تقييم أداء أنوية آلات ناقلات الدعم (SVM) القائم على اختيار الميزات للكشف عن هجمات DDoS في الوقت الفعلي عبر منصة Orange3

الملخص

تشكل هجمات حجب الخدمة الموزعة (DDoS) تهديداً خطيراً لاستقرار الشبكات، ولا يزال الكشف المبكر عنها يمثل تحدياً كبيراً بسبب الحجم الهائل لبيانات حركة المرور التي تبطئ الخوارزميات وتسبب التحيز. تهدف هذه الدراسة إلى تقييم أداء خوارزمية آلات ناقلات الدعم (SVM) عبر مقارنة أربعة أنوية (Linear وRBF وPolynomial وSigmoid)، وبحث أثر تقنيات تصفية الميزات في تحسين كفاءة التصنيف. باتباع منهج تجريبي مقارن عبر بيئة البرمجة المرئية Orange3، اعتمدت الدراسة على مجموعتي بيانات قياسيتين: CICDDoS2019 وCICDoS2017، وتمت معالجتهما بواسطة المعاينة العشوائية المتوازنة وتقنيتين لاختيار الميزات: كسب المعلومات (IG) ونسبة كسب المعلومات (IGR). أظهرت النتائج تبايناً حاداً في السلوك بين مجموعتي البيانات؛ ففي مجموعة CICDDoS2019، تميز نموذج (IGR Sigmoid SVM) كأفضل نموذج محققاً دقة تصنيف (CA) بنسبة 90.1%، ومقياس F1 بنسبة 89.2%، واستقراراً ممتازاً للمساحة تحت المنحنى (AUC) عند 90.8%. وفي المقابل، أدى التحيز الخفي إلى هبوط حاد في منحنى AUC لنواة RBF إلى 1.8%. أما في مجموعة CICDoS2017، فقد انخفضت الدقة بشكل ملحوظ ولم تتجاوز 42.2% نظراً لحساسية الخوارزمية للضوضاء التنافسية الناتجة عن البيانات القديمة وهجمات التداخل. توصي الدراسة بدمج تقنية IGR كخطوة معالجة أولية إلزامية لتقليل الأبعاد، وتحذر من الاعتماد الكلي على مقياس CA دون ربطه بـ AUC، كما تنصح بتجنب الأنوية التقليدية مثل RBF في البيئات غير المتوازنة، واستكشاف النماذج الهجينة للتعامل مع البيانات المعقدة مثل CICDoS2017.