إنجاز بحثي للجامعة التخصصية “تطبيقات الذكاء الاصطناعي لتأمين شبكات انترنت الاشياء “

بسم الله الرحمن الرحيم، وبه نستعين، والحمد لله الذي بنعمته تتم الصالحات. نتقدم بخالص الشكر والعرفان إلى الله عز وجل الذي وفقنا لإنجاز هذا العمل البحثي المتميز، ويسر لنا خطاه حتى خرج إلى النور في هذا الوعاء العلمي المحكم. يسرنا ويشرفنا أن نعلن عن نشر بحثنا العلمي الأصيل المعنون بـ:

“An optimized gradient boosting framework for IoT intrusion detection: a comprehensive evaluation on the CICIoT2023 dataset”.

في واحدة من أعرق وأهم المجلات العلمية المفتوحة المصدر على مستوى العالم، وهي مجلة Scientific Reports التابعة لدار النشر العالمية العملاقة Springer Nature. وتأتي أهمية هذا الإنجاز كون المجلة مصنفة ضمن مجلات الربع الأول (Q1) في كلا التصنيفين الدوليين الأكثر تأثيراً: تصنيف كلاريفيت Web of Science (WoS) وتصنيف Scopus، حيث بلغ معامل تأثير المجلة 3.9 بحسب أحدث إصدارات عام 2025. هذا النشر يمثل اعترافاً دولياً بجودة البحث وأصالته، ويعكس قدرة الباحثين اليمنيين والعرب على المنافسة في المحافل العلمية العالمية.

لقد شارك في إعداد هذا البحث المتقدم مجموعة متميزة من الباحثين اليمنيين القادمين من جامعتين عريقتين هما الجامعة التخصصية الحديثة وجامعة تعز، إلى جانب باحثين آخرين من المملكة الأردنية الهاشمية والمملكة العربية السعودية، مما يعكس روح التعاون العربي المشترك وتبادل الخبرات العلمية بين المؤسسات الأكاديمية في الوطن العربي، ويسهم في بناء شبكة بحثية قوية قادرة على معالجة التحديات التقنية المعاصرة.

يقدم البحث إطار عمل محسّناً ومبتكراً لكشف التسلل في بيئات إنترنت الأشياء (IoT) باستخدام تقنيات تعزيز التدرج (Gradient Boosting)، وقد تم تقييم هذا الإطار بشكل شامل ودقيق على مجموعة بيانات حديثة ومعقدة هي CICIoT2023، التي تحاكي سيناريوهات هجمات حقيقية على شبكات إنترنت الأشياء. اعتمد الإطار المقترح على تقنية أخذ العينات السفلية الطبقية (Stratified Undersampling) لمعالجة مشكلة اختلال الفئات (Imbalanced Classes) التي تمثل تحدياً كبيراً في أنظمة كشف التسلل، كما استخدم تقنية اختيار الميزات القائم على الكسب (Gain-based Feature Selection) لتقليل الأبعاد من 46 ميزة إلى 23 ميزة فقط، مما قلل من التعقيد الحسابي وزمن المعالجة دون التضحية بالأداء.

وقد حقق النموذج المطور (XGBoost) دقة مذهلة بلغت 99.61% في مهمة الكشف الثنائي (Binary Classification)، مع زمن استدلال (Inference Time) لا يتجاوز 0.355 ميكروثانية لكل عينة، مما يجعله مناسباً جداً للتطبيقات الزمنية الحقيقية (Real-time Applications). الأكثر إثارة للإعجاب هو تحسين زمن التدريب والاستدلال بنسبة تصل إلى 51% دون تأثير يُذكر على الدقة، وهو إنجاز كبير في مجال أمن إنترنت الأشياء. نأمل أن يسهم هذا العمل في تطوير أنظمة حماية أكثر كفاءة للأجهزة المتصلة بالإنترنت، وأن يكون نواة لأبحاث مستقبلية واعدة في هذا المجال الحيوي.