ترکیب بلاک‌چین و یادگیری ماشین برای محافظت از شبکه‌های حسگر بی‌سیم در برابر حملات سایبری
شبکه‌های حسگر بی‌سیم، مجموعه‌های گسترده‌ای از حسگرهای کوچک و باتری‌محور که برای پایش محیط‌هایی از میدان‌های نبرد گرفته تا مزارع هوشمند به کار می‌روند، مدت‌هاست یکی از نقاط آسیب‌پذیر اینترنت اشیا به شمار می‌روند. معماری توزیع‌شده، توان پردازشی محدود و استقرار این دستگاه‌ها در محیط‌های بدون نظارت یا خصمانه، آن‌ها را در برابر طیف گسترده‌ای از حملات سایبری آسیب‌پذیر می‌کند. اکنون پژوهشی منتشرشده در مجله Neural Computing and Applications به قلم والا ام. السعید از دانشگاه دمنهور مصر، چارچوبی ترکیبی را پیشنهاد می‌کند که فناوری بلاک‌چین را با یادگیری ماشین ادغام می‌کند تا سامانه‌ای برای تشخیص نفوذ، متناسب با محدودیت منابع این شبکه‌ها، ایجاد کند. این سامانه در شبیه‌سازی‌ها به دقت تشخیص چشمگیر ۹۹٫۸۳ درصد دست یافته است.
ایده محوری این پژوهش آن است که بلاک‌چین و یادگیری ماشین به‌تنهایی نمی‌توانند مشکل امنیت شبکه‌های حسگر بی‌سیم را حل کنند. مدل‌های یادگیری ماشین قادرند رفتارهای مشکوک را شناسایی کنند، اما اگر مخزن داده‌های زیربنایی به خطر بیفتد، هشدارهای آن‌ها نیز ممکن است جعل یا دست‌کاری شوند. بلاک‌چین امکان ثبت اطلاعات به‌صورت تغییرناپذیر و مقاوم در برابر دست‌کاری را فراهم می‌کند، اما به‌خودی‌خود نمی‌تواند تشخیص دهد چه رفتاری تهدید محسوب می‌شود. ازاین‌رو، چارچوب السعید مجموعه‌ای از روش‌های یادگیری بدون نظارت برای تشخیص ناهنجاری را با زیرساختی سبک مبتنی بر بلاک‌چین ترکیب می‌کند که برای ذخیره‌سازی امن و تغییرناپذیر داده‌ها از الگوریتم هش رمزنگاری SHA-256 بهره می‌برد. به این ترتیب، هر تهدید تأییدشده در دفترکلی ثبت می‌شود که مهاجمان نمی‌توانند بی‌سروصدا سوابق آن را بازنویسی کنند.
بخش یادگیری ماشین این سامانه از ترکیب سه روش بدون نظارت تشکیل شده است: خوشه‌بندی K-Means، الگوریتم Isolation Forest و بازسازی مبتنی بر خودرمزگذار (Autoencoder). روش K-Means رفتار حسگرها را در خوشه‌هایی دسته‌بندی می‌کند تا داده‌های پرت از الگوهای معمول هر گروه مشخص شوند. الگوریتم Isolation Forest با تقسیم تصادفی فضای ویژگی‌ها، نمونه‌های غیرعادی را از سایر داده‌ها جدا می‌کند؛ روشی که به‌طور طبیعی برای شناسایی رویدادهای نادر مناسب است. خودرمزگذار نیز یک شبکه عصبی فشرده است که برای فشرده‌سازی و بازسازی الگوهای عادی ترافیک آموزش می‌بیند. هنگامی که داده‌ای ناآشنا به آن ارائه شود، خطای بازسازی افزایش می‌یابد و این افزایش به نشانه‌ای مؤثر برای تشخیص ناهنجاری تبدیل می‌شود. از آنجا که هر سه روش بدون نیاز به داده‌های حمله برچسب‌گذاری‌شده کار می‌کنند، این مجموعه می‌تواند حملات جدیدی را نیز شناسایی کند که سامانه‌های مبتنی بر امضای حمله قادر به تشخیص آن‌ها نیستند.
یکی از نوآورانه‌ترین بخش‌های این چارچوب، سازوکار اجماع مبتنی بر رأی اکثریت در سطح محلی است که برای تأیید تهدیدهای شناسایی‌شده و کاهش هشدارهای مثبت کاذب، بدون تحمیل بار ارتباطی چشمگیر، طراحی شده است. هنگامی که یک گره رفتار غیرعادی را تشخیص می‌دهد، گره‌های نزدیک رأی می‌دهند که آیا این مشاهده با داده‌های خودشان هم‌خوانی دارد یا خیر. تهدید تنها زمانی تأیید و ثبت می‌شود که اکثریت گره‌ها با آن موافق باشند. این روش از پروتکل‌های اجماع پرمصرف بلاک‌چین‌های متداول فاصله می‌گیرد؛ پروتکل‌هایی که می‌توانند باتری گره‌های حسگر را به‌سرعت تخلیه کنند. در عوض، این سازوکار از منطق تحمل خطای بیزانسی بهره می‌گیرد، اما آن را به شکلی سبک پیاده‌سازی می‌کند که برای دستگاه‌های کوچک مناسب باشد.
سامانه در سه مرحله اصلی عمل می‌کند. در مرحله نخست، داده‌های رفتاری جمع‌آوری و پیش‌پردازش می‌شوند؛ این مرحله شامل گردآوری اطلاعات مربوط به ترافیک و آمار گره‌ها و آماده‌سازی آن‌ها برای تحلیل است. در مرحله دوم، مجموعه الگوریتم‌های تشخیص ناهنجاری بدون نظارت، هر نمونه جدید را به‌محض ورود و به‌صورت بلادرنگ بررسی می‌کند. در مرحله سوم، تهدیدها به‌صورت غیرمتمرکز تأیید و هشدارهای معتبر در دفترکل مقاوم در برابر دست‌کاری ثبت می‌شوند. این فرایند تضمین می‌کند که تشخیص تهدید نه‌تنها سریع، بلکه قابل راستی‌آزمایی باشد؛ زیرا هر هشدار از طریق پیوندهای رمزنگاری‌شده به سوابق پیشین متصل می‌شود و امکان تغییر آن در گذشته وجود ندارد.
شبیه‌سازی‌های گسترده روی سه مجموعه‌داده معیار، یعنی WSN-DS، NSL-KDD و UNSW-NB15، عملکرد تشخیصی بسیار مطلوب این چارچوب را نشان می‌دهند. سامانه به دقت ۹۹٫۸۳ درصد و مقدار پایین ۰٫۳۹۴۰ برای ریشه میانگین مربعات خطا (RMSE) دست یافت. همچنین، در برابر حملات منع سرویس (DoS)، منع سرویس توزیع‌شده (DDoS)، تزریق داده و به خطر افتادن گره‌ها دفاع مؤثری ارائه کرد. این حملات از جمله تهدیدهای رایج علیه شبکه‌های حسگر بی‌سیم هستند؛ محیط‌هایی که در آن‌ها مهاجم می‌تواند ارتباطات رادیویی را مختل کند، داده‌های جعلی وارد شبکه سازد یا با تصرف فیزیکی یک گره، کلیدهای رمزنگاری آن را استخراج کند.
شاید مهم‌ترین نتایج این پژوهش به سربار عملیاتی سامانه مربوط باشد؛ عاملی که همواره مانعی جدی برای استقرار راهکارهای امنیتی پیشرفته روی دستگاه‌های کوچک بوده است. این چارچوب در هر دوره پردازش، تنها ۰٫۹۲ تا ۱٫۴۸ میلی‌ژول انرژی اضافی به ازای هر گره مصرف می‌کند. حافظه موردنیاز آن نیز برای هر گره بین ۲٫۱ تا ۳٫۸ کیلوبایت است. افزون بر این، زمان استنتاج برای هر نمونه تنها ۱۲٫۹۳ تا ۱۹٫۴ میکروثانیه و زمان ثبت هشدار از ابتدا تا انتها کمتر از ۱٫۱۵ میلی‌ثانیه گزارش شده است. این ارقام نشان می‌دهند که سامانه برای استقرار بلندمدت در شبکه‌های حسگر بی‌سیم با منابع محدود، ظرفیت عملی مناسبی دارد؛ شبکه‌هایی که در آن‌ها هر ژول انرژی و هر بایت حافظه اهمیت دارد.
اهمیت این دستاورد فراتر از محیط آزمایشگاه است. با گسترش زیرساخت‌های هوشمند، اینترنت اشیای صنعتی و سامانه‌های پایش محیط‌زیست و افزایش شمار حسگرهای متصل به میلیاردها دستگاه، سطح در معرض حمله نیز بزرگ‌تر می‌شود. دفاع‌های متعارف مبتنی بر مرز شبکه برای مجموعه‌هایی از دستگاه‌ها که در مزارع، خطوط لوله و شهرها پراکنده‌اند، کارایی کافی ندارند. ایجاد لایه‌ای غیرمتمرکز و مقاوم در برابر دست‌کاری برای تشخیص تهدید، که مستقیماً روی خود دستگاه‌ها اجرا شود، الگوی امنیتی متفاوتی ارائه می‌دهد. در این الگو، شبکه می‌تواند بدون اتکا به یک مرجع مرکزی که خود ممکن است به نقطه‌ای منفرد برای از کار انداختن سامانه تبدیل شود، از یکپارچگی خود محافظت کند.
بااین‌حال، پیش از فراگیر شدن چنین سامانه‌هایی، چالش‌هایی همچنان باقی است. در استقرارهای واقعی، تداخل امواج رادیویی، تغییر مداوم مجموعه گره‌های فعال و ناهمگونی سخت‌افزارها از عواملی هستند که شبیه‌سازی‌ها نمی‌توانند به‌طور کامل بازنمایی کنند. همچنین، هرچند هزینه انرژی ثبت اطلاعات در بلاک‌چین در این طراحی ناچیز است، این مصرف در طول چندین سال فعالیت انباشته می‌شود. با وجود این محدودیت‌ها، پژوهش نشان می‌دهد که ترکیب تشخیص مبتنی بر یادگیری ماشین و تأیید مبتنی بر بلاک‌چین می‌تواند با اشغال تنها چند کیلوبایت حافظه و مصرف چند میلی‌ژول انرژی در هر دوره پردازش انجام شود. این نتیجه گامی مهم در مسیر ایمن‌سازی شبکه گسترده و نامرئی دستگاه‌های متصل به اینترنت اشیا به شمار می‌رود؛ آن هم با محافظت از هر حسگر به‌صورت جداگانه.
موضوع پژوهش: علوم رایانه
عنوان مقاله: رویکردی هم‌افزا: سامانه تشخیص نفوذ مبتنی بر یادگیری ماشین و ادغام‌شده با بلاک‌چین برای ارتقای امنیت شبکه‌های بی‌سیم
منبع علمی: Elsayed, W. M. (2026). A Synergistic approach: blockchain-integrated machine learning based intrusion detection system for improving wireless network security. Neural Computing and Applications, 38(20), Article 812. https://doi.org/10.1007/s00521-026-12503-3
اعتبار تصویر: تولیدشده با هوش مصنوعی
شناسه دیجیتال مقاله (DOI): 10.1007/s00521-026-12503-3
کلیدواژه‌ها: شبکه‌های حسگر بی‌سیم، سامانه تشخیص نفوذ، بلاک‌چین، یادگیری ماشین، تشخیص ناهنجاری، امنیت اینترنت اشیا، امنیت سایبری، رویکرد هم‌افزا، ادغام بلاک‌چین و یادگیری ماشین.
منبع خبر: ترزا اودوم، ۱۷ اکتبر ۲۰۲۶، «ترکیب بلاک‌چین و یادگیری ماشین برای محافظت از شبکه‌های حسگر بی‌سیم در برابر مهاجمان»، Scienmag.