استخدام نماذج التعلم العميق لكشف الأورام في سلسلة البيانات الضمنية

مقدمة: الجانب المشرق من بيانات التأثيرات (IoT) والحاجة إلى كشف الورم الذكي

إن شبكة الإنترنت للأشياء (IoT) تبث أجهزة استشعار ذات طابع غير قابل للاستمرار في نسيج البنية التحتية الحديثة، من خطوط التجمع الصناعي والشبكات الذكية إلى أجهزة رصد صحية قابلة للارتداء ومركبات مستقلة، وهذه الأجهزة المدمجة تولد تدفقاً لا يطاق من القراءات ذات الطابع الحركي، والتوقيعات على التهوية، وتدفقات عبوات الشبكة، ورم المقاييس الحيوية التي يجب أن تكون محللة في الوقت الحقيقي القريب،

وقد برزت عملية التعلم العميق كأسلوب تحولي للكشف عن الشذوذ في مجاري بيانات التلويث، وخلافاً للنماذج الأبسط التي تعتمد على السمات المصممة يدوياً، تتعلم الشبكات العصبية العميقة تلقائياً التمثيل الهرمي من بيانات الاستشعار الخام، مما يتيح لها استيعاب الشذوذات المعقدة التي لا يمكن ملاحظةها، وتستكشف هذه المادة كيفية نشر نماذج التعلم العميقة لمعالجة مقاييس الكشف عن الظواهر الشاذية في نظم التنفيذ الرئيسية.

الأهمية الحاسمة للكشف عن الأمراض الشاذة في النظم الإيكولوجية

(ب) إن الكشف عن الشذوذ في مادة الترميز ليست مجرد عملية أكاديمية؛ بل هي قدرة أساسية للأعمال التجارية عبر مجالات متعددة، وفي مجال التصنيع، يمكن أن تكشف بيانات الاستشعار من الأسلحة الآلية وأحزمة النقل عن وجود ارتطام أو اختلال في المحرك قبل حدوث انهيار كارثي.

وفي مجال الرعاية الصحية، ترصد أجهزة التوليد السائلة السائلة معدل القلب، وتشبع الأكسجين، والإشارات الكهرومغناطيسية، وقد تشير القراءات المتناثرة إلى حدوث اضطرابات أو سكتات أو ردود فعل سلبية على المخدرات، كما أن نموذجا للتعلم العميق يمكن أن يكشف هذه الهالات من بيانات التدفق يمكن أن يخطر العيادات في ثوان، ويحتمل أن ينقذ الأرواح، وبالمثل، في المدن الذكية، وأجهزة الاستشعار وكاميرا المراقبة

(ب) إن أجهزة التأشيرة الإلكترونية هي عوامل رئيسية أخرى، حيث إن أجهزة التحلل غير المتعمدة معرضة للهجمات مثل رفض الخدمة، وحقن البيانات، واستغلال الإنسان في المنتصف، والكشف عن الأمراض الشاذة يشكل خطاً أولياً من خطوط الدفاع، وتحديد السلوك الخبيث أو السلوك النابع من الأجهزة التي تنحرف عن خطوط الأساس المتعلمة.() وقد أبرز عنصر [FLT:] من عناصر المعايير والتكنولوجيا.

وفي كل من هذه السياقات، فإن القدرة على اكتشاف أوجه الشذوذ ذات الدقة العالية والضعف يؤثر مباشرة على السلامة والكفاءة والوفورات في التكاليف، كما أن نماذج التعلم العميق، بتعلم الأنماط المعقدة من البيانات التاريخية، توفر وسيلة قوية لتحقيق هذا الكشف على نطاق واسع.

Why Deep learning Outshines Traditional Methods in IoT Anomaly Detection

وتقنيات الكشف الكلاسيكية - مثل خرائط المراقبة الإحصائية، أو تجميع الكيموس، أو آلات الدعم من فئة واحدة - تفترض أن توزيع البيانات ثابت، وأن الملامح يمكن أن تكون يدوية محددة مسبقاً، غير أن مجاري البيانات المتعلقة بالآويت، غالباً ما تكون غير ثابتة، مع أنماط تنجرف بمرور الزمن بسبب الآثار الموسمية، أو اللبس والنماذج الشائكة، أو التغييرات في الظروف التشغيلية العالية.

ويعالج التعلم العميق هذه القيود من خلال عدة مزايا متأصلة:

Automatic feature extraction:] Convolutional and recurrent layers learn relevant representations directly from raw sensor readings, eliminating the need for manual feature design.
Handling non-linear relationships:] Activation functions like ReLU, tanh, and SELU enable models to approximate complex, non-linear mappings between inputs and anomaly scores.
Temporal modeling:] Recurrent structures (e.g., LSTM, GRU) and attention mechanisms explicitly capture long-range dependencies in time series data, which is critical for identifying anomalies that unfold over seconds or minutes.
Unsupervised and semi-supervised learning:] Many IoT applications lack labeled anomalies (since failures are rare and expensive to label). Autoencoders, variational autoencoders (VAEs), and generative adversarial networks (GANs) can learn normal behavior from unlabeled data and deviations.
Scalability:] Deep learning models can be trained on large-scale datasets (millions of samples) using GPU acceleration and distributed training, matching the scale of modern IoT deployments.

وهذه القدرات تجعل التعلم العميق ملائماً بشكل خاص للتحديات الكامنة في مسارات بيانات تكنولوجيا المعلومات: السرعة العالية، وأنواع البيانات المختلطة، والقيم المفقودة، والتوزيع المتغير.

Key Deep Learning Architectures for Anomaly Detection

وفي حين توجد هياكل عصبية كثيرة، ثبت أن بعض هذه الهياكل فعالة بشكل خاص بالنسبة للكشف عن الشذوذ في التلويث، وندرس أكثر الهياكل المعتمدة، وأقوى قوتها، وحالات استخدامها المعتادة.

شبكات الذاكرة القصيرة الأجل الطويلة الأجل

أما التدابير البديلة فهي نوع من الشبكات العصبية المتكررة التي تهدف إلى التغلب على مشكلة التدرج المختفي، مما يتيح لها تعلم المعالين عبر التسلسلات الطويلة، وكثيرا ما تستخدم هذه التدابير في سياقات التحلل الطويل الأجل لنموذج سلسلة زمنية متعددة الاختلاف، مثل قراءة أجهزة الاستشعار بالمحركات على دورة طيران أو درجة حرارة خفية ورطوبة في غرفة الخواديم.

فعلى سبيل المثال، طبق الباحثون تدابير وقائية لا بد منها لكشف حالات الشذوذ في ]] بيانات الاستشعار من محطات معالجة المياه ]، مما أدى إلى استرجاع الأحداث النادرة مثل انفجارات الأنابيب، غير أن هذه التدابير يمكن أن تكون باهظة التكلفة من حيث الحساب لتدريبها على التسلسلات الطويلة، وقد تكافح مع معدلات أخذ عينات عالية جداً ما لم تُخفَّضَم أو تقترن بآليات الاهتمام.

Autoencoders

فالأشخاص الذين يُعدون تلقائياً هم شبكات غير مشرفة تتعلم الضغط على بيانات المدخلات في تمثيل متدني الأبعاد ثم إعادة بنائها، ولا تُعرض الشبكة إلا، أثناء التدريب، إلا للبيانات العادية، بحيث تتعلم إعادة بناء الأنماط النموذجية بشكل جيد، وعندما تُغذي المدخلات الشاذة، يصبح خطأ إعادة البناء كبيراً بشكل استثنائي لأن النموذج لم يتعلم تلك الأنماط، وهذا النهج جذاب بشكل خاص بالنسبة للأورام الخماسية لأنه لا يتطلب وضع علامات.

ويوسع نطاق هذه الفكرة من خلال تعلم مساحة متخلفة محتملة، مما يوفر مقياسا طبيعيا من احتمالات الشذوذ استنادا إلى احتمال إعادة البناء، ويمكن استخدام إعلانات أجهزة التلقائية عندما تكون البيانات مزعجة، حيث أنها تتعلم إعادة بناء إشارات نظيفة من المدخلات الفاسدة التي تستخدم في بيئات الاستشعار في العالم الحقيقي.

وقد تم نشر أجهزة استشعار ذاتية للكشف عن الشذوذ في شبكات أجهزة الاستشعار التابعة للمبنى )() لتحديد أنماط استهلاك الطاقة غير العادية التي قد تشير إلى وجود نظم مسببة للاختلال أو الشغل غير المأذون به، وتحديدها الرئيسي هو الحساسية إزاء التناغم الفائق (مثلاً، بُعد الاختناق) والافتراض بأن الشذوبان تنتج أخطاء في إعادة البناء أعلى.

Convolutional Neural Networks (CNNs)

وعلى الرغم من أن هذه البرمجيات كانت مصممة أصلاً لتصنيف الصور، فإنها فعالة أيضاً في الكشف عن الشذوذ في السلسلة الزمنية، وبمعاملة بيانات الاستشعار على أنها إشارات من نوع واحد، فإن طبقات الثوران من نوع واحد يمكن أن تستخرج أنماطاً زمنية محلية، مثل موجات النبات أو استجابات الدافع، وأجهزة الأشعة السينية ذات كفاءة حسابية في الوقت المناسب، مما يجعلها مناسبة لنشر أجهزة الحافة، ويمكن استخدامها في الجمع بين أجهزة الاستلام والمقاييس القصوى (LStM)

وتشمل التطبيقات العملية الكشف عن الشذوذ في إشارات الاهتزاز من الأجهزة الدوارة، حيث يمكن للشبكة أن تتعلم أنماط تردد مميّزة مرتبطة بأخطاء تحمل آثار، وتفيد بعض الدراسات أن 1D CNNs تطابق دقة نظام الرصد والتحقق المستمرين مع اشتراط عدد أقل من البارامترات والوقت التدريبي، وهو ميزة حاسمة بالنسبة لأجهزة التوحيد القياسي التي تُدرَب على الموارد.

أجهزة التحويل وآليات الاهتمام

وقد تم مؤخرا تكييف نماذج التحول التي كانت شائعة أصلا في تجهيز اللغات الطبيعية لاكتشافها بطريقة غير عادية في السلسلة الزمنية، وآلية الاعتماد الذاتي لديها تتيح للنموذج أن يقيّم أهمية مختلف الخطوات الزمنية عند التنبؤ، بحيث يستوعب على نحو فعال كلا من المعالين القصير والطويل المدى دون وجود اختناقات متتالية من الناموسيات الرادعة للشبكة، وقد أظهرت المحولات الصورية (الفي تي) وموادوماً من المحولات الزمنية (مثلاسوبة، مثلاً، غير الرسمية).

وبالنسبة إلى مادة اليوتر، يمكن للمتحولين أن يتعاملوا مع البيانات المتعددة الاختلاف التي تحتوي على أجهزة استشعار متعددة قد تكون لها معدلات أخذ العينات غير متزامنة، غير أنهم يرتدون رؤوساً إضافية كبيرة في الحاسوب أثناء التدريب والاختبار، مما يجعلهم أقل ملاءمة لنشر حواف في الوقت الحقيقي دون تحقيق قدر كبير من التفاؤل (مثلاً، تحديد الكمية، والارتفاع)، وهي أكثر شيوعاً في خطوط الأنابيب التي لا تستخدم في ثواني للكشف عن الشذوين.

التنفيذ العملي: نشر التعلم العميق من أجل كشف الأنومالي

ويتطلب الانتقال من النظرية إلى الممارسة نهجا منهجيا يتناول معالجة البيانات، واختيار النماذج، والتدريب، والنشر، ويتبع ذلك دليلا تدريجيا يستند إلى أفضل الممارسات المستمدة من بيئات الإنتاج.

1 - جمع البيانات وإعدادها

إن أساس أي مشروع للتعلم العميق هو بيانات عالية الجودة، إذ يجب جمع البيانات من أجهزة الاستشعار خلال فترة تغطي الظروف العادية والأوضاع الشاذة، وغالبا ما تكون البيانات الشاذة شحيحة أو غير موجودة كليا في مجموعة التدريب، وبالتالي يفضل اتباع أساليب غير مشرفة أو شبه خاضعة للرقابة، وتشمل الخطوات الرئيسية ما يلي:

Time alignment:] Sensors may sample at different rates (e.g., temperature every 10 seconds, vibration every millisecond). Resampling or interpolation ensures consistent timestamps.
Normalization:] Each sensor channel should be scaled (e.g., z-score) to prevent channels with larger magnitudes from dominating the loss.
Segmentation:] Convert the continuous stream into fixed-length windows (e.g., 256 time steps) to create input samples for the model. Overlap between windows can increase the dataset.
Labeling (if available): If some anomalies are known, they can be used for validation or semi-supervised training (e.g., using a small amount of labeled data to tune threshold).

2- الاختيار النموذجي والتدريب

اختر هيكلاً يقوم على طبيعة بياناتك وقيودك:

For univariate time series with strong temporal patterns:] LSTM or GRU-based autoencoder.
For multivariate data with correlated sensors:] Convolutional autoencoder or transformer.
For real-time edge deployment:] Light weight CNN or quantized LSTM.

فالتدريب يتطلب عادة وحدة عامة (مثلاً، NVIDIA Tesla T4 أو RTX 3090) لسرعتها المعقولة، وكثيراً ما تكون مهمة الخسارة هي الخطأ المربع للنماذج القائمة على إعادة البناء، وبالنسبة للنماذج التنبؤية، استخدام مختلف المخرجات المقطعية أو MSE للتراجع، ورصد فقدان المصادقة لتجنب الإفراط في التأقلم، واستخدام تقنيات مثل التوقف المبكر، والتسرب.

3 - كشافة الشذوذ والاحتفاظ به

وعندما يتم تدريب النموذج، يحسب النتيجة الشاذة لكل نافذة منفذة للمدخلات، وهذا خطأ في إعادة البناء (مثلاً، MSE عبر جميع القنوات)، وقد يكون خطأ التنبؤ بالنسبة لنماذج التنبؤ، ويجب تحديد عتبة لتصنيف النقاط على أنها غير عادية.

Percentile-based threshold:] Choose a percentile (e.g., 95th) of the training set’s anomaly scores as the cutoff.
Peak-over-threshold (POT) method:] Fit a generalized Pareto distribution to the tail of the scores and set the threshold based on a risk level.
Adaptive threshold:] Use a moving window of recent scores to adjust the threshold dynamically, accommodating concept er.

4 - النشر الفعلي والتعظيم

إن نشر نماذج التعلم العميق على أجهزة متأصلة في مادة آيوت يشكل تحدياً بسبب قلة الذاكرة والحساب والقدرة، وتشمل الاستراتيجيات الرامية إلى الحد من البصمة النموذجية ما يلي:

Quantization:] Converting-point weights to 8-bit integers using frameworks like TensorFlow Lite Micro or ONNX Runtime. This can reduce model size by 4x with minimal accuracy loss.
Pruning:] Remove low-magnitude weights from the network after training, often with re-training to recover accuracy.
Knowledge distillation:] Train a smaller “student” network to mimic the predictions of a larger “teacher” model.
Model compilation:] For microcontrollers, use Edge Impulse or TensorFlow Lite Micro to compile models into optimized C+ code.

وعندما تكون موارد الحافة محدودة للغاية، فإن الهيكل المشترك هو تشغيل نموذج محلي للوزن الخفيف للتنقية الأولية الشاذة، ولا يرسل سوى نوافذ عالية الترميز إلى السحابة لإجراء تحليل أعمق باستخدام نموذج أقوى.

5 - الرصد والإنذار وإعادة التدريب

وينبغي رصد أداء النموذج بعد نشره باستمرار، ويمكن أن يؤدي الاندفاع في توزيع أجهزة الاستشعار )مثلا بسبب التغيرات الموسمية( إلى جعل النموذج أقل فعالية.

نرسل جميع الإنذارات الشاذة ونخزنها للاستعراض اليدوي
القيام بصورة دورية بحساب المعدل الإيجابي الكاذب وتذكر استخدام مجموعة من المصادقة على المصادقة.
Retrain the model when the anomaly detection performance drops below a threshold, using new data that reflects current conditions.
النظر في نُهج التعلم على الإنترنت (مثل التدريب الإضافي) للنماذج التي يمكن أن تتكيف باستمرار دون إعادة التدريب الكامل.

التحديات والحدود

ورغم وعدهم، فإن نماذج التعلم العميق لمواجهة الشذوذ في إيوت عدة عقبات يجب إدارتها بعناية.

الحواسيب وضغوط الطاقة

وهناك أجهزة متعددة تستخدم فيها أجهزة الإيوت تعمل على طاقة البطارية ولديها وحدات مكلورة لا تعجل الأجهزة اللازمة للشبكات العصبية، بل إن النماذج الكمية قد تكون ثقيلة جداً بالنسبة للمتحكمين في الميكروفونات المنخفضة الطاقة (مثل سلسلة ARM Cortex-M) - ويقوم الباحثون بنشاط بوضع حلول " القصدير " - مع أقل من 000 100 بارامتر يمكن أن يكشف عنها في أقل من 50 متر، بينما يستهلكون ما لا يزيد عن 100 متر.

خصوصية البيانات والأمن

وكثيراً ما تتضمن بيانات الإيوتات سجلات صحية حساسة للمرضى الإعلاميين، وبيانات عن المواقع الشخصية، أو عمليات تصنيع الممتلكات، وتحوّل بيانات الاستشعار الخام إلى السحابة من أجل الكشف عن الحالات الشاذة، مما يثير القلق في الخصوصية والأمن، ويتيح التعلم الموحد حلاً واعداً: فالنماذج تُدرَّب محلياً على كل جهاز، ولا تُتقاسم سوى تحديثات التدرج (وليس بيانات أولية) مع خاديمية المركزية.

ندرة البيانات الموسومة والتوازن بين الرتب

ومن الصعب، حسب التعريف، جمع بيانات مسموعة باسم التدريب المشرف عليه، ويمكن أن تنجح الأساليب غير الموصوفة (المديرون) ولكنها قد تنتج معدلات إيجابية باطلة عالية إذا تتفاوت السلوك العادي تبايناً واسعاً، ويصعب اتباع نهج شبه خاضعة للرقابة، باستخدام مجموعة صغيرة من الشذوذات المسمومة على العتبات الحسنة، وكثيراً ما توفر طريقة أخرى للتدريب على الحالات الافتراضية.

Concept Drift and Non-Stationary Environments

ونادراً ما تكون تدفقات بيانات الإيوتات ثابتة، وقد يفشل نموذج مدرَّب على أنماط استهلاك الطاقة في الصيف في الشتاء بسبب حمولات التدفئة، ويمكن أن يكون الانجراف في المفاهيم تدريجياً (مثلاً، في سن الحساس) أو فجأة (مثلاً بعد صيانة المعدات) والنماذج التكييفية التي تستكمل بارامتراتها على الإنترنت (مثل ) تُدرّج على نطاق واسع النطاق البحثي

المستقبل في التعلم العميق من أجل كشف الأنومالي

ويتطور هذا المجال بسرعة، وتعود عدة اتجاهات ناشئة بمعالجة القيود الحالية وفتح آفاق جديدة.

النماذج الايجابية والقائمة على الذات

(ج) تسمح أساليب التعلم الذاتية الإشراف، مثل التعلم المتناقض (مثلاً، سيم سيم ر)، بالنماذج بتعلم التمثيل الغني من البيانات غير المثبتة دون اشتراط وضع علامات شاذة واضحة، ويمكن عندئذ استخدام هذه التمثيلات للكشف عن الشذوذ في المجرى السفلي بأقل قدر من الغرامة، ويمكن لهذه النماذج، بالاقتران مع التدقيق في الوقت المناسب، أن تتكيف مع سلوك الأجهزة الفردية على مر الزمن، مما يقلل كثيراً من الإيجابات الكاذبة.

تفسير AI (XAI) للتفسير الشذوذي

ولا يكون هناك تنبيه إلى الشذوذ إلا إذا كان بوسع المهندسين فهم ما تسبب في ذلك، فتقنيات تفسيرية مثل قيم برنامج العمل الإنساني، أو الخريجين المتكاملين، أو خرائط الاهتمام - يمكن أن تبرز قنوات الاستشعار التي أسهمت إلى أقصى حد في تحقيق النتائج الشاذة، ومن المتوقع أن تتضمن النماذج المستقبلية نظام المحاسبة البيئية الشاملة عن طريق التصميم، مما يجعلها أكثر انتشاراً في الصناعات المنظمة مثل الرعاية الصحية والمالية.

التعليم الموحد والتدريب على التلميذ

ومع تشديد أنظمة الخصوصية (GDPR, CCPA), فإن القدرة على تدريب النماذج دون إضفاء الطابع المركزي على البيانات تصبح حاسمة.() ويمكِّن التعلم الموحد من تحسين النموذج التعاوني على نطاق العديد من أجهزة منع التعذيب مع الاحتفاظ بالبيانات المحلية.() وقد أظهر العمل الأخير بشأن الكشف عن الشذوذ بالنسبة للذخائر غير المزودة بأجهزة كشف عن طريق الشذوذ أن النماذج يمكن أن تصل إلى درجة من الدقة مقارنة بالتدريب المركزي، حتى في إطار توزيع البيانات غير الرسمية.

النهج المتعددة الوسائط والنهج القائمة على أساس الخراف

وكثيراً ما تشمل عمليات نشر الأوعية المائية أجهزة استشعار متنوعة (الكارمس، والميكروفونات، وميكروبات التكتل) ويمكن للتعلم العميق المتعدد الوسائط أن يُضخ هذه المجرىات المتفرقة من البيانات إلى نظام موحد للكشف عن الشذوذ، كما أن الشبكات العصبية الخرافية تكتسب أيضاً مساراً للكشف عن الخلل في نظم إيوت التي تبث فيها شبكات الأجهزة، شأنها شأن القيم المبعثرة المنسَّقة نفسها.

خاتمة

وقد أصبحت نماذج التعلم العميق أدوات لا غنى عنها لكشف أوجه الشذوذ في البيانات التي تنتج عن نظم إيوت المدمجة، ومن التدابير الطويلة الأجل والآلية إلى المحولات وشبكات الرسوم البيانية، فإن هذه البنايات توفر قدرة غير متكافئة على تعلم الأنماط المعقدة وكشف الانحرافات الخفية في الوقت الحقيقي، وفي حين أن التحديات في الكفاءة الحسابية، وخصوصية البيانات، والتكيف النموذجي لا تزال قائمة، وتتغلب على التقدمات الصغيرة في مجال التعليم.

وبالنسبة للممارسين الذين يتطلعون إلى تنفيذ الكشف عن الشذوذ في عمليات نشرهم في مجال تكنولوجيا المعلومات، فإن المسار إلى الأمام ينطوي على اختيار دقيق للهيكل، وإعداد بيانات دقيقة، واستراتيجية لنشر المعلومات على حافة توازن بين الدقة وبين القيود المفروضة على الموارد، وعندما يتم تنفيذ ذلك بشكل جيد، فإن الكشف عن الشذوذ على أساس التعلم العميق يمكن أن يحول بيانات الاستشعار الخام إلى إخفاقات عملية في مجال الاستخبارات، وهجمات منع الحمل، وفي نهاية المطاف يجعل نظم الكشف عن هذه المواد أكثر أمانا وأكثر موثوقية.