝ ﺭﻭﺯﺍ‪ ،‬ﻡ‪ .‬ﺳﻌﺪﻱ‪ ،‬ﺩﻱ ﺯﻱ ﺭﻭﺩﺭﻳﺠﻴﺰ‪ ،‬ﻭﺃ‪ .‬ﻓﺎﺭﻭﻕ‪“ ،‬ﺃ”‬
‫ﻧﻈﺎﻡﻛﺸﻒ ﺍﻟﺘﺴﻠﻞ ﺍﻟﺬﻛﻲ ﺧﻔﻴﻒ ﺍﻟﻮﺯﻥ ﻻﺳﺘﺨﺪﺍﻡ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻟﺼﻨﺎﻋﻲ‬
‫ﺧﻮﺍﺭﺯﻣﻴﺎﺕﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ‪" ،‬ﻧﻈﺎﻡ ﺍﻟﺨﺒﺮﺍء‪ ،‬ﺍﻟﻤﺠﻠﺪ‪ ،39 .‬ﻻ‪ ،5 .‬ﺹ‪.e12917، 2022 .‬‬

‫ﺍﻟﺘﻌﻠﻢﺍﻟﻌﻤﻴﻖ ﺍﻟﻤﻮﺣﺪ ﻣﻦ ﺃﺟﻞ" ‪]16[ MA Ferrag, O. Friha, L. Maglaras, H. Janicke, and L. Shu,‬‬

‫ﺍﻷﻣﻦﺍﻟﺴﻴﺒﺮﺍﻧﻲ ﻓﻲ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ :‬ﺍﻟﻤﻔﺎﻫﻴﻢ ﻭﺍﻟﺘﻄﺒﻴﻘﺎﺕ ﻭﺍﻟﺘﺠﺮﻳﺒﻴﺔ‬

‫ﺍﻟﺘﺤﻠﻴﻞ"‪ ،IEEE Access ،‬ﺍﻟﻤﺠﻠﺪ‪ ،9 .‬ﺹ ‪.2021 ،138542-138509‬‬

‫ﺍﻻﺗﺤﺎﺩﻳﺔ" ‪]17[ SI Popoola, R. Ande, B. Adebisi, G. Gui, M. Hamoudeh, and O. Jogunola,‬‬

‫ﺍﻟﺘﻌﻠﻢﺍﻟﻌﻤﻴﻖ ﻻﻛﺘﺸﺎﻑ ﻫﺠﻤﺎﺕ ﺍﻟﺮﻭﺑﻮﺗﺎﺕ ﻓﻲ ﻳﻮﻡ ﺍﻟﺼﻔﺮ ﻓﻲ ﺃﺟﻬﺰﺓ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪IEEE Internet ،‬‬

‫ﺍﻷﺷﻴﺎء‪ ،.J‬ﺍﻟﻤﺠﻠﺪ‪ ،9 .‬ﻻ‪ ،5 .‬ﺹ ‪.2021 ،3944-3930‬‬

‫]‪ [18‬ﺇﺱ ﺁﻱ ﺑﻮﺑﻮﻻ‪ ،‬ﺏ‪ .‬ﺃﺩﻳﺒﻴﺴﻲ‪ ،‬ﻡ‪ .‬ﺣﻤﻮﺩﺓ‪ ،‬ﺝ‪ .‬ﻏﻮﻱ‪ ،‬ﻭﻩ‪ .‬ﻏﺎﻛﺎﻧﻴﻦ‪" ،‬ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ ﺍﻟﻬﺠﻴﻦ"‬
‫ﻟﻠﻜﺸﻒﻋﻦ ﻫﺠﻤﺎﺕ ﺍﻟﺮﻭﺑﻮﺗﺎﺕ ﻓﻲ ﺷﺒﻜﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪,.IEEE Internet Things J "،‬‬
‫ﺍﻟﻤﺠﻠﺪ‪ ،8.‬ﻻ‪ ،6 .‬ﺹ ‪.2020 ،4956-4944‬‬

‫]‪ [19‬ﺃ‪ .‬ﺍﻟﺤﺮﺑﻲ‪ ،‬ﻭ‪ .‬ﺍﻟﻌﺼﻴﻤﻲ‪ ،‬ﺡ‪ .‬ﺍﻟﻴﺎﻣﻲ‪ ،‬ﺇﺗﺶ ﺗﻲ ﺭﺅﻭﻑ‪ ،‬ﻭ ﺭ‪ .‬ﺩﺍﻣﺎﺷﻴﻔﻴﺘﺸﻴﻮﺱ‪" ،‬ﻫﺠﻮﻡ ﺍﻟﺒﻮﺕ ﻧﺖ"‬

‫ﺍﻟﻜﺸﻒﺑﺎﺳﺘﺨﺪﺍﻡ ﺃﻓﻀﻞ ﺧﻮﺍﺭﺯﻣﻴﺔ ﺍﻟﺨﻔﺎﻓﻴﺶ ﺍﻟﻤﺤﻠﻴﺔ ﻭﺍﻟﻌﺎﻟﻤﻴﺔ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻟﺼﻨﺎﻋﻲ‪.‬‬

‫ﺍﻻﻟﻜﺘﺮﻭﻧﻴﺎﺕ‪،‬ﺍﻟﻤﺠﻠﺪ‪ ،10 .‬ﻻ‪ ،11 .‬ﺹ‪.2021 ،1341 .‬‬

‫ﻭﺁﺧﺮﻭﻥ‪"،‬ﺷﺒﻜﺔ ﻋﺼﺒﻴﺔ ﻋﺸﻮﺍﺋﻴﺔ ﻫﺠﻴﻨﺔ ﻭﻋﻤﻴﻘﺔ ﻟﻠﻜﺸﻒ ﻋﻦ ﺍﻟﻬﺠﻤﺎﺕ ﺍﻹﻟﻜﺘﺮﻭﻧﻴﺔ ﻓﻲ ‪]20[ ZE Huma‬‬

‫"ﺍﻹﻧﺘﺮﻧﺖ ﺍﻟﺼﻨﺎﻋﻲ ﻟﻸﺷﻴﺎء"‪ ،IEEE Access ،‬ﺍﻟﻤﺠﻠﺪ‪ ،9 .‬ﺹ ‪.2021 ،55605-55595‬‬

‫ﻫﺠﻮﻡﺩﺍﺧﻠﻲ ﺟﺪﻳﺪ ﻭ" ‪]21[ M. Chowdhury, B. Ray, S. Chowdhury, and S. Rajasegarar,‬‬

‫ﺍﻟﻜﺸﻒﺍﻟﻘﺎﺋﻢ ﻋﻠﻰ ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ .ACM Trans" ،‬ﺇﻧﺘﺮﻧﺖ‬
‫ﺍﻷﺷﻴﺎء‪،‬ﺍﻟﻤﺠﻠﺪ‪ ،2 .‬ﻻ‪ ،4 .‬ﺹ ‪.2021 ،23-1‬‬

‫‪69‬‬
 ‫]‪ [22‬ﻡ‪ .‬ﺳﻬﺎﺭﺧﻴﺰﺍﻥ‪ ،‬ﺃ‪ .‬ﻋﺰﻣﻮﺩﺓ‪ ،‬ﺃ‪ .‬ﺩﻫﻐﺎﻧﺘﺎﻧﻬﺎ‪ ،‬ﻙ‪-.‬ﻛﻴﻪ ﺁﺭ ﺗﺸﻮ‪ ،‬ﻭ ﺁﺭ ﺇﻡ ﺑﺎﺭﻳﺰﻱ‪An“ ،‬‬
‫ﻣﺠﻤﻮﻋﺔﻣﻦ ﺍﻟﺸﺒﻜﺎﺕ ﺍﻟﻌﺼﺒﻴﺔ ﺍﻟﻤﺘﻜﺮﺭﺓ ﺍﻟﻌﻤﻴﻘﺔ ﻟﻠﻜﺸﻒ ﻋﻦ ﺍﻟﻬﺠﻤﺎﺕ ﺍﻟﺴﻴﺒﺮﺍﻧﻴﺔ ﻹﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺑﺎﺳﺘﺨﺪﺍﻡ‬

‫ﺣﺮﻛﺔﻣﺮﻭﺭ ﺍﻟﺸﺒﻜﺔ‪ ،.IEEE Internet Things J "،‬ﺍﻟﻤﺠﻠﺪ‪ ،7 .‬ﻻ‪ ،9 .‬ﺹ ‪.2020 ،8859-8852‬‬

‫]‪ [23‬ﺱ‪ .‬ﺑﻮﺧﺮﻳﻞ‪ ،‬ﺭ‪ .‬ﻋﺒﺎﺱ‪ ،‬ﻭﺏ‪ .‬ﺃﺭﻳﺎﻝ‪" ،‬ﺃﻣﻦ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ :‬ﺍﻛﺘﺸﺎﻑ ﺍﻟﺮﻭﺑﻮﺗﺎﺕ ﻓﻲ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺑﺎﺳﺘﺨﺪﺍﻡ ﺍﻵﻟﺔ‬

‫ﺍﻟﺘﻌﻠﻢ"‪.ArXiv Prepr. ArXiv210402231، 2021 ،‬‬

‫]‪ [24‬ﺱ‪ .‬ﻟﻄﻴﻒ‪ ،‬ﺯ‪ .‬ﺯﻭ‪ ،‬ﺯ‪ .‬ﺇﺩﺭﻳﺲ‪ ،‬ﻭﺝ‪ .‬ﺃﺣﻤﺪ‪“ ،‬ﻣﺨﻄﻂ ﺟﺪﻳﺪ ﻟﻠﻜﺸﻒ ﻋﻦ ﺍﻟﻬﺠﻮﻡ ﻋﻠﻰ‬
‫ﺇﻧﺘﺮﻧﺖﺍﻷﺷﻴﺎء ﺍﻟﺼﻨﺎﻋﻲ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺷﺒﻜﺔ ﻋﺼﺒﻴﺔ ﻋﺸﻮﺍﺋﻴﺔ ﺧﻔﻴﻔﺔ ﺍﻟﻮﺯﻥ‪،IEEE Access ،‬‬
‫ﺍﻟﻤﺠﻠﺪ‪ ،8.‬ﺹ ‪.2020 ،89350-89337‬‬

‫]‪ [25‬ﻥ‪ .‬ﻣﺼﻄﻔﻰ‪" ،‬ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪ ،bot-iot"، IEEE Dataport‬ﺍﻟﻤﺠﻠﺪ‪.2019 ,5 .‬‬

‫]‪ [26‬ﺁﺭ ﺇﺱ ﺑﺎﺗﺚ‪ ،‬ﺃ‪ .‬ﻧﻴﺎﺭ‪ ،‬ﻭﺃ‪ .‬ﻧﺎﺟﺒﺎﻝ‪" ،‬ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻵﻟﻴﺔ‪ :‬ﺍﻟﻘﻴﺎﺩﺓ ﺍﻟﺬﻛﻴﺔ"‬
‫ﺍﻟﺮﻭﺑﻮﺗﺎﺕﺫﺍﺕ ﺍﻟﻤﻔﻬﻮﻡ ﺍﻟﻤﺴﺘﻘﺒﻠﻲ ﻭﺍﻟﻬﻨﺪﺳﺔ ﺍﻟﻤﻌﻤﺎﺭﻳﺔ ﻭﺍﻟﺘﻄﺒﻴﻘﺎﺕ ﻭﺍﻟﺘﻘﻨﻴﺎﺕ "‪ ،‬ﻓﻲ ﻋﺎﻡ ‪ 2018‬ﺍﻟﺮﺍﺑﻊ‬

‫ﺍﻟﻤﺆﺗﻤﺮﺍﻟﺪﻭﻟﻲ ﻟﻌﻠﻮﻡ ﺍﻟﺤﻮﺳﺒﺔ )‪ ،IEEE، 2018 ،(ICCS‬ﺍﻟﺼﻔﺤﺎﺕ ﻣﻦ ‪ 151‬ﺇﻟﻰ ‪.160‬‬

‫]‪ [27‬ﻥ‪ .‬ﻣﺼﻄﻔﻰ‪" ،‬ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪-Bot-IoT." https://research.unsw.edu.au/projects/bot-iot‬‬

‫‪dataset‬‬

‫]‪ [28‬ﺃﻭﻱ ﺃﺑﻴﻮﺩﻭﻥ ﻭﺁﺧﺮﻭﻥ‪" ،‬ﻣﺮﺍﺟﻌﺔ ﺷﺎﻣﻠﺔ ﻟﺘﻄﺒﻴﻘﺎﺕ ﺍﻟﺸﺒﻜﺎﺕ ﺍﻟﻌﺼﺒﻴﺔ ﺍﻻﺻﻄﻨﺎﻋﻴﺔ‬
‫ﺍﻟﺘﻌﺮﻑﻋﻠﻰ ﺍﻷﻧﻤﺎﻁ "‪ ،IEEE Access ،‬ﺍﻟﻤﺠﻠﺪ‪ ،7 .‬ﺹ ‪.2019 ،158846-158820‬‬

‫"‪،‬ﺍﻟﺘﺨﻠﺺ ﻣﻦ ﺍﻟﻤﻴﺰﺍﺕ ﺍﻟﻬﺠﻴﻨﺔ ﺍﻟﻤﺘﻜﺮﺭﺓ ﻻﺧﺘﻴﺎﺭ ﺍﻟﻤﻴﺰﺍﺕ ﺑﻜﻔﺎءﺓ" ‪S. Oh،‬ﻭ ‪]29[ H. Jeon‬‬
‫ﺗﻄﺒﻴﻖ‪.‬ﺍﻟﻌﻠﻮﻡ‪ ،‬ﺍﻟﻤﺠﻠﺪ‪ ،10 .‬ﻻ‪ ،9 .‬ﺹ‪.2020 ،3211 .‬‬

‫]‪ [30‬ﻡ‪ .‬ﺃﺭﺗﻮﺭ‪" ،‬ﻣﺮﺍﺟﻌﺔ ﺃﺩﺍء ﻣﺼﻨﻒ ‪ Bernoulli Naïve Bayes‬ﻓﻲ ﻋﻤﻠﻴﺔ ﺍﻟﺘﻄﻔﻞ‬
‫ﺃﻧﻈﻤﺔﺍﻟﻜﺸﻒ ﺍﻟﺘﻲ ﺗﺴﺘﺨﺪﻡ ﺇﺯﺍﻟﺔ ﺍﻟﻤﻴﺰﺍﺕ ﺍﻟﻌﻮﺩﻳﺔ ﻣﻊ ﺗﺤﺪﻳﺪ ﺍﻟﺘﺤﻘﻖ ﻣﻦ ﺍﻟﺼﺤﺔ‬
‫ﻣﻦﺃﻓﻀﻞ ﻋﺪﺩ ﻣﻦ ﺍﻟﻤﻴﺰﺍﺕ‪ .Procedia Comput" ،‬ﺍﻟﻌﻠﻮﻡ‪ ،‬ﺍﻟﻤﺠﻠﺪ‪ ،190 .‬ﺹ ‪.2021 ،570-564‬‬

‫]‪ [31‬ﻫـ‪ .‬ﻋﺒﺪﻱ ﻭﺇﻝ ﺟﻲ ﻭﻳﻠﻴﺎﻣﺰ‪" ،‬ﺗﺤﻠﻴﻞ ﺍﻟﻤﻜﻮﻧﺎﺕ ﺍﻟﺮﺋﻴﺴﻴﺔ"‪ ،‬ﻭﺍﻳﻠﻲ ﺇﻧﺘﺮﺩﻳﺴﻴﺐ‪ .‬ﺍﻟﻘﺲ‪.‬‬
‫ﺣﺴﺎﺏ‪.‬ﺍﻟﻘﺎﻧﻮﻥ ﺍﻷﺳﺎﺳﻲ‪ ،‬ﺍﻟﻤﺠﻠﺪ‪ ،2 .‬ﻻ‪ ،4 .‬ﺍﻟﺼﻔﺤﺎﺕ ﻣﻦ ‪ 433‬ﺇﻟﻰ ‪ ،459‬ﻳﻮﻧﻴﻮ ‪ ،2010‬ﺩﻭﻯ‪.wics.101/10.1002 :‬‬

‫]‪ [32‬ﺱ‪ .‬ﺑﺎﺑﺎﺩﻭﺑﻮﻟﻮﺱ‪ ،‬ﺃ‪ .‬ﺩﺭﻭﺳﻮ‪ ،‬ﻥ‪ .‬ﺩﻳﻤﻴﺘﺮﻳﻮ‪ ،‬ﺃﻭ ﺇﺗﺶ ﻋﺒﺪ ﺍﻟﺮﺣﻤﻦ‪ ،‬ﺝ‪ .‬ﺟﻮﺭﺑﻴﻞ‪ ،‬ﻭﺩ‪.‬‬
‫ﻟﻠﻜﺸﻒﻋﻦ ﺍﻟﺤﺎﻻﺕ ﺍﻟﺸﺎﺫﺓ ﻓﻲ ﺷﺒﻜﺎﺕ ﺍﻟﻬﺎﺗﻒ ﺍﻟﻤﺤﻤﻮﻝ‪ "،‬ﻓﻲ ‪ BRPCA‬ﻧﻬﺞ ﻗﺎﺋﻢ ﻋﻠﻰ" ‪Tzovaras،‬‬

‫ﻋﻠﻮﻡﻭﺃﻧﻈﻤﺔ ﺍﻟﻤﻌﻠﻮﻣﺎﺕ ‪ ،2015‬ﺳﺒﺮﻳﻨﻐﺮ‪ ،2016 ،‬ﺍﻟﺼﻔﺤﺎﺕ ﻣﻦ ‪ 115‬ﺇﻟﻰ ‪.125‬‬

‫]‪ [33‬ﺇﺗﺶ ﺇﻳﻪ ﺳﻮﻧﺎﻭﺍﻧﻲ ﻭﺗﻲ ﺇﻡ ﺑﺎﺗﻴﻮﺍﺭ‪" ،‬ﺗﻘﻴﻴﻢ ﺃﺩﺍء ﻣﻘﺎﺭﻥ ﻟـ‬
‫ﻛﺸﻒﺍﻟﺘﺴﻠﻞ ﺍﺳﺘﻨﺎﺩﺍً ﺇﻟﻰ ﺍﻟﺸﺒﻜﺔ ﺍﻟﻌﺼﺒﻴﺔ ﻭ‪ ،PCA،" IEEE‬ﺃﺑﺮﻳﻞ ‪:doi .2015‬‬

‫‪70‬‬
 ‫‪10.1109/iccsp.2015.7322612.‬‬

‫"ﺻﻨﺎﻋﻲ ‪]34[ NV Chawla، KW Bowyer، LO Hall، and WP Kegelmeyer، "SMOTE:‬‬

‫ﺗﻘﻨﻴﺔﺍﻹﻓﺮﺍﻁ ﻓﻲ ﺃﺧﺬ ﺍﻟﻌﻴﻨﺎﺕ ﻟﻸﻗﻠﻴﺔ‪ .J. Artif" ،‬ﺇﻧﺘﻞ‪ .‬ﺍﻟﺪﻗﺔ‪ ،‬ﺍﻟﻤﺠﻠﺪ‪ ،16 .‬ﺹ ‪.2002 ،357-321‬‬

‫ﺍﻟﺸﺒﻜﺎﺕﺍﻟﻌﺼﺒﻴﺔ ﺍﻻﺻﻄﻨﺎﻋﻴﺔ ﻟـ" ‪ J. Kaiser،‬ﻭ ‪]35[ J. Vrábel، E. Képeš، P. Pořízka،‬‬

‫ﺍﻟﺘﺼﻨﻴﻒ"ﻛﻴﻢ‪ .‬ﺭﻗﻢ‪ .‬ﻃﺮﻕ ‪ ،LIBS‬ﺹ ‪.2022 ،240-213‬‬

‫]‪ [36‬ﺃ‪.‬ﺩﺭﺗﺎﺕ‪“ ،‬ﺍﻟﺸﺒﻜﺎﺕ ﺍﻟﻌﺼﺒﻴﺔ ﺍﻻﺻﻄﻨﺎﻋﻴﺔ”‪ ،‬ﻣﺘﻮﺳﻂ‪.2017 ،‬‬

‫‪https://towardsdatascience.com/applied-deep-learning-part-1-artificial-neural-‬‬

‫ﺍﻟﺸﺒﻜﺎﺕ‪d7834f67a4f6-‬‬

‫‪ RNN‬ﻣﺤﻤﻮﺩ‪" ،‬ﺗﺼﻤﻴﻢ ﻭﺗﻄﻮﻳﺮ ﻛﺸﻒ ﺷﺬﻭﺫ ‪ QH‬ﻭ ‪]37[ I. Ullah‬‬

‫ﻧﻤﻮﺫﺝﻟﺸﺒﻜﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ ،IEEE Access ،‬ﺍﻟﻤﺠﻠﺪ‪ ،10 .‬ﺹ ‪.2022 ،62750-62722‬‬

‫]‪ [38‬ﺑﻴﺴﻮﺍﻝ ﺃﻓﻴﺠﻴﺖ‪" ،‬ﺍﻟﺸﺒﻜﺔ ﺍﻟﻌﺼﺒﻴﺔ ﺍﻟﻤﺘﻜﺮﺭﺓ )‪.Simplilearn "،(RNN‬‬

‫‪https://www.simplilearn.com/tutorials/deep-learning-tutorial/rnn‬‬

‫ﺍﻟﻘﺎﺋﻢﻋﻠﻰ ‪ CNN-RNN‬ﺗﺼﻨﻴﻒ ﺻﻮﺭﺓ ﺍﻟﺜﺪﻱ ﺍﻟﺸﻌﺎﻋﻴﺔ ﺑﺎﺳﺘﺨﺪﺍﻡ" ‪SK Mittal،‬ﻭ ‪]39[ K. Kaur‬‬
‫ﺍﻟﻤﻴﺰﺍﺕﺍﻟﺪﻻﻟﻴﺔ ﻭﻧﻬﺞ ﺗﺼﻨﻴﻒ ﺍﻟﺸﺠﺮﺓ ﺍﻹﺿﺎﻓﻲ ﺑﺎﺳﺘﺨﺪﺍﻡ ‪ ،LSTM‬ﻣﺎﺗﺮ‪ .‬ﺍﻟﻴﻮﻡ ﺑﺮﻭﻙ‪,.‬‬
‫‪.2020‬‬

‫ﺍﻟﺘﻨﺒﺆﺑﻤﺆﺷﺮ ﺍﻟﻨﻴﻨﻴﻮ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺍﻟﺘﻌﻠﻢ ﺍﻟﻌﻤﻴﻖ" ‪]40[ Y. Guo, X. Cao, L. Bainian, and K. Peng,‬‬
‫ﻣﻊﺗﺤﻠﻞ ﺍﻟﻮﺿﻊ ﺍﻟﺘﺠﺮﻳﺒﻲ ﻟﻠﻤﺠﻤﻮﻋﺔ‪ "،‬ﺍﻟﺘﻨﺎﻇﺮ‪ ،‬ﺍﻟﻤﺠﻠﺪ‪ ،12 .‬ﺹ‪ ،893 .‬ﻳﻮﻧﻴﻮ ‪،2020‬‬
‫ﺩﻭﻯ‪.sym12060893/10.3390:‬‬

‫]‪ [41‬ﺟﻲ ﺇﻝ ﻟﻴﻔﻲ‪ ،‬ﺟﻲ ﻫﺎﻧﻜﻮﻙ‪ ،‬ﺗﻲ ﺇﻡ ﺧﻮﺷﺠﻮﻓﺘﺎﺭ‪ ،‬ﻭﺝ‪ .‬ﺑﻴﺘﺮﺳﻮﻥ‪" ،‬ﻛﺸﻒ ﺍﻟﻤﻌﻠﻮﻣﺎﺕ‬
‫ﻫﺠﻤﺎﺕﺍﻟﺴﺮﻗﺔ ﻓﻲ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪" ،bot-iot‬ﻓﻲ ﻋﺎﻡ ‪ ،2021‬ﻣﺆﺗﻤﺮ ‪ IEEE‬ﺍﻟﺪﻭﻟﻲ ﺍﻟﻌﺸﺮﻳﻦ ﺣﻮﻝ‬

‫ﺍﻟﺘﻌﻠﻢﺍﻵﻟﻲ ﻭﺍﻟﺘﻄﺒﻴﻘﺎﺕ )‪ ،IEEE، 2021 ،(ICMLA‬ﺍﻟﺼﻔﺤﺎﺕ ﻣﻦ ‪ 807‬ﺇﻟﻰ ‪.812‬‬

‫]‪ [42‬ﻥ‪-.‬ﺃ‪ .‬ﺳﺘﻮﻳﺎﻥ‪" ،‬ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ ﻟﻠﻜﺸﻒ ﻋﻦ ﺍﻟﺤﺎﻻﺕ ﺍﻟﺸﺎﺫﺓ ﻓﻲ ﺷﺒﻜﺎﺕ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ :‬ﺍﻟﺒﺮﺍﻣﺞ ﺍﻟﻀﺎﺭﺓ‬

‫ﺍﻟﺘﺤﻠﻴﻞﻋﻠﻰ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺕ ‪" ،IoT-23‬ﺃﻃﺮﻭﺣﺔ ﺑﻜﺎﻟﻮﺭﻳﻮﺱ‪ ،‬ﺟﺎﻣﻌﺔ ﺗﻮﻳﻨﺘﻲ‪.2020 ،‬‬

‫ﺗﺤﻠﻴﻞﻭﻇﻴﻔﺔ ﺍﻟﻮﺣﺪﺓ ﺍﻟﺨﻄﻴﺔ ﺍﻟﻤﺼﺤﺤﺔ ﺍﻟﻤﺴﺘﺨﺪﻣﺔ ﻓﻲ" ‪]43[ K. Hara, D. Saito, and H. Shouno,‬‬

‫ﺍﻟﺘﻌﻠﻢﺍﻟﻌﻤﻴﻖ"‪ ،‬ﻓﻲ ﺍﻟﻤﺆﺗﻤﺮ ﺍﻟﺪﻭﻟﻲ ﺍﻟﻤﺸﺘﺮﻙ ﻟﻌﺎﻡ ‪ 2015‬ﺣﻮﻝ ﺍﻟﺸﺒﻜﺎﺕ ﺍﻟﻌﺼﺒﻴﺔ )‪،(IJCNN‬‬
‫ﻣﻌﻬﺪﻣﻬﻨﺪﺳﻲ ﺍﻟﻜﻬﺮﺑﺎء ﻭﺍﻹﻟﻜﺘﺮﻭﻧﻴﺎﺕ‪ ،2015 ،‬ﺹ ‪.8-1‬‬

‫]‪" [44‬ﻣﺘﻌﺪﺩ ﺍﻟﻄﺒﻘﺎﺕ ﺑﻴﺮﺳﺒﺘﺮﻭﻥ‪-https://deepai.org/machine-learning-glossary-and ".‬‬

‫ﺣﻴﺚ ‪ /‬ﻣﺘﻌﺪﺩ ﺍﻟﻄﺒﻘﺎﺕ ﺍﻹﺩﺭﺍﻙ‬

‫‪71‬‬
 ‫ﺑﺮﻧﺎﻣﺞﺗﻌﻠﻴﻤﻲ ﻋﻤﻠﻲ ﺣﻮﻝ" ‪]45[ S. González, S. García, J. Del Ser, L. Rokach, and F. Herrera،‬‬

‫ﺗﻌﺒﺌﺔﻭﺗﻌﺰﻳﺰ ﺍﻟﻤﺠﻤﻮﻋﺎﺕ ﺍﻟﻘﺎﺋﻤﺔ ﻋﻠﻰ ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ‪ :‬ﺍﻟﺨﻮﺍﺭﺯﻣﻴﺎﺕ ﻭﺍﻟﺒﺮﻣﺠﻴﺎﺕ‬

‫ﺍﻷﺩﻭﺍﺕﻭﺩﺭﺍﺳﺔ ﺍﻷﺩﺍء ﻭﺍﻟﻤﻨﻈﻮﺭﺍﺕ ﻭﺍﻟﻔﺮﺹ ﺍﻟﻌﻤﻠﻴﺔ "‪ .‬ﺍﻻﻧﺼﻬﺎﺭ‪ ،‬ﺍﻟﻤﺠﻠﺪ‪,64 .‬‬
‫ﺹ‪.2020 ،237-205‬‬

‫ﺍﻷﺷﺠﺎﺭﺍﻟﻌﺸﻮﺍﺋﻴﺔ ﻟﻠﻐﺎﻳﺔ ﺍﻟﻘﺎﺋﻤﺔ ﻋﻠﻰ" ‪]46[ MRC Acosta, S. Ahmad, CE Garcia, and I. Koo,‬‬
‫ﻣﺨﻄﻂﻟﻠﻜﺸﻒ ﻋﻦ ﺍﻟﻬﺠﻤﺎﺕ ﺍﻟﺴﻴﺒﺮﺍﻧﻴﺔ ﺍﻟﺨﻔﻴﺔ ﻓﻲ ﺷﺒﻜﺎﺕ ﺍﻟﺸﺒﻜﺎﺕ ﺍﻟﺬﻛﻴﺔ‪ ،IEEE Access ،‬ﺍﻟﻤﺠﻠﺪ‪,8 .‬‬

‫ﺹ‪.2020 ،19933-19921‬‬

‫]‪ [47‬ﺭ‪ .‬ﺳﻴﻐﺎﻟﻲ‪ ،‬ﺝ‪ .‬ﺟﺎﺭﺳﻴﺎ‪ ،‬ﺇﻛﺲ‪ .‬ﻣﺎﺳﻴﺐ ﺑﺮﻭﻳﻦ‪ ،‬ﻭﻡ‪.‬ﻡ‪ .‬ﻓﺎﺭﻧﺎﻣﺨﺎﺳﺘﻲ‪" ،‬ﺍﻟﺘﺪﺧﻞ‬
‫ﺍﻟﺘﻌﺮﻑﻋﻠﻰ ﺑﻨﻴﺔ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء ﺍﻟﺘﻲ ﻣﻜﻨّﺖ ﺍﻟﻀﺒﺎﺏ ﺑﺎﺳﺘﺨﺪﺍﻡ ﻃﺮﻳﻘﺔ ﺟﺪﻳﺪﺓ ﺗﻌﺘﻤﺪ ﻋﻠﻰ ﺍﻷﺷﺠﺎﺭ‪" ،‬ﻓﻲ ﻋﺎﻡ ‪2022‬‬

‫ﻣﺆﺗﻤﺮ‪ IEEE‬ﺍﻟﺪﻭﻟﻲ ﻟﻸﻧﻈﻤﺔ ﺍﻟﺬﻛﻴﺔ ﻣﺘﻌﺪﺩﺓ ﺍﻟﻄﺒﻘﺎﺕ )‪،IEEE، 2022 ،(COINS‬‬

‫ﺹ‪.6-1‬‬

‫]‪ [48‬ﺭ‪ .‬ﺍﻟﻐﺎﻣﺪﻱ ﻭﻡ‪ .‬ﺑﻠﻌﻴﺶ‪“ ،‬ﻧﻤﺎﺫﺝ ﺍﻟﺘﻘﻴﻴﻢ ﻭﺍﻻﺧﺘﻴﺎﺭ ﻟﻠﺘﻄﻔﻞ ﺍﻟﺠﻤﺎﻋﻲ”‪.‬‬
‫ﺃﻧﻈﻤﺔﺍﻟﻜﺸﻒ ﻓﻲ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪" ،‬ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‪ ،‬ﺍﻟﻤﺠﻠﺪ‪ ،3 .‬ﻻ‪ ،2 .‬ﺹ ‪.2022 ،314-285‬‬

‫]‪ [49‬ﻋﻤﺮ ﺍﻟﻤﻮﻣﻨﻲ‪ ،‬ﻡ‪.‬ﺃ ﺍﻟﻤﻴﺔ‪ ،‬ﺃ‪.‬ﺍﻟﺴﻌﻴﺪﺓ‪ ،‬ﺱ‪.‬ﺍﻟﺼﻤﺎﺩﻱ‪ ،‬ﺃ‪.‬ﺡ ﻣﺤﻤﺪ‪ ،‬ﻭﺃ‪.‬‬
‫ﺍﻟﺬﻧﻴﺒﺎﺕ‪"،‬ﻣﺼﻨﻔﺎﺕ ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ ﻟﻨﻈﺎﻡ ﻛﺸﻒ ﺍﻟﺘﺴﻠﻞ ﺇﻟﻰ ﺍﻟﺸﺒﻜﺎﺕ‪:‬‬
‫ﺩﺭﺍﺳﺔﻣﻘﺎﺭﻧﺔ” ﻓﻲ ﺍﻟﻤﺆﺗﻤﺮ ﺍﻟﺪﻭﻟﻲ ﻟﺘﻜﻨﻮﻟﻮﺟﻴﺎ ﺍﻟﻤﻌﻠﻮﻣﺎﺕ ‪2021‬‬
‫‪.‬ﺹ‪)ICIT(، IEEE، 2021، 445-440‬‬

‫]‪ [50‬ﺳﻲ‪ .‬ﻫﺎﻳﻨﺮﻳﺶ‪" ،‬ﺣﻮﻝ ﻋﺪﺩ ﺍﻟﺼﻨﺎﺩﻳﻖ ﻓﻲ ﺍﻟﺮﺳﻢ ﺍﻟﺒﻴﺎﻧﻲ ﻟﻠﺮﺗﺒﺔ‪ .QJR Meteorol "،‬ﺷﺮﻛﺔ ﻧﻔﻂ ﺍﻟﺠﻨﻮﺏ‪ ،‬ﺍﻟﻤﺠﻠﺪ‪.‬‬

‫‪،147‬ﻻ‪ ،734 .‬ﺹ ‪.2021 ،556-544‬‬

‫ﺗﻌﺰﻳﺰﺍﻟﺘﺪﺭﺝ ﺍﻟﻤﺘﻄﻮﺭ‪ :‬ﺍﻟﺘﻘﻠﻴﻢ" ‪]51[ K. Wang, J. Lu, A. Liu, G. Zhang, and L. Xiong,‬‬
‫ﻣﺨﻄﻂﻳﻌﺘﻤﺪ ﻋﻠﻰ ﻧﺴﺒﺔ ﺗﺤﺴﻴﻦ ﺍﻟﺨﺴﺎﺭﺓ ﻟﻠﺘﻌﻠﻢ ﻓﻲ ﻇﻞ ﺍﻧﺤﺮﺍﻑ ﺍﻟﻤﻔﻬﻮﻡ‪.IEEE Trans ،‬‬
‫ﺳﺎﻳﺒﺮﻥ‪.2021،‬‬

‫ﻓﻌﺎﻟﺔﻣﻊ ﺗﻌﺪﺩ ‪ AdaBoost‬ﺧﻮﺍﺭﺯﻣﻴﺔ" ‪]52[ Y. Ding, H. Zhu, R. Chen, and R. Li,‬‬

‫ﺗﺼﻨﻴﻒﺍﻟﻌﺘﺒﺎﺕ "‪ ،‬ﺗﻄﺒﻴﻖ‪ .‬ﺍﻟﻌﻠﻮﻡ‪ ،‬ﺍﻟﻤﺠﻠﺪ‪ ،12 .‬ﻻ‪ ،12 .‬ﺹ‪.2022 ،5872 .‬‬

‫]‪ [53‬ﺁﻱ ﺩﻱ ﻣﻴﻨﺎﻱ ﻭﻱ‪ .‬ﺻﻦ‪" ،‬ﺩﺭﺍﺳﺔ ﺍﺳﺘﻘﺼﺎﺋﻴﺔ ﻟﻠﺘﻌﻠﻢ ﺍﻟﺠﻤﺎﻋﻲ‪ :‬ﺍﻟﻤﻔﺎﻫﻴﻢ ﻭﺍﻟﺨﻮﺍﺭﺯﻣﻴﺎﺕ‪،‬‬
‫ﺍﻟﺘﻄﺒﻴﻘﺎﺕﻭﺍﻵﻓﺎﻕ "‪ ،IEEE Access ،‬ﺍﻟﻤﺠﻠﺪ‪ ،10 .‬ﺹ ‪.2022 ،99149-99129‬‬

‫‪ adaboost‬ﺍﻛﺘﺸﺎﻑ ﺍﺧﺘﺮﺍﻕ ﺍﻟﺸﺒﻜﺔ ﺑﻨﺎء ًﻋﻠﻰ ﺗﺤﺴﻴﻦ" ‪]54[ Q. Wang and X. Wei,‬‬
‫ﺍﻟﺨﻮﺍﺭﺯﻣﻴﺔ"‪ ،‬ﻓﻲ ﻭﻗﺎﺋﻊ ﺍﻟﻤﺆﺗﻤﺮ ﺍﻟﺪﻭﻟﻲ ﺍﻟﺮﺍﺑﻊ ﻟﻠﺘﺸﻔﻴﺮ ﻟﻌﺎﻡ ‪،2020‬‬

‫‪72‬‬
 ‫ﺍﻷﻣﻦﻭﺍﻟﺨﺼﻮﺻﻴﺔ‪ ،2020 ،‬ﺍﻟﺼﻔﺤﺎﺕ ﻣﻦ ‪ 84‬ﺇﻟﻰ ‪.88‬‬

‫]‪ [55‬ﺩ‪ .‬ﻣﻴﺸﺮﺍ‪ ،‬ﺏ‪ .‬ﻧﺎﻳﻚ‪ ،‬ﺝ‪ .‬ﻧﺎﻳﺎﻙ‪ ،‬ﺃ‪ .‬ﺳﻮﺭﻱ‪ ،‬ﺑﻲ ﺑﻲ ﺩﺍﺵ‪ ،‬ﻭﺱ‪ .‬ﻓﻴﻤﺎﻝ‪" ،‬ﺗﻌﺰﻳﺰ ﺍﻟﺘﺪﺭﺝ ﺍﻟﺨﻔﻴﻒ‬
‫ﺟﻬﺎﺯﻣﺰﻭﺩ ﺑﻤﻌﻠﻤﺎﺕ ﺗﺸﻌﺒﻴﺔ ﻣﺤﺴﻨﺔ ﻟﺘﺤﺪﻳﺪ ﺍﻟﻮﺻﻮﻝ ﺍﻟﻀﺎﺭ ﻓﻲ ﺇﻧﺘﺮﻧﺖ ﺍﻷﺷﻴﺎء‬
‫ﺷﺒﻜﺔ"ﺭﻗﻢ‪ .‬ﻣﺸﺘﺮﻙ‪ .‬ﺍﻟﺸﺒﻜﺔ‪ ،‬ﺍﻟﻤﺠﻠﺪ‪ ،9 .‬ﻻ‪ ،1 .‬ﺹ ‪.2023 ،137-125‬‬

‫ﻣﻨﻬﺞﺟﺪﻳﺪ ﻗﺎﺋﻢ ﻋﻠﻰ ﺍﻟﺘﻌﻠﻢ ﻳﺘﺴﻢ ﺑﺎﻟﻜﻔﺎءﺓ ﻓﻲ ﺍﺳﺘﺨﺪﺍﻡ ﺍﻟﻮﻗﺖ" ‪]56[ S. Seth, G. Singh, and K. Kaur Chahal,‬‬

‫ﻟﻨﻈﺎﻡﻛﺸﻒ ﺍﻟﺘﺴﻠﻞ ﺍﻟﺬﻛﻲ‪ ،J. Big Data" ،‬ﺍﻟﻤﺠﻠﺪ‪ ،8 .‬ﻻ‪ ،1 .‬ﺹ ‪.2021 ،28-1‬‬

‫]‪ [57‬ﺭ‪ .‬ﺳﺎﻧﺠﻴﺜﺎ‪ ،‬ﺃ‪ .‬ﺭﺍﺝ‪ ،‬ﻙ‪ .‬ﺳﻴﻔﻴﻨﻮ‪ ،‬ﺇﻡ ﺁﻱ ﺃﺣﻤﺪ‪ ،‬ﺏ‪ .‬ﺳﺎﺗﻔﻴﻚ‪ ،‬ﻭﺃ‪ .‬ﻛﺎﻧﺎﻓﺎﻟﻲ‪" ،‬ﺍﻟﻜﺸﻒ‬
‫ﻭﺍﻟﺘﺨﻔﻴﻒﻣﻦ ﻫﺠﻤﺎﺕ ‪ DDoS‬ﺍﻟﻤﺴﺘﻨﺪﺓ ﺇﻟﻰ ﺍﻟﺮﻭﺑﻮﺗﺎﺕ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺍﻟﺘﻌﻠﻢ ﺍﻵﻟﻲ ‪catboost‬‬

‫ﺍﻟﺨﻮﺍﺭﺯﻣﻴﺔﻓﻲ ﺑﻴﺌﺔ ‪ .SDN "، Int‬ﺟﻲ‪.‬ﻣﺪﺍﻓﻊ‪ .‬ﺗﻜﻨﻮﻝ‪ .‬ﻡ‪ .‬ﺍﺳﺘﻜﺸﺎﻑ‪ ،.‬ﺍﻟﻤﺠﻠﺪ‪ ،8 .‬ﻻ‪ ،76 .‬ﺹ‪,445 .‬‬

‫‪.2021‬‬

‫‪ A. Gulin، "CatBoost:‬ﻭ ‪]58[ L. Prokhorenkova، G. Gusev، A. Vorobev، AV Dorogush،‬‬

‫ﺗﻌﺰﻳﺰﻣﺴﺘﻘﻞ ﻣﻊ ﻣﻴﺰﺍﺕ ﻓﺌﻮﻳﺔ‪ .Adv" ،‬ﺍﻟﻤﺸﺎﺓ ﺍﻟﻌﺼﺒﻴﺔ‪ .‬ﻋﻤﻠﻴﺔ‪ .‬ﺍﻟﻨﻈﺎﻡ‪ ،.‬ﺍﻟﻤﺠﻠﺪ‪,31 .‬‬
‫‪.2018‬‬

‫]‪ [59‬ﺃ‪ .‬ﺃﻭﻧﺎﻥ‪“ ،‬ﺑﻨﻴﺔ ﺍﻟﺸﺒﻜﺔ ﺍﻟﻌﺼﺒﻴﺔ ﺍﻟﻤﺘﻜﺮﺭﺓ ﺍﻟﺘﻼﻓﻴﻔﻴﺔ ﺛﻨﺎﺋﻴﺔ ﺍﻻﺗﺠﺎﻩ ﻣﻊ‬
‫"ﺁﻟﻴﺔ ﺍﻟﺘﺤﺴﻴﻦ ﻋﻠﻰ ﻣﺴﺘﻮﻯ ﺍﻟﻤﺠﻤﻮﻋﺔ ﻟﺘﺼﻨﻴﻒ ﻣﻌﻨﻮﻳﺎﺕ ﺍﻟﻨﺺ"‪ ،‬ﺝ‪ .‬ﺍﻟﻤﻠﻚ ﺳﻌﻮﺩ‬
‫‪.‬ﺍﻟﻤﺸﺎﺓ‪.‬ﺍﻟﻌﻠﻮﻡ‪ ،‬ﺍﻟﻤﺠﻠﺪ‪ ،34 .‬ﻻ‪ ،5 .‬ﺹ ‪Univ.-Comput. 2022 ،2117-2098‬‬

‫]‪ [60‬ﺑﻲ ﺑﻲ ﻭﻳﺮﺍﻛﻮﺩﻱ‪ ،‬ﻛﻴﻪ ﺩﺑﻠﻴﻮ ﻭﻭﻧﻎ‪ ،‬ﺟﻲ ﻭﺍﻧﻎ‪ ،‬ﻭ‪ .‬ﺇﻳﻼ‪“ ،‬ﻣﺮﺍﺟﻌﺔ ﺍﻟﺴﻼﺳﻞ ﺍﻟﺰﻣﻨﻴﺔ ﻏﻴﺮ ﺍﻟﻤﻨﺘﻈﻤﺔ‬
‫ﺍﻟﺘﻌﺎﻣﻞﻣﻊ ﺍﻟﺒﻴﺎﻧﺎﺕ ﻣﻊ ﺍﻟﺸﺒﻜﺎﺕ ﺍﻟﻌﺼﺒﻴﺔ ﺍﻟﻤﺘﻜﺮﺭﺓ ﺍﻟﻤﺴﻮﺭﺓ‪ ،‬ﺍﻟﺤﻮﺳﺒﺔ ﺍﻟﻌﺼﺒﻴﺔ‪ ،‬ﺍﻟﻤﺠﻠﺪ‪ ،441 .‬ﺹ‪.‬‬

‫‪.2021،161-178‬‬

‫‪ RNN‬ﻣﺴﺢ ﺣﻮﻝ ﺍﻟﺒﺤﺚ ﻓﻲ ﺍﻟﺰﻣﺎﻥ ﻭﺍﻟﻤﻜﺎﻥ ﺍﻟﻘﺎﺋﻢ ﻋﻠﻰ" ‪]61[ W. Fang, Y. Chen, and Q. Xue,‬‬

‫"ﺧﻮﺍﺭﺯﻣﻴﺎﺕ ﺍﻟﺘﻨﺒﺆ ﺑﺎﻟﺘﺴﻠﺴﻞ"‪ ،J. Big Data ،‬ﺍﻟﻤﺠﻠﺪ‪ ،3 .‬ﻻ‪ ،3 .‬ﺹ‪.2021 ،97 .‬‬

‫‪73‬‬
74
75
76