تقدم هذه الطريقة إطار عمل شاملاً قائماً على الذكاء الاصطناعي القابل للتفسير (XAI) لتمكين نقل بيانات الرعاية الصحية السحابية بشكل آمن، وذلك بالاعتماد على مجموعة بيانات رعاية صحية اصطناعية ضمن بيئة سحابية محكومة. والنتيجة هي نموذج أولي يجمع بين أمن الثقة المعدومة، والتحكم في الوصول القائم على الوقت، والكشف القابل للتفسير عن الشذوذ لدعم شفافية النقل وأمنه.
مقالة منهجية
بروتوكول تجريبي لهجرة بيانات سحابية آمنة مدفوعة بالذكاء الاصطناعي القابل للتفسير باستخدام بيانات رعاية صحية اصطناعية
يفتح في علامة تبويب جديدة
في هذه المقالة
ملخص
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
الملخص
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
يتم إجراء عمليات ترحيل البيانات السحابية بشكل متزايد في أنظمة الرعاية الصحية، إلا أن هذا يغير الأوقات التي يحتمل أن يكون فيها نقل البيانات هو الخطر الأكبر من حيث الأمن. تصف هذه الورقة بروتوكولاً قابلاً للتكرار لترحيل البيانات السحابية الآمن القائم على الذكاء الاصطناعي القابل للتفسير (XAI)، باستخدام مجموعة بيانات رعاية صحية اصطناعية وبيئة سحابية خاضعة للرقابة. يدمج الإطار المطور بين بنية الثقة المعدومة، والامتياز الأدنى المؤقت، والاتصالات المشفرة، والمراقبة المركزية، والكشف القابل للتفسير عن الشذوذ، وذلك لتحقيق ترحيل أكثر أماناً وشفافية وقابلية للتدقيق. استخدمت الاختبارات مجموعة بيانات بحجم 10 GB من السجلات الصحية الإلكترونية الاصطناعية، والتي تضم حوالي 20 مليون سجل موزعة على 28 جدولاً علائقياً. وقد نُفذت عملية الترحيل على خدمات أمازون ويب (AWS) باستخدام قواعد بيانات PostgreSQL وشبكات افتراضية خاصة. وللكشف عن الشذوذ، تم استخدام Isolation Forest، بينما استُخدمت تفسيرات Shapley الإضافية (SHAP) لتفسير الأحداث الأمنية. تم تقييم الإطار من خلال عشر محاولات ترحيل منفصلة باستخدام مقاييس مثل مدة تعرض بيانات الاعتماد، ووقت اكتشاف الحوادث، ودقة الكشف عن الشذوذ، وزمن انتقال الترحيل، وسلامة البيانات. وتحت التكوين الذي تم اختباره، انخفض تعرض بيانات الاعتماد من 24 h إلى 1 h (انخفاض بنسبة 95.8%)، وبلغت دقة الكشف عن الشذوذ 97.4%، وانخفض وقت اكتشاف الحوادث إلى حوالي 15 min، كما تم الحفاظ على سلامة البيانات بنسبة 100% من خلال التحقق من المجموع التدقيقي (checksum). ومع ذلك، أدت التدابير الأمنية الأكثر صرامة إلى زيادة متوسط زمن انتقال الترحيل بنسبة 11%. تُظهر هذه النتائج إمكانات دمج الذكاء الاصطناعي القابل للتفسير مع سير عمل ترحيل البيانات السحابية الآمن لإدارة بيانات الرعاية الصحية.
المقدمة
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
أصبحت الحوسبة السحابية الآن جزءاً لا يتجزأ من أنظمة الرعاية الصحية في جميع أنحاء العالم، حيث توفر تخزيناً قابلاً للتوسع، وموارد حوسبية، والقدرة على تبادل السجلات الصحية، ودعم أنظمة اتخاذ القرار، وتمكين التحليلات الصحية عبر السحابة1,2,3. ومع قيام العديد من مؤسسات الرعاية الصحية بتحديث أنظمتها المعلوماتية، أصبح الانتقال إلى السحابة خطوة حيوية بالنسبة لها من أجل نقل بياناتها الصحية الحساسة المحفوظة في الأنظمة المحلية القديمة إلى السحابة4. ويؤدي الانتقال السليم إلى تسهيل استرجاع البيانات، وتشغيل العمليات بطريقة أكثر كفاءة، ودعم التحليلات بمستويات أعلى من الذكاء، ولكن في الوقت ذاته، لا يمكن تجاهل المخاطر الأمنية ومخاطر الخصوصية الجسيمة التي ينطوي عليها نقل البيانات من مكان إلى آخر5.
تعتبر مرحلة الترحيل لحظة حرجة ومعرضة للمخاطر بشكل ملحوظ في دورة حياة البيانات، نظرًا لأن بيانات الرعاية الصحية يتم نقلها بنشاط عبر الأنظمة والشبكات بحكم طبيعة هذه العملية6. علاوة على ذلك، قد تتعرض المؤسسات لتهديدات مثل اختراق بيانات الاعتماد، والوصول غير المصرح به، واعتراض البيانات، ومخططات التلاعب، وحتى فقدان البيانات خلال مرحلة الترحيل6,7. وتعد بيئات الرعاية الصحية أقل حصانة ضد هذه المخاطر لأن معلومات المرضى حساسة للغاية، وبالتالي تتطلب أعلى مستوى من الامتثال للتدابير التنظيمية والأمنية8,9. وبدون ذلك، لن يكون من الممكن ضمان سرية البيانات وسلامتها والمساءلة عنها إذا لم يتم تأمين سير عمل الترحيل وجعله قابلاً للمراقبة10,11.
تم تطوير عدد من أطر ومعايير الأمان في محاولة لتحسين أمن السحابة. على سبيل المثال، تركز بنية الثقة الصفرية (Zero Trust Architecture) الصادرة عن المعهد الوطني للمعايير والتكنولوجيا (NIST) على التحقق المستمر من المستخدمين والأجهزة والخدمات12، بينما تقدم أطر اعتماد السحابة توجيهات بشأن الحوكمة، وإدارة الهوية، والتشفير، والمراقبة13. وفي الواقع، تركز أساليب أمن السحابة الحالية على الأتمتة، والبنية التحتية كبرمجية (infrastructure-as-code)، والمراقبة المستمرة14,15. ورغم أن هذه النهج تستند إلى مبادئ أمنية قيمة، إلا أنها تتعامل إلى حد كبير مع بيئات النشر والتشغيل السحابية العامة بدلاً من عملية الهجرة نفسها16. وفي الحقيقة، فهي نادراً ما تعرض إجراءات تفصيلية وخطوة بخطوة وقابلة للتكرار لتنفيذ سير عمل آمن لهجرة البيانات السحابية في مجال الرعاية الصحية، بحيث تجمع بين إدارة الهوية، والنقل الآمن للبيانات، والتحقق، والمراقبة، والتحصين ما بعد الهجرة17.
لقد تم الاعتراف بالكشف عن الشذوذ باستخدام تعلم الآلة كتقنية مفيدة في المراقبة الأمنية لبيئات السحابة؛ حيث يقوم بالكشف عن الأنشطة غير الطبيعية في النظام بالإضافة إلى الحوادث الأمنية المحتملة18. ومع ذلك، فإن العديد من طرق الكشف عن الشذوذ تعد أنظمة مغلقة تفشل في تقديم تفسيرات حول الأساس المنطقي الكامن وراء تحديد حدث أمني ما19. إن عدم القدرة على تفسير القرارات التي يتخذها النظام يقلل من ثقة المسؤولين، ويجعل عملية التدقيق صعبة، ويقلل من قيمة القرارات الأمنية المؤتمتة في بيئات الرعاية الصحية الخاضعة لرقابة صارمة20. ولا تكتفي طرق الذكاء الاصطناعي القابل للتفسير (XAI)، مثل تفسيرات شابلي المضافة (SHAP) وتفسيرات النموذج المحلي القابل للتفسير والمستقل عن النموذج (LIME)، بتقديم تفسيرات واضحة لتنبؤات تعلم الآلة فحسب، بل تعزز أيضاً الفهم والمساءلة والثقة في أنظمة المراقبة الأمنية21,22.
على الرغم من القفزات الكبيرة التي حققها أمن السحابة والذكاء الاصطناعي القابل للتفسير، لا يزال هناك نقص في البروتوكولات التجريبية القابلة للتكرار التي تجمع بين ضوابط الهجرة الآمنة والمراقبة الأمنية القابلة للتفسير لغرض التكامل23. تتناول الأبحاث الحالية في الغالب مكونات فردية فقط، مثل التشفير، أو التحكم في الوصول، أو كشف الشذوذ، أو حوكمة السحابة، ولا تقدم أي منها منهجية متكاملة يمكن تنفيذها وتقييمها وتكرارها بشكل منهجي24. علاوة على ذلك، فإن القليل جداً من الدراسات حاولت الجمع بين مبادئ أمن الثقة الصفرية، والامتياز الأدنى المؤقت، والقابلية للملاحظة المركزية، وكشف الشذوذ القابل للتفسير في سير عمل واحد لهجرة السحابة في مجال الرعاية الصحية25,26.
تقدم هذه الورقة إطار عمل قائم على الذكاء الاصطناعي القابل للتفسير لترحيل البيانات السحابية الآمن في أنظمة الرعاية الصحية لسد هذه الفجوة. وتستخدم البنية المقترحة نموذج الثقة المعدومة، والوصول المقيد زمنياً، والاتصالات الآمنة، والتسجيل والمراقبة المركزية، والكشف عن الشذوذ القابل للتفسير القائم على SHAP في عملية ترحيل منظمة27,28. ويعد هذا البروتوكول دليلاً خطوة بخطوة لتنفيذ ومراقبة وتقييم ترحيل بيانات الرعاية الصحية الآمن في ظل ظروف تجريبية. ومن خلال دمج ضوابط الأمن مع المراقبة القابلة للتفسير بالذكاء الاصطناعي، يهدف إطار العمل المقترح إلى رفع مستوى الشفافية وقابلية التدقيق والأمن طوال دورة حياة الترحيل29,30.
البروتوكول
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
استخدمت هذه الدراسة مجموعة بيانات رعاية صحية اصطناعية بالكامل تم إنشاؤها للتقييم التجريبي لنقل البيانات السحابية الآمن. لم يتم استخدام أي بيانات حقيقية للمرضى، أو معلومات صحية محمية (PHI)، أو سجلات رعاية صحية قابلة للتحديد. وبناءً على ذلك، لم تكن هناك حاجة لموافقة مجلس المراجعة المؤسسية أو الحصول على موافقة مستنيرة. جميع المواد المستخدمة في هذه الدراسة مدرجة في جدول المواد.
1. نظرة عامة
- تكوين بيئة آمنة لنقل البيانات السحابية تتكون من طبقة المصدر، وطبقة مركز النقل، وطبقة الهدف، وطبقة الشبكة، وطبقة إدارة الهوية والوصول، وطبقة القابلية للملاحظة، وطبقة الذكاء الاصطناعي القابل للتفسير.
- نشر جميع المكونات ضمن بيئات سحابية معزولة لدعم النقل الآمن للبيانات الصحية، وإنشاء قنوات اتصال مشفرة بين جميع مكونات النظام.
- تنفيذ البروتوكول من خلال تحضير مجموعة البيانات، وتكوين البيئة، ونشر البنية التحتية، والنقل الآمن، ومراقبة الشذوذ، والتحقق بعد النقل. يوضح الشكل 1 البنية العامة لإطار عمل نقل البيانات السحابية الآمن المقترح والقائم على الذكاء الاصطناعي القابل للتفسير.
الشكل 1: البنية العامة لإطار عمل هجرة بيانات السحابة الآمنة المدعوم بالذكاء الاصطناعي القابل للتفسير (XAI) لأنظمة الرعاية الصحية. يتكون إطار العمل من طبقة إدارة الهوية والوصول، وطبقة قاعدة البيانات المصدر، وطبقة مركز الهجرة، وطبقة قاعدة بيانات السحابة المستهدفة، وطبقة أمن الشبكة، وطبقة القابلية للملاحظة، وطبقة مراقبة الذكاء الاصطناعي القابل للتفسير، وخدمات الأمن والحوكمة المتقاطعة. تدمج هذه البنية التحكم في الوصول وفق مبدأ الحد الأدنى من الامتيازات الزمني، والاتصالات المشفرة بمعيار TLS 1.3، والتحقق من السلامة القائم على مجموع التحقق (checksum)، والمراقبة الأمنية المستمرة، والقابلية للتفسير القائمة على SHAP لتوفير هجرة آمنة وشفافة وقابلة للتكرار لقواعد بيانات الرعاية الصحية. تم إنشاء هذا الشكل بواسطة المؤلفين باستخدام Microsoft PowerPoint (Microsoft 365). يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
2. تهيئة البيئة الحسابية
- تهيئة البيئة الحسابية
- قم بإعداد الموارد الحوسبية اللازمة لترحيل البيانات السحابي الآمن والمراقبة القائمة على الذكاء الاصطناعي القابل للتفسير.
- قم بتثبيت وتكوين جميع المكونات المادية، والبرمجيات، والخدمات السحابية، وقواعد البيانات، وأدوات الأمن، ومكتبات تعلم الآلة المدرجة في جدول الموادتحقق من أن جميع المكونات المطلوبة تعمل بكفاءة قبل البدء في تجربة الهجرة.
- تكوين البيئة السحابية
- قم بإعداد بيئة سحابية آمنة لنقل البيانات الرعاية الصحية. وأنشئ شبكة سحابية خاصة (VPC) لضمان اتصال سلس بين الأنظمة المصدر، ومركز النقل، والأنظمة الهدف. واستخدم تشفيراً قوياً ليس فقط عند تخزين البيانات، بل وأيضاً أثناء نقلها.
- قم بإعداد قاعدة البيانات المستهدفة وخدمات الترحيل وفقاً للتفاصيل المذكورة في الـ جدول المواد.
- تهيئة إدارة الهوية والوصول. تهيئة خدمات المراقبة والتسجيل.
3. تحضير مجموعة البيانات ووصفها
- إنشاء مجموعة بيانات رعاية صحية اصطناعية باستخدام مكتبة Faker في لغة Python المذكورة في جدول المواد. قم بتكوين السمات الديموغرافية، بما في ذلك عمر المريض وجنسه وعرقه وموقعه الجغرافي، باستخدام توزيعات احتمالية محددة مسبقاً.
- إنشاء المعلومات السريرية، بما في ذلك التشخيصات ونتائج المختبر والأدوية والحساسية والإجراءات وعمليات الإدخال إلى المستشفى، مع الحفاظ على العلاقات السريرية الواقعية.
- إنشاء زيارات مرضى طولية عن طريق تعيين زيارات متعددة لكل مريض وفقاً لتوزيعات تكرار الزيارات المحددة مسبقاً.
- إنشاء الطوابع الزمنية لعمليات الإدخال والفحوصات المختبرية وإعطاء الأدوية وملخصات الخروج وسجلات التدقيق باستخدام ترتيب زمني للأحداث.
- إدراج قيم مفقودة وسجلات مكررة وملاحظات شاذة واقعية سريرياً وفقاً لتوزيعات جودة البيانات المحددة مسبقاً.
- استبدال جميع معلومات الهوية الشخصية بقيم اصطناعية يتم إنشاؤها باستخدام مكتبة Faker. تحقق من السلامة المرجعية والاتساق المنطقي قبل تصدير مجموعة البيانات. قم بتصدير مجموعة البيانات التي تم التحقق منها بتنسيق SQL المتوافق مع PostgreSQL. قم بتكوين مجموعة البيانات لتدعم سيناريوهات ترحيل بيانات الرعاية الصحية الواقعية. تم تلخيص خصائص مجموعة البيانات التي تم إنشاؤها في الجدول 1.
- تحديد علاقات قاعدة البيانات. قم بتعيين Patient_ID كمفتاح أساسي لجدول المرضى. أنشئ علاقات مفاتيح خارجية بين جداول المرضى والزيارات والمختبر والأدوية وسجل التدقيق. تحقق من السلامة المرجعية عبر جميع الجداول قبل بدء عملية الترحيل.
- محاكاة خصائص بيانات الرعاية الصحية الواقعية. أنشئ أعمار المرضى باستخدام توزيع طبيعي. أنشئ تكرارات الزيارات باستخدام توزيع بواسون (Poisson distribution). أدرج قيماً مفقودة بمعدل 5% لمحاكاة عدم اكتمال السجلات الصحية الإلكترونية (EHR) في العالم الحقيقي. استبدل جميع معرفات المرضى بقيم مشفرة (hashed values) قبل الترحيل. تحقق من أن جميع السجلات التي تم إنشاؤها تتوافق مع قيود المخطط المحددة مسبقاً.
- التحقق من صحة مجموعة البيانات التي تم إنشاؤها من خلال فحص اتساق المخطط، والسلامة المرجعية، والقيم المفقودة، والسجلات المكررة، وقيود الجودة المحددة مسبقاً قبل عملية الترحيل.
| المُعامل | القيمة |
| نوع مجموعة البيانات | مجموعة بيانات السجلات الصحية الإلكترونية EHR الاصطناعية |
| حجم مجموعة البيانات | 10 GB |
| إجمالي السجلات | 20 مليون |
| عدد الجداول | 5 جداول أساسية- 28 جدولاً علائقياً |
| سجلات المرضى | 5,000,000 |
| سجلات الزيارات | 10,000,000 |
| النتائج المختبرية | 4,000,000 |
| سجلات الأدوية | 3,000,000 |
| سجلات التدقيق | 5,000,000 |
| المفتاح الأساسي | Patient_ID |
| معدل القيم المفقودة | 5% |
| توزيع العمر | توزيع طبيعي |
| تكرار الزيارات | توزيع بواسون |
| عتبة السلامة | <0.1% من الانتهاكات |
الجدول 1: خصائص مجموعة بيانات الرعاية الصحية الاصطناعية المستخدمة للتحقق من صحة البروتوكول. يوفر الجدول نظرة عامة على مجموعة البيانات، مثل حجم قاعدة البيانات، وعدد الجداول 관계ية، وإجمالي السجلات، وسمات المرضى، والمتغيرات السريرية، وخصائص التحقق من الصحة لإعادة إنتاج تجارب الهجرة الآمنة.
4. نشر بنية النظام
- نشر بنية هجرة السحابة الآمنة المكونة من طبقة المصدر، وطبقة مركز الهجرة، وطبقة الهدف، وطبقة أمن الشبكة، وطبقة القابلية للملاحظة، وطبقة الذكاء الاصطناعي القابل للتفسير. وتوضح الشكل 2 بنية النظام المنشورة المستخدمة في هذه الدراسة.
- يتكون الإطار من ست طبقات عمل تؤدي وظائفها بالتتابع أثناء عملية الهجرة. الطبقة الأولى، وهي طبقة المصدر، هي التي تحتوي على قاعدة بيانات الرعاية الصحية الاصطناعية.
- يتولى مركز الهجرة مسؤولية استخراج المخطط، ونقل البيانات المشفرة، والتحقق من السلامة، وتنسيق عملية الهجرة. أما طبقة الهدف فهي المكان الذي تُخزن فيه قاعدة البيانات المهاجرة في Amazon RDS PostgreSQL.
- تعمل طبقة أمن الشبكة على حماية جميع الاتصالات باستخدام نقاط نهاية VPC الخاصة، وتشفير TLS 1.3، ومجموعات الأمن، وقوائم التحكم في وصول الشبكة.
- تقوم طبقة القابلية للملاحظة بجمع سجلات المصادقة، وسجلات الهجرة، وسجلات نشاط قاعدة البيانات، والأحداث الأمنية باستمرار بمساعدة Amazon CloudWatch.
- تقوم طبقة الذكاء الاصطناعي القابل للتفسير باستلام القياسات الأمنية البعيدة التي تم جمعها، وتشغيلها عبر خوارزمية Isolation Forest، وإنتاج تفسيرات قائمة على SHAP للتشوهات التي تم العثور عليها. وتتواصل جميع الطبقات البنائية مع بعضها البعض عبر قنوات شبكة خاصة يتم المصادقة عليها طوال سير عمل الهجرة.
- نشر والتحقق من بيئة قاعدة بيانات المصدر لضمان الوصول الآمن وتوافر البيانات قبل الهجرة.
- إعداد قاعدة بيانات PostgreSQL 16 تحتوي على مجموعة بيانات الرعاية الصحية الاصطناعية. الاحتفاظ بمعلومات المرضى، وتفاصيل الزيارات، ونتائج المختبر، وسجلات الأدوية، وسجلات التدقيق في قاعدة بيانات المصدر.
- قصر الوصول إلى قاعدة البيانات على خدمات الهجرة المصرح لها والمستخدمين الإداريين فقط. التحقق من توافر قاعدة البيانات والاتصال بها قبل بدء عمليات الهجرة.
- تكوين مركز الهجرة لتنسيق استخراج المخطط، ونقل البيانات المشفرة، وتنسيق عملية الهجرة.
- نشر خادم هجرة مخصص داخل السحابة الخاصة الافتراضية (VPC). تكوين خدمات تنسيق الهجرة لتنسيق أنشطة استخراج المخطط ونقل البيانات والتحقق منها.
- تفعيل خدمات التحقق من المخطط للتأكد من التوافق بين بيئتي المصدر والهدف. تفعيل خدمات التحقق من السلامة للمصادقة على البيانات المهاجرة أثناء وبعد النقل. التحقق من الاتصال بين مركز الهجرة وأنظمة قواعد البيانات قبل تنفيذ مهام الهجرة.
- نشر طبقة الهدف. نشر Amazon RDS PostgreSQL 16 كبيئة قاعدة بيانات هدف. تفعيل خدمات النسخ الاحتياطي والاسترداد التلقائي. تفعيل تشفير AES-256 للبيانات المخزنة داخل قاعدة بيانات الهدف.
- تكوين أمن الشبكة. تعطيل جميع عناوين IP العامة المرتبطة بموارد الهجرة. السماح بالاتصال فقط من خلال نقاط النهاية الخاصة داخل VPC. تكوين قوائم التحكم في وصول الشبكة (NACLs) ومجموعات الأمن. تفعيل تشفير TLS 1.3 لجميع الاتصالات بين مكونات النظام. التحقق من عدم بقاء أي نقاط نهاية متاحة للعامة نشطة.
- تكوين المراقبة المركزية لجمع الأحداث الأمنية، وسجلات الهجرة، ومقاييس أداء النظام بشكل مستمر.
- تفعيل خدمات تسجيل المراقبة في Amazon CloudWatch. جمع سجلات المصادقة، وسجلات الهجرة، وسجلات نشاط قاعدة البيانات، وسجلات الأحداث الأمنية. تكوين الاحتفاظ بالسجلات لمدة 365 يوماً. تفعيل تخزين السجلات غير القابلة للتغيير لدعم متطلبات التدقيق والامتثال. التحقق من جمع المقاييس وتوليد التنبيهات في الوقت الفعلي.
- تكوين بيئة الذكاء الاصطناعي القابل للتفسير لإجراء كشف عن التشوهات في الوقت الفعلي وتوليد تفسيرات أمنية قابلة للتفسير.
- نشر خدمات كشف التشوهات داخل بيئة المراقبة. تكوين إطار عمل الذكاء الاصطناعي القابل للتفسير لمعالجة القياسات الأمنية البعيدة الناتجة أثناء الهجرة. ربط تدفقات القياسات الأمنية البعيدة من المصدر، ومركز الهجرة، وقاعدة بيانات الهدف، وخدمات المراقبة.
- تفعيل الكشف عن التشوهات في الوقت الفعلي وتوليد التفسيرات القائمة على SHAP. التحقق من نجاح استيعاب بيانات القياسات البعيدة قبل بدء تجارب الهجرة.
الشكل 2: بنية نشر إطار عمل ترحيل السحابة الصحية الآمنة. توضح بيئة النشر قاعدة بيانات PostgreSQL المصدر التي تحتوي على مجموعة البيانات الصحية الاصطناعية، ومركز الترحيل المخصص داخل سحابة خاصة افتراضية (VPC)، وقاعدة بيانات PostgreSQL المستهدفة في Amazon RDS، وطبقة أمن الشبكة، والمراقبة المركزية من خلال Amazon CloudWatch، وطبقة مراقبة الذكاء الاصطناعي القابل للتفسير. تتم جميع الاتصالات عبر نقاط نهاية خاصة محمية بتشفير TLS 1.3. تم إنشاء هذا الشكل من قبل المؤلفين باستخدام Microsoft PowerPoint (Microsoft 365). يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
5. سير عمل الهجرة الآمنة
ملاحظة: قم بتنفيذ سير عمل الهجرة الآمنة من خلال إجراء نمذجة التهديدات، ونقل المخطط، وهجرة البيانات الآمنة، والتحقق من صحة الهجرة، والتحصين ما بعد الهجرة.
- تحديد التهديدات الأمنية المحتملة ورسم خرائط ضوابط التخفيف المناسبة قبل بدء عملية الترحيل.
- تحديد أصول الترحيل، وناقلات الهجوم المحتملة، وسيناريوهات الهجمات السيبرانية الواقعية.
- تقييم سرقة بيانات الاعتماد الناتجة عن اختراق رموز المصادقة، وهجمات الداخل التي تتضمن وصولاً إدارياً غير مصرح به، وهجمات إعادة التشغيل التي تستهدف طلبات المصادقة التي تم اعتراضها مسبقاً، وهجمات الرجل في المنتصف (MITM) التي تحاول اعتراض قنوات الاتصال المشفرة، والتلاعب بالمخطط (schema tampering) الذي يهدف إلى تعديل هياكل قاعدة البيانات أثناء الترحيل، وهجمات تصعيد الامتيازات التي تهدف إلى الحصول على أذونات إدارية غير مصرح بها.
- التحقق من أن استخدام إدارة بيانات الاعتماد ذات الامتيازات الدنيا المؤقتة كافٍ لمنع سرقة بيانات الاعتماد وهجمات تصعيد الامتيازات. والتحقق من أن الاتصالات المشفرة باستخدام TLS 1.3 توفر الحماية من هجمات إعادة التشغيل وهجمات الرجل في المنتصف.
- التحقق من أن سياسات إدارة الهوية والوصول (IAM) تمنع الوصول الإداري غير المصرح به. والتحقق من أن تسجيل التدقيق المستمر يحتفظ بسجل لجميع أنشطة الترحيل المتعلقة بالأمن. والتأكد من أن الفحص باستخدام مجموع التحقق SHA-256 قادر على كشف التغييرات غير المصرح بها في المخطط أو البيانات.
- التحقق من أن إطار عمل اكتشاف الشذوذ القابل للتفسير يمكنه تحديد أنشطة الترحيل غير العادية وتوفير تفسيرات أمنية قابلة للتفسير. إعداد خريطة ضوابط أمنية لكل تهديد تم تحديده. والتحقق من تخفيف جميع التهديدات المحددة بشكل كافٍ قبل البدء في ترحيل قاعدة البيانات. لخص المؤلفون نموذج التهديد والضوابط الأمنية في الجدول 2.
- نقل مخطط قاعدة البيانات. استخراج تعريفات المخطط من قاعدة بيانات PostgreSQL المصدر. التحقق من توافق المخطط مع بيئة قاعدة البيانات المستهدفة. مراجعة هياكل الجداول، والمفاتيح الأساسية، والمفاتيح الخارجية، والفهارس، والقيود. نشر تعريفات المخطط التي تم التحقق منها في قاعدة البيانات المستهدفة. تأكيد نجاح نشر المخطط قبل نقل البيانات.
- ترحيل البيانات الصحية بشكل آمن عبر قنوات اتصال مشفرة مع المراقبة المستمرة لأنشطة الترحيل.
- ضبط حجم دفعة الترحيل على 10,000 سجل لكل معاملة. إنشاء قنوات اتصال مشفرة باستخدام TLS 1.3. نقل البيانات عبر نقاط نهاية الشبكة الخاصة داخل السحابة الخاصة الافتراضية (VPC).
- تفعيل محاولات إعادة المحاولة التلقائية بحد أقصى ثلاث محاولات للمعاملات الفاشلة.
الحفاظ على إنتاجية نقل البيانات بين 100 MB/s و 150 MB/s. مراقبة أنشطة الترحيل باستمرار طوال عملية النقل. تسجيل جميع أحداث الترحيل في سجلات تدقيق مركزية.
- التحقق من اكتمال وسلامة الترحيل من خلال مقارنة مجموعات التحقق، وعدد السجلات، وهياكل قاعدة البيانات.
- توليد قيم هاش SHA-256 لجميع جداول المصدر قبل الترحيل، وقيم هاش SHA-256 لجميع الجداول المستهدفة بعد الترحيل. مطابقة قيم مجموع التحقق للمصدر والهدف. إجراء فحص متقاطع لأعداد الصفوف لقواعد بيانات المصدر والهدف. التحقق من اتساق المخططات، وعلاقات الجداول، وقيود قاعدة البيانات. اعتبار الترحيل ناجحاً فقط عندما تكون قيم مجموع التحقق، وأعداد السجلات، وهياكل المخطط متطابقة.
- إزالة الامتيازات المؤقتة ووضع اللمسات النهائية على الضوابط الأمنية بعد الإتمام الناجح لترحيل البيانات.
- إلغاء جميع بيانات اعتماد الترحيل المؤقتة فور اكتمال الترحيل. إزالة امتيازات الترحيل المرفوعة من حسابات الخدمة. أرشفت سجلات التدقيق وسجلات المراقبة الأمنية.
- التحقق من الإتمام الناجح لإجراءات النسخ الاحتياطي. إخراج خوادم الترحيل المؤقتة والموارد الداعمة من الخدمة. إجراء مراجعة أمنية نهائية للبيئة المرحَّلة. توثيق نتائج الترحيل ونتائج التحقق. يوضح الشكل 3 سير عمل الترحيل الآمن الكامل المستخدم في هذه الدراسة.
| سيناريو التهديد | عنصر التحكم الأمني | طريقة الكشف | التخفيف |
| سرقة بيانات الاعتماد | الامتياز الأدنى المؤقت (TLP) | سجلات IAM | إبطال تلقائي لبيانات الاعتماد |
| هجوم داخلي | التحكم في الوصول المستند إلى الأدوار (RBAC) | سجلات التدقيق + SHAP | إنهاء الجلسة |
| هجوم إعادة التشغيل | TLS 1.3 + التحقق من Nonce | مراقبة الشبكة | رفض الطلبات المكررة |
| هجوم رجل في المنتصف (MITM) | تشفير TLS 1.3 | التحقق من الشهادة | اتصالات مشفرة |
| التلاعب بالمخطط | مجموع التحقق SHA-256 + التحقق من صحة المخطط | التحقق من السلامة | استعادة المخطط المعتمد |
| تصعيد الامتيازات | فرض سياسة IAM | السجلات الأمنية | إبطال الامتيازات |
الجدول 2: نموذج التهديد وتدابير الأمن المقابلة المتخذة في إطار عمل الهجرة المقترح. يوضح الجدول التهديدات الأمنية التمثيلية الرئيسية وآليات التخفيف المقابلة لها بناءً على مبادئ أمن الثقة الصفرية، والتشفير، وإدارة الهوية، والتحقق من السلامة، والمراقبة، والكشف القابل للتفسير عن الشذوذ.
الشكل 3: مخطط سير العمل لبروتوكول ترحيل قواعد البيانات السحابية الآمن المقترح. يتكون البروتوكول من سبع مراحل متتالية: نمذجة التهديدات، ونقل المخطط (schema transfer)، وترحيل قاعدة البيانات الآمن، والتحقق من صحة البيانات المرحلة، والتحصين ما بعد الترحيل، وتسجيل التدقيق والأرشفة، واكتمال الترحيل. ويتم الحفاظ على مراقبة الأمن، والاتصالات المشفرة، وإدارة الهوية، والتسجيل غير القابل للتغيير، والكشف القابل للتفسير عن الشذوذ طوال سير عمل الترحيل. تم إنشاء هذا الشكل بواسطة المؤلفين باستخدام Microsoft PowerPoint (Microsoft 365). يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
6. تكوين مراقبة الذكاء الاصطناعي القابل للتفسير
ملاحظة: يتلخص مخطط العملية في: تحديد خصائص أمن الهجرة، وبناء نموذج للكشف عن المخالفات، والتعرف على توقيت اعتبار إجراءات الهجرة مشبوهة، وإنتاج نتائج قابلة للتفسير من خلال طرق تفسير SHAP.
- استخراج ومعالجة ميزات القياس عن بُعد الأمنية المطلوبة للكشف عن الشذوذ وتحليل القابلية للتفسير.
- جمع السجلات الأمنية من خوادم قواعد البيانات، وخوادم المصادقة، وخوادم التطبيقات، وأنظمة مراقبة الشبكة. تجميع جميع الأحداث المتعلقة بعمليات النقل في مستودع سجلات مركزي. إزالة السجلات المكررة والمدخلات غير المكتملة. مزامنة الطوابع الزمنية عبر جميع مصادر السجلات باستخدام التوقيت العالمي المنسق (UTC).
- حساب تردد الوصول لكل مستخدم أثناء عمليات النقل. تسجيل عدد محاولات تسجيل الدخول الفاشلة المرتبطة بكل حساب. مراقبة التغييرات في عناوين IP المصدر طوال جلسات النقل.
- قياس مدة جلسة المستخدم من بدء تسجيل الدخول حتى انتهائه. حساب أحجام نقل البيانات الواردة والصادرة أثناء أنشطة النقل. تطبيع جميع الميزات المستخرجة باستخدام تطبيع Min-Max.
- يلخص الجدول 3 الميزات الأمنية المستخدمة للكشف عن الشذوذ وتحليل القابلية للتفسير.
- تدريب والتحقق من صحة نموذج Isolation Forest باستخدام مجموعة بيانات الميزات الأمنية المُعدة.
- تقسيم مجموعة البيانات. تقسيم مجموعة البيانات عشوائياً إلى مجموعة تدريب (70%)، ومجموعة تحقق (15%)، ومجموعة اختبار (15%). الحفاظ على توزيع متسق للأحداث الطبيعية والشاذة عبر جميع المجموعات الفرعية.
- اختيار نموذج الذكاء الاصطناعي القابل للتفسير. اختيار خوارزمية Isolation Forest لأنها تكتشف أنشطة النقل الشاذة بكفاءة دون الحاجة إلى بيانات تدريب مصنفة. استخدام الخوارزمية لعزل الملاحظات غير الطبيعية من خلال التقسيم العشوائي المتكرر لمساحة الميزات.
- تطبيق SHAP TreeExplainer لقياس مساهمة كل ميزة أمنية في التنبؤ بالشذوذ وتحسين شفافية عملية المراقبة الأمنية.
- تكوين نموذج الكشف عن الشذوذ. تهيئة نموذج Isolation Forest. تكوين النموذج باستخدام المعلمات المدرجة في الجدول 4.
- تحديد الصيغة الرياضية المستخدمة لحساب درجات الشذوذ وتفسير مساهمات الميزات.
- تحديد متجه الميزات الأمنية لكل حدث نقل كما هو موضح في المعادلة 1.
xi = [x1 , x2, x3, x4, x5 ] (1)
حيث يشير x1 إلى تردد الوصول، وx2 إلى عدد محاولات تسجيل الدخول الفاشلة، وx3 إلى تردد تغيير عنوان IP، وx4 إلى مدة الجلسة، وx5 إلى حجم نقل البيانات. - استخراج الميزات الأمنية من سجلات النقل. تطبيع جميع قيم الميزات قبل تدريب النموذج. حساب درجة شذوذ Isolation Forest لكل حدث نقل باستخدام المعادلة 2.
(2)
حيث يشير S(X,n) إلى درجة الشذوذ للملاحظة X، وX يشير إلى متجه الميزات الأمنية، وE(h(X)) هو طول المسار المتوقع للملاحظة X، وc(n) هو متوسط طول المسار للعمليات غير الناجحة في شجرة البحث الثنائية، وn هو العدد الإجمالي لعينات التدريب. يتم حساب عامل التطبيع كما هو موضح في المعادلة 3.
(3)
حيث يشير H(n-1) إلى العدد التوافقي (n-1). - تصنيف أحداث النقل التي تزيد درجات الشذوذ فيها عن عتبة القرار المحددة مسبقاً على أنها شاذة.
- تطبيق SHAP (SHapley Additive exPlanations) لتفسير مساهمة كل ميزة أمنية في التنبؤ بالشذوذ. حساب قيمة SHAP للميزة i باستخدام المعادلة 4.
(4)
حيث يشير (F) إلى مجموعة الميزات الكاملة، و(S) يشير إلى مجموعة فرعية من الميزات، و(f(.)) يشير إلى دالة التنبؤ لنموذج Isolation Forest. - حساب أهمية الميزات العامة عن طريق حساب متوسط قيمة SHAP المطلقة باستخدام المعادلة 5.
(5)
حيث يشير (N) إلى العدد الإجمالي لأحداث النقل. - ترتيب الميزات الأمنية وفقاً لمتوسط قيم SHAP المطلقة. إنشاء مخططات ملخص SHAP، ومخططات الاعتماد، ومخططات القوة لتصور أهمية الميزات العامة والمحلية.
- تحديد متجه الميزات الأمنية لكل حدث نقل كما هو موضح في المعادلة 1.
- تدريب نموذج Isolation Forest باستخدام مجموعة بيانات التدريب. تقييم أداء النموذج باستخدام مجموعة بيانات التحقق. إذا لزم الأمر، يتم تغيير عتبات التلوث. تخزين تكوين النموذج الذي يحقق أفضل أداء. التحقق من أداء النموذج. تحديد المقاييس مثل الدقة (accuracy)، والضبط (precision)، والاسترجاع (recall)، وF1-score، وROC-AUC. تدوين مقاييس أداء النموذج للمقارنة لاحقاً.
- تطبيق النموذج المدرب لتحديد أحداث النقل غير الطبيعية وتصنيف الأنشطة المشبوهة.
- إجراء التنبؤ بالشذوذ. تطبيق نموذج Isolation Forest المدرب على مجموعة بيانات الاختبار. توليد درجات الشذوذ لجميع أحداث النقل.
- تحديد الأنشطة المشبوهة. تحديد ما إذا كانت أحداث النقل نمطية أم شاذة. تمييز الأحداث التي تتجاوز مستويات الشذوذ المحددة مسبقاً على أنها مشبوهة. إعداد وثائق الشذوذ للفحص الأمني.
- ينتج عن إكمال عملية الكشف عن الشذوذ درجات الشذوذ، وتصنيف أحداث النقل كطبيعية أو شاذة، وقياس فعالية الكشف من خلال تحليل ROC، ورصد الشذوذات الأمنية الرئيسية. تظهر عينات من المخرجات الناتجة عن العملية المصممة في الشكل 4.
- تصنيف الشذوذات المكتشفة. تصنيف الشذوذات إلى شذوذات مصادقة، وشذوذات شبكة، وشذوذات جلسة، وشذوذات نقل بيانات. الاحتفاظ بتصنيفات الشذوذ لتحليل التفسير.
- تقييم أداء الكشف. مراجعة الحوادث الأمنية المسجلة حتى تاريخه. ثم، باستخدامها كمرجع، تقييم الشذوذات التي تم اكتشافها وتحديد أياً منهما كانت شذوذات حقيقية. تحديد معدل اكتشاف الشذوذات ومعدل الإيجابيات الكاذبة. إعداد سجل رسمي لوثائق دقة الكشف لتمكين إعادة إنتاجها.
- توليد تفسيرات قائمة على SHAP لتفسير مساهمة الميزات الأمنية الفردية في التنبؤات بالشذوذ.
- تكوين بيئة SHAP. تحميل نموذج Isolation Forest المدرب. تهيئة SHAP TreeExplainer. التحقق من نجاح التكامل بين نموذج الكشف عن الشذوذ وإطار عمل القابلية للتفسير.
- اختيار عينات الخلفية. اختيار 1,000 عينة ممثلة عشوائياً من مجموعة بيانات التدريب. استخدام العينات المختارة كمجموعة بيانات خلفية لـ SHAP. حساب قيم SHAP. حساب قيم SHAP لجميع الشذوذات المكتشفة. قياس مساهمات الميزات الفردية في التنبؤات بالشذوذ. تخزين مخرجات SHAP لمزيد من التحليل.
- توليد تفسيرات عامة. إنشاء مخططات ملخص SHAP تظهر أهمية الميزات الإجمالية. توليد مخططات شريطية SHAP بناءً على متوسط قيم SHAP المطلقة. إنتاج مخططات اعتماد SHAP للميزات ذات التأثير العالي.
- توليد تفسيرات محلية. اختيار أحداث نقل شاذة ممثلة. إنشاء مخططات قوة SHAP ومخططات شلالية. تصور مساهمات الميزات المسؤولة عن كل شذوذ.
- تظهر مخرجات القابلية للتفسير الممثلة التي تم توليدها أثناء عملية التفسير في الشكل 5. توضح هذه التصورات أهمية الميزات العامة، وترتيب مساهمة الميزات، وعلاقات الاعتماد بين الميزات الأمنية المؤثرة، والتفسيرات المحلية لشذوذات نقل فردية.
- ترتيب الميزات الأمنية. حساب متوسط قيم SHAP المطلقة لجميع الميزات. ترتيب الميزات وفقاً لمساهمتها في الكشف عن الشذوذ. تحديد المؤشرات الأمنية الأكثر تأثيراً على أمن النقل. يلخص الجدول 5 ترتيبات أهمية الميزات القائمة على SHAP.
- التحقق من اتساق التفسير. تكرار تحليل SHAP عبر خمس عمليات تجريبية مستقلة. قياس استقرار واتساق التفسير. التحقق من بقاء ترتيب الميزات مستقراً عبر التحليلات المكررة.
ملاحظة: يوفر الجدول 6 المشكلات الشائعة التي تمت مواجهتها أثناء الكشف عن الشذوذ القابل للتفسير والإجراءات التصحيحية الموصى بها.
| ميزة | الوصف | الغرض |
| تكرار الوصول | عدد طلبات وصول المستخدمين أثناء عملية النقل | كشف سلوك الوصول غير الطبيعي |
| عدد محاولات تسجيل الدخول الفاشلة | عدد محاولات المصادقة غير الناجحة | تحديد محاولات الوصول غير المصرح بها أو محاولات الاختراق بالقوة الغاشمة |
| تغييرات عنوان البروتوكول الشبكي (IP Address) | تكرار تغييرات عنوان IP المصدر | الكشف عن سلوك الشبكة المشبوه |
| مدة الجلسة | طول جلسات المستخدمين أثناء عملية الانتقال | تحديد أنشطة الجلسات غير الطبيعية |
| حجم نقل البيانات | كمية البيانات المنقولة أثناء الهجرة | كشف حركة البيانات غير الطبيعية أو تسريب البيانات |
الجدول 3: ميزات القياس عن بُعد الأمنية المستخدمة للكشف القابل للتفسير عن الشذوذ. يعرض الجدول الميزات الأمنية التي تمت مراقبتها أثناء ترحيل قاعدة البيانات، ومعانيها، وطرق قياسها، وكيفية مساهمتها في الكشف عن الشذوذ وتحليل القابلية للتفسير.
| مَعلَمَة | القيمة | الوصف |
| خوارزمية | غابة العزل | نموذج كشف الشذوذ |
| عدد المقدرات (n_estimators) | 100 | عدد أشجار العزل |
| تلوث | 0.02 | نسبة الشذوذ المتوقعة |
| الحد الأقصى للعينات | تلقائي | العينات المستخدمة لكل شجرة |
| حالة العشوائية | 42 | بذرة إعادة الإنتاجية |
| التمهيد الذاتي (Bootstrap) | خطأ | المعاينة بدون إرجاع |
| مجموعة التدريب | 70% | بيانات تدريب النموذج |
| مجموعة التحقق | 15% | التحقق من صحة المعلمات الفائقة |
| مجموعة الاختبار | 15% | التقييم النهائي للنموذج |
الجدول 4: تكوين غابة العزل (Isolation Forest) المستخدمة للكشف عن الشذوذ أثناء ترحيل قاعدة البيانات الآمنة. يوضح هذا الجدول إعدادات المعلمات الفائقة لنموذج غابة العزل في مرحلة التدريب، مثل كيفية تقسيم مجموعة البيانات، ومستوى التلوث، وعدد المقدرات، والبذرة العشوائية، وإعدادات التقييم.
الشكل 4: مخرجات نموذجية لإطار عمل كشف الشذوذ أثناء ترحيل البيانات السحابية الآمن. (أ) توزيع درجات الشذوذ لغابة العزل (Isolation Forest) موضحاً عتبة الشذوذ. (ب) تصنيف أحداث الترحيل إلى فئات طبيعية وشاذة. (ج) منحنى خصائص تشغيل المستقبل (ROC) الذي يوضح أداء نموذج غابة العزل (AUC = 0.97 ± 0.01). (د) أحداث ترحيل شاذة نموذجية توضح درجات الشذوذ، والتسميات المتوقعة، والميزات الأمنية المؤثرة، وفئات الشذوذ. تم إنشاء هذا الشكل بواسطة المؤلفين باستخدام Python 3.11 (Matplotlib 3.9) وتنسيقه باستخدام Microsoft PowerPoint (Microsoft 365). يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 5: أمثلة على مخرجات القابلية للتفسير القائمة على SHAP التي تم إنتاجها أثناء تفسير الشذوذ. (A) مخطط ملخص SHAP يبرز الميزات الأكثر أهمية على المستوى العام. (B) ترتيب ميزات الأمان بناءً على متوسط قيمة SHAP المطلقة. (C) مخططات اعتماد SHAP التي توضح كيف يؤثر عدد محاولات تسجيل الدخول الفاشلة وحجم نقل البيانات على التنبؤ بالشذوذ. (D) مخطط قوة SHAP الذي يقدم تفسيراً محلياً لحدث هجرة غير طبيعي نموذجي. تعرض هذه المخططات القابلية للتفسير العامة والمحلية لنموذج كشف الشذوذ المقترح. تم إنشاء هذا الشكل بواسطة المؤلفين باستخدام Python 3.11 (Matplotlib 3.9) وتنسيقه باستخدام Microsoft PowerPoint (Microsoft 365). يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
| الرتبة | الميزة | متوسط قيمة SHAP المطلقة | التفسير |
| 1 | عدد محاولات تسجيل الدخول الفاشلة | 0.352 | المؤشر الأكثر تأثيراً على النشاط الشاذ |
| 2 | حجم نقل البيانات | 0.287 | مساهم قوي في الكشف عن الشذوذ |
| 3 | تغييرات عنوان IP | 0.221 | يشير إلى سلوك شبكة مشبوه |
| 4 | مدة الجلسة | 0.184 | مرتبط بجلسات مستخدم غير طبيعية |
| 5 | تكرار الوصول | 0.156 | يعكس أنماط وصول غير معتادة |
الجدول 5: درجات أهمية ميزات SHAP لبيانات القياس عن بُعد الأمنية. يوضح الجدول ترتيب الميزات الأمنية وفقاً لقيم SHAP المطلقة المتوسطة، ويبين مساهماتها respective في التنبؤ بالشذوذ.
| العدد | السبب المحتمل | المحلول الموصى به |
| تم اكتشاف عدد قليل من الشذوذات | معلمة التلوث منخفضة للغاية | ارفع عتبة التلوث وأعد تدريب النموذج. |
| معدل مرتفع من الإيجابيات الكاذبة | سجلات هجرة غير متسقة أو مشوشة | تنظيف بيانات السجلات وتطبيع الميزات الأمنية قبل تدريب النموذج. |
| تفسيرات SHAP غير المستقرة | عينات خلفية غير كافية | زيادة عدد عينات الخلفية التمثيلية المستخدمة بواسطة SHAP. |
| ضعف دقة اكتشاف الشذوذ | عدم توازن الميزات أو عدم كفاية المعالجة المسبقة | تطبيق إجراءات تسوية الميزات، والموازنة، ومراقبة الجودة. |
| بطء تقارب النموذج | مجموعة بيانات ضخمة أو موارد حوسبية محدودة | تحسين المعلمات الفائقة أو استخدام وحدة معالجة الرسوميات/المعالجة المتوازية. |
| إخفاقات التواصل | عدم استقرار الشبكة أثناء المراقبة | تحقق من قنوات الاتصال الآمنة وأعد عملية المزامنة. |
| ميزات أمنية مفقودة | جمع غير مكتمل للسجلات | تحقق من صحة مصادر السجلات قبل استخراج الميزات، وأعد إنشاء مجموعة بيانات الميزات. |
الجدول 6: دليل استكشاف الأخطاء وإصلاحها لعملية ترحيل قواعد البيانات الآمنة القائمة على الذكاء الاصطناعي القابل للتفسير. يوفر هذا الجدول ملخصًا لمشكلات التنفيذ الشائعة، والأسباب المحتملة، والعلامات التشخيصية، والإجراءات الموصى بها، والنتائج المتوقعة جراء تنفيذ البروتوكول وقابلية تكراره.
7. تقييم الأداء
ملاحظة: يصف هذا القسم الإجراء التجريبي المستخدم لمقارنة إطار عمل الهجرة الأساسي مع إطار عمل الهجرة المقترح القائم على الذكاء الاصطناعي القابل للتفسير بنموذج الثقة المعدومة. يشمل تقييم الأداء كلاً من الأمن، والقدرة على اكتشاف الشذوذ، وكفاءة الهجرة، والتحقق الإحصائي تحت ظروف تجريبية متطابقة.
- قم بتكوين كل من البيئتين المرجعية والمقترحة تحت ظروف متطابقة لتمكين إجراء مقارنة عادلة للأداء.
- قم بتهيئة بيئة الترحيل التقليدية. قم بتهيئة بيانات اعتماد ثابتة طويلة الأمد بفترة صلاحية تزيد عن 24 ساعة. قم بتفعيل نقاط نهاية الشبكة العامة للوصول إلى قاعدة البيانات. قم بتعطيل آليات الكشف عن الشذوذ القائمة على الذكاء الاصطناعي وآليات القابلية للتفسير. راقب أنشطة الترحيل يدويًا باستخدام سجلات الأمان التقليدية. قم بتسجيل أحداث الترحيل لإجراء مقارنة الأداء لاحقًا.
- قم بتكوين إطار عمل الانتقال إلى نموذج الثقة الصفرية (Zero-Trust). قم بتفعيل بيانات اعتماد الحد الأدنى من الامتيازات المؤقتة مع التفعيل التلقائي لانتهاء الصلاحية بعد اكتمال عملية الانتقال. قم بتعطيل جميع نقاط النهاية للشبكة العامة. قم بتفعيل اتصالات الشبكة الخاصة باستخدام قنوات آمنة.
- قم بنشر نموذج "غابة العزل" (Isolation Forest) المدرب للكشف عن الشذوذ. وقم بتفعيل "مفسر الشجرة" (TreeExplainer) الخاص بـ SHAP لتفسير النموذج. كما يجب تهيئة المراقبة الأمنية المؤتمتة طوال عملية النقل. وتحقق من أمان الاتصالات بين جميع مكونات عملية النقل قبل التنفيذ.
- أجرِ تجارب هجرة متكررة تحت ظروف مضبوطة لتقييم إمكانية تكرار الإطار العملي.
- أجرِ تجربة الهجرة. قم بإجراء عشر تجارب هجرة مستقلة لكل من البيئتين المرجعية والمقترحة. حافظ على تطابق تكوينات الأجهزة والبرمجيات والشبكة في جميع التجارب.
- قم بنقل 10 جيجابايت من بيانات الرعاية الصحية خلال كل تشغيل تجريبي. كرر جميع التجارب تحت ظروف عبء عمل متطابقة. سجل الأحداث الأمنية، وسجلات النقل، ومخرجات كشف الشذوذ، وأوقات التنفيذ خلال كل تجربة.
- التحقق من سلامة عملية النقل. حساب مجموعات التحقق SHA-256 قبل عملية النقل وبعدها. التأكد من السلامة الكاملة للبيانات بعد كل تجربة نقل. توثيق نتائج التحقق من مجموعات التحقق.
- حساب مقاييس كمية للأمن والهجرة وكشف الشذوذ من أجل التقييم المقارن.
- قياس أداء الأمن. قياس مدة تعرض بيانات الاعتماد. حساب عدد بيانات الاعتماد المعرضة للخطر أثناء عملية النقل. قياس وقت اكتشاف الحوادث. تسجيل مدة التعرض للشبكة العامة.
- تقييم أداء اكتشاف الشذوذ. احسب دقة اكتشاف الشذوذ، الدقة (precision)، والاستدعاء (recall)، ومقياس F1 (F1-score)، والمساحة تحت منحنى خصائص تشغيل المستقبل (AUC). تقييم أداء الهجرة. قياس زمن انتقال الهجرة الكلي وحساب إنتاجية الهجرة. تسجيل عبء الاتصالات الإضافي الناتج عن الآليات الأمنية.
- أجرِ التحقق الإحصائي. احسب المتوسط الحسابي والانحراف المعياري لجميع مقاييس الأداء. احسب فترات الثقة بنسبة 95%. أجرِ اختبارات t لـ Student المقترنة لمقارنة الأطر الأساسية والمقترحة. اعتبر أن الدلالة الإحصائية تتحقق عند p < 0.05. تظهر نتائج تقييم الأداء التمثيلية التي تم الحصول عليها خلال المقارنة التجريبية في الشكل 6.
- جدول 7 يلخص مقارنة الأداء الكمي بين الخط المرجعي وإطار عمل الهجرة المقترح.
جدول 8 يلخص هذا النص مشكلات التنفيذ الشائعة التي تظهر أثناء عملية الترحيل الآمن لقواعد البيانات، وأسبابها المحتملة، والإجراءات التصحيحية الموصى بها.
الشكل 6: مقارنة الأداء بين إطار عمل الهجرة المرجعي وإطار عمل الهجرة السحابية الآمنة المقترح القائم على الثقة الصفرية والذكاء الاصطناعي القابل للتفسير. (أ) مقارنة مدة التعرض لبيانات الاعتماد باستخدام بيانات اعتماد طويلة الأمد وأخرى مؤقتة قائمة على الحد الأدنى من الصلاحيات. (ب) مقارنة مقاييس أداء اكتشاف الشذوذ، بما في ذلك الدقة (accuracy)، والضبط (precision)، والاستدعاء (recall)، ومقياس F1-score، والمساحة تحت المنحنى (AUC). (ج) مقارنة زمن انتقال الهجرة عبر عشر تجارب مستقلة، مما يظهر أن الزيادة في زمن الانتقال ظلت دون عتبة القبول المحددة مسبقاً. (د) مقارنة إحصائية لمقاييس الأداء الرئيسية باستخدام اختبارات t للطلاب المقترنة (paired Student's t-tests)، والتي توضح متوسط الفروق وفواصل الثقة 95%. تمثل أشرطة الخطأ فواصل ثقة 95% من عشر تجارب مستقلة. تم إنشاء هذا الشكل من قبل المؤلفين باستخدام Python 3.11 (Matplotlib 3.9) وتنسيقه باستخدام Microsoft PowerPoint (Microsoft 365). يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
| مقياس الأداء | إطار العمل المرجعي (Mean ± SD) | إطار العمل المقترح (Mean ± SD) | التحسن | فاصل الثقة 95% | القيمة p |
| مدة تعريض بيانات الاعتماد (h) | 24.70 ± 1.32 | 0.42 ± 0.18 | انخفاض بنسبة 98.3% | 23.6–24.9 | <0.001 |
| دقة اكتشاف الشذوذ (%) | 72.4 ± 2.1 | 94.6 ± 1.3 | +22.2% | 20.8–23.5 | <0.001 |
| الدقة (Precision) (%) | 68.1 ± 2.5 | 92.7 ± 1.5 | +24.6% | 23.1–26.0 | <0.001 |
| الاستدعاء (Recall) (%) | 70.3 ± 2.4 | 93.1 ± 1.6 | +22.8% | 21.4–24.2 | <0.001 |
| مقياس F1 (%) | 69.2 ± 2.2 | 92.9 ± 1.4 | +23.7% | 22.3–25.0 | <0.001 |
| AUC | 0.78 ± 0.03 | 0.97 ± 0.01 | +0.19 | 0.17–0.21 | <0.001 |
| زمن انتقال الهجرة (min) | 87.6 ± 3.2 | 97.4 ± 2.9 | عبء إضافي بنسبة 11.2% | 8.9–10.7 | 0.002 |
| سلامة البيانات (%) | 99.8 | 100.0 | تحسن بنسبة 0.2% | 0.1–0.3 | 0.031 |
| التعرض للشبكة العامة | مُفعّل | تم إلغاؤه | تم الإلغاء بنسبة 100% | N/A | <0.001 |
الجدول 7: أطر عمل ترحيل قواعد البيانات الآمنة الأساسية والمقترحة: مقارنة في الأداء. يعرض الجدول مدة تعرض بيانات الاعتماد، وفعالية اكتشاف الشذوذ، وزمن انتقال الترحيل، وسلامة البيانات، والتحسينات الأمنية التي تم تقييمها كمياً أثناء التحقق من صحة البروتوكول.
| المشكلة | السبب المحتمل | الحل الموصى به |
| فشل مصادقة الترحيل | اعتمادات مؤقتة منتهية الصلاحية أو غير صالحة | إعادة إنشاء الاعتمادات المؤقتة والتحقق من سياسات IAM قبل استئناف عملية الترحيل. |
| زمن وصول مرتفع في عملية الترحيل | ازدحام الشبكة أو عدم كفاية عرض النطاق الترددي | تحسين توجيه الشبكة، وجدولة الترحيل خلال فترات انخفاض حركة المرور، والتحقق من اتصال نقطة النهاية. |
| تنبيهات شاذة إيجابية كاذبة | عتبة تلوث غير مناسبة في غابة العزل (Isolation Forest) | ضبط معامل التلوث باستخدام مجموعة بيانات التحقق وإعادة تدريب النموذج. |
| تفسيرات SHAP غير مستقرة | عينات خلفية غير كافية أو غير ممثلة | زيادة حجم عينة الخلفية لـ SHAP وضمان أخذ عينات ممثلة. |
| عدم تطابق سلامة البيانات | انقطاع عملية الترحيل أو تلف في نقل البيانات | إعادة تشغيل الترحيل بعد التحقق من قيم مجموع التدقيق SHA-256 والاتساق بين المصدر والهدف. |
| فشل اتصال نقطة النهاية الآمنة | أخطاء في تكوين جدار الحماية أو TLS | التحقق من شهادات SSL/TLS، وقواعد جدار الحماية، وتكوين نقطة النهاية الخاصة. |
| دقة منخفضة في اكتشاف الشذوذ | استخراج غير مكتمل للميزات أو معالجة أولية ضعيفة | مراجعة هندسة الميزات، وتطبيع الميزات الأمنية، وإعادة تدريب النموذج. |
| مشكلات في تقارب النموذج | معلمات فائقة (hyperparameters) غير مناسبة | تعديل معلمات التعلم والتحقق من أداء النموذج قبل النشر. |
الجدول 8: دليل استكشاف الأخطاء وإصلاحها لترحيل قواعد بيانات الرعاية الصحية الآمنة. يدرج الجدول أخطاء الترحيل الشائعة، وأسبابها المحتملة، والإجراءات التصحيحية الموصى بها، والنتائج المتوقعة لضمان التنفيذ الموثوق لبروتوكول الترحيل الآمن.
النتائج
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
نظرة عامة تجريبية
تم تقييم بروتوكول ترحيل بيانات السحابة الآمن المدعوم بالذكاء الاصطناعي القابل للتفسير (XAI) المقترح باستخدام مجموعة بيانات رعاية صحية اصطناعية تضم حوالي 20 مليون سجل من السجلات الصحية الإلكترونية (EHR) موزعة على 28 جدول قاعدة بيانات علاقية، وبإجمالي حجم 10 GB. أُجريت التجارب في بيئة سحابية من خدمات أمازون ويب (AWS) باستخدام Amazon RDS PostgreSQL 16، وشبكات سحابة خاصة افتراضية (VPC)، واتصالات مشفرة بمعيار TLS 1.3، وخدمات مراقبة مركزية. نُفذت عشر تجارب ترحيل مستقلة تحت ظروف متطابقة من الأجهزة والبرامج والشبكة وحجم العمل لضمان إمكانية التكرار وتقليل الانحياز التجريبي. مثلت جميع قيم الأداء المُبلغ عنها المتوسط الحسابي لعشر عمليات تشغيل تجريبية. وتم تقييم الدلالة الإحصائية باستخدام اختبارات t للطلاب المقترنة بعد التحقق من التوزيع الطبيعي باستخدام اختبار شابيرو-ويلك (p < 0.05).
نتائج إعداد مجموعة البيانات والتحقق من صحتها
تم توليد مجموعة بيانات الرعاية الصحية الاصطناعية بنجاح وفقاً لمواصفات البروتوكول. وأكد التحقق من صحة البيانات التوليد الناجح لما يقرب من 20,000,000 سجل متعلق بالمرضى موزعة على 28 جدولاً علائقياً، بما في ذلك الخصائص الديموغرافية للمرضى، والمواجهات السريرية، والتشخيصات، والتقارير المخبرية، والأدوية، والبيانات الوصفية للتصوير، ومعلومات الفواتير، وسجلات الأطباء. كما تم التحقق بنجاح من تفرد المفاتيح الأساسية، وعلاقات المفاتيح الخارجية، وقيود السلامة المرجعية قبل عملية النقل. وقد تُرِكت قيم البيانات بنسبة 5% تقريباً مفقودة عمداً لمحاكاة قواعد بيانات السجلات الصحية الإلكترونية الواقعية، وتمت معالجتها لاحقاً أثناء عملية تنظيف البيانات. وأظهر تقييم جودة مجموعة البيانات نجاح التحقق من المخطط، وقبول نطاقات القيم، واكتمال السلامة المرجعية. وظل الخطأ التراكمي للتحقق من صحة مجموعة البيانات دون 0.1%، مما يشير إلى أن مجموعة البيانات المولدة كانت مناسبة لتجارب النقل الآمن، كما هو موضح في الجدول 1.
نتائج نشر بنية النظام
تم نشر بنية الهجرة الآمنة والتحقق من صحتها بنجاح قبل تنفيذ سير عمل الهجرة. يتم تشغيل جميع موارد السحابة ضمن سحابة خاصة افتراضية (AWS Virtual Private Cloud) معزولة باستخدام شبكات فرعية خاصة، ومجموعات أمان، وسياسات وصول قائمة على الهوية. تم تأمين اتصالات قاعدة البيانات باستخدام تشفير TLS 1.3، كما تم إنشاء بيانات اعتماد الهجرة ديناميكياً وفقاً لسياسة الامتيازات الدنيا المؤقتة. وتم جمع سجلات المصادقة، وسجلات الهجرة، وأحداث قاعدة البيانات، وأحداث الشبكة، وسجلات تدقيق الأمان بشكل مستمر عبر Amazon CloudWatch. وطوال جميع التشغيلات التجريبية، تمت الاتصالات حصرياً من خلال نقاط نهاية للشبكة الخاصة، ولم يتم رصد أي خدمات قاعدة بيانات متاحة للعموم. وقد أظهر الرصد المستمر استقرار الاتصال بين جميع مكونات الهجرة دون انقطاعات غير متوقعة في الخدمة أو فشل في المصادقة، كما هو موضح في الشكل 2.
نتائج سير عمل الهجرة الآمنة
نمذجة التهديدات
نجح نموذج التهديد المحدد مسبقاً في تحديد سيناريوهات سرقة بيانات الاعتماد، والهجمات الداخلية، وهجمات إعادة التشغيل، وهجمات "رجل في المنتصف"، والتلاعب بالمخطط، وتصعيد الامتيازات. وقد عملت ضوابط الأمن المطبقة على تخفيف جميع التهديدات المحددة بفعالية قبل تنفيذ عملية الترحيل، كما هو موضح في الجدول 2.
نقل مخطط قاعدة البيانات
تم إكمال عملية ترحيل مخطط قاعدة البيانات بنجاح في جميع التشغيلات التجريبية. وقد تم نقل جميع الجداول 관계ية، والفهارس، والإجراءات المخزنة، والقيود، والبيانات الوصفية، والمفاتيح الأساسية، والمفاتيح الخارجية دون وجود أي تعارضات هيكلية أو انزياح في المخطط.
نقل البيانات الآمن
اكتملت عملية النقل بنجاح في جميع التشغيلات التجريبية العشرة دون حدوث انقطاعات في سير العمل أو فشل في المعاملات. وقد تم الحفاظ على النقل الآمن للبيانات طوال عملية النقل باستخدام قنوات اتصال مشفرة عبر نقاط نهاية لشبكة خاصة.
التحقق من الهجرة
أكد التحقق من الصحة بعد عملية النقل وجود اتساق تام بين قواعد بيانات المصدر والهدف. وأسفر التحقق من مجموع التدقيق SHA-256 عن تطابق بنسبة 100% عبر جميع الجداول المنقولة، مما يثبت عدم حدوث أي فساد في البيانات أثناء عملية النقل. كما أكد التحقق من عدد السجلات نجاح نقل جميع السجلات البالغة 20 مليون سجل دون أي فقدان أو تكرار أو بتر. وأكد التحقق من المفاتيح الأساسية، والمفاتيح الخارجية، والفهارس، وتعريفات المخطط، وقيود قاعدة البيانات الحفاظ الكامل على سلامة قاعدة البيانات. ولم يتم رصد أي انحراف في المخطط، أو عمليات تراجع، أو فشل في المعاملات، أو عدم اتساق في النقل طوال فترة التقييم. ويرد التقييم الكمي لنتائج السلامة في الجدول 9.
| مقياس التحقق | النتيجة المرصودة | معيار القبول | الحالة |
| إجمالي السجلات الرعاية الصحية المنقولة | 20,000,000 | 20,000,000 | ناجح |
| جداول قواعد البيانات 관계ية المنقولة | 28 | 28 | ناجح |
| حجم مجموعة البيانات المنقولة | 10 GB | 10 GB | ناجح |
| التحقق من مجموع التحقق SHA-256 | تطابق 100% | تطابق 100% | ناجح |
| اتساق عدد السجلات | 100% | 100% | ناجح |
| التحقق من المخطط | تم التحقق من جميع الجداول | لا توجد أخطاء في المخطط | ناجح |
| سلامة المفتاح الأساسي | تم التحقق | لا توجد انتهاكات | ناجح |
| سلامة المفتاح الخارجي | تم التحقق | لا توجد انتهاكات | ناجح |
| معدل تلف البيانات | 0% | 0% | ناجح |
| انزياح المخطط | لم يتم رصده | لا يوجد | ناجح |
| أحداث التراجع | 0 | 0 | ناجح |
| معدل اكتمال النقل | 100% | 100% | ناجح |
الجدول 9: نتائج التحقق من سلامة البيانات بعد ترحيل قاعدة البيانات الآمنة. يعرض الجدول مقاييس التحقق الرئيسية من السلامة على الجانب الكمي. وتشمل هذه المقاييس التحقق من تطابق مجموعات هاش SHA-256، واتساق عدد السجلات، والتحقق من صحة المخطط (schema)، والحفاظ على قيود المفاتيح، واكتمال عملية الترحيل، وأحداث التراجع، والنجاح العام لعملية الترحيل عبر عشر تجارب ترحيل منفصلة.
يلخص الجدول 9 نتائج التحقق من سلامة البيانات الكمية التي تم الحصول عليها بعد عملية نقل البيانات السحابية الآمنة. وقد أظهرت النتائج استيفاء جميع معايير قبول النقل عبر عشر تجارب مستقلة.
التصلب ما بعد الهجرة
أدت إدارة بيانات الاعتماد ذات الامتيازات الدنيا المؤقتة إلى تحسين أمن بيانات الاعتماد بشكل كبير مقارنة بإطار عمل الهجرة التقليدي. فقد انخفض متوسط عمر بيانات الاعتماد من 24.7 ± 1.3 h في البيئة المرجعية إلى 0.42 ± 0.18 h في إطار العمل المقترح، مما يمثل انخفاضاً بنسبة 98.3% في مدة التعرض لبيانات الاعتماد. كما تم إلغاء بيانات الاعتماد المؤقتة فور اكتمال عملية الهجرة، ولم يتم اكتشاف أي محاولات مصادقة غير مصرح بها باستخدام بيانات اعتماد منتهية الصلاحية خلال أي من تجارب التشغيل. وقد أدى إزالة بيانات الاعتماد طويلة الأمد إلى تقليل سطح الهجوم المحتمل مع الحفاظ على أداء الهجرة دون انقطاع، كما هو موضح في الشكل 3.
نتائج مراقبة الذكاء الاصطناعي القابل للتفسير
استخراج ميزات الأمان
تم جمع القياسات البعيدة للأمن بنجاح من خوادم قواعد البيانات، وخدمات المصادقة، وخوادم التطبيقات، وأنظمة مراقبة الشبكة. وقد أنتج استخراج الميزات قياسات معيارية لتكرار الوصول، وعدد محاولات تسجيل الدخول الفاشلة، وتغيرات عناوين IP، ومدة الجلسة، وحجم نقل البيانات للكشف عن الشذوذ، كما هو موضح في الجدول 3.
أداء نموذج الكشف عن الشذوذ
أظهر نموذج غابة العزل (Isolation Forest) أداءً قويًا في اكتشاف الشذوذ عبر 10 تجارب مستقلة. وقد بلغ متوسط الدقة (accuracy)، والضبط (precision)، والاستدعاء (recall)، ومقياس F1-score، والمساحة تحت منحنى خصائص تشغيل المستقبل (AUC) القيم 94.6 ± 1.3%، و92.7 ± 1.5%، و93.1 ± 1.6%، و92.9 ± 1.4%، و0.97 ± 0.01، على التوالي. وقد اتبع تكوين النموذج المعايير الملخصة في الجدول 4.
كشف الشذوذ الأمني
أدى إطار المراقبة المقترح إلى تقليل متوسط وقت اكتشاف الحوادث من أكثر من 24 h في بيئة الأساس إلى 15 min تقريبًا. وظلت اكتشافات الإيجابيات الكاذبة أقل من 3%، ولم يتبق أي فشل حرج في الهجرة دون اكتشاف طوال فترة التقييم. تظهر مخرجات نموذجية لاكتشاف الشذوذ في الشكل 4.
تحليل القابلية للتفسير
أنتج TreeExplainer الخاص بـ SHAP نتائج قابلة للتفسير لنسبة مساهمة الميزات لجميع الشذوذات المكتشفة. واستُخدمت مجموعة بيانات خلفية تحتوي على 1,000 عينة تدريب ممثلة لحساب قيم SHAP. وقد حدد تحليل التفسير العام باستمرار أن عدد محاولات تسجيل الدخول الفاشلة، وحجم نقل البيانات، وتغييرات عنوان IP، ومدة الجلسة، وتكرار الوصول هي الميزات الأكثر تأثيراً في التنبؤ بالشذوذ. وأنتج تحليل القابلية للتفسير المتكرر عبر عشر تجارب ترتيباً للميزات متطابقاً تقريباً، مما يدل على استقرار تفسير النموذج. كما حددت تفسيرات SHAP المحلية العوامل الرئيسية التي تساهم في التنبؤات الفردية بالشذوذ، مما أدى إلى تحسين شفافية عملية مراقبة الأمن. وتظهر مخرجات القابلية للتفسير الممثلة في الشكل 5، بينما تم تلخيص ترتيبات أهمية الميزات المقابلة في الجدول 5.
نتائج تقييم الأداء
أظهرت المقارنة مع إطار عمل الهجرة المرجعي تحسينات جوهرية عبر عدة مقاييس أمنية. حيث انخفضت مدة تعرض بيانات الاعتماد بنسبة 98.3%، وتحسنت دقة اكتشاف الشذوذ من 72.4 ± 2.1% إلى 94.6 ± 1.3%، وانخفض عدد نقاط نهاية الهجرة المتاحة للعموم من ست نقاط إلى صفر. كما انخفض متوسط وقت اكتشاف الحوادث بشكل ملحوظ مع الحفاظ على سلامة الهجرة الكاملة طوال فترة التقييم. ورغم أن الضوابط الأمنية الإضافية أدت إلى زيادة زمن انتقال الهجرة بنسبة 11.2 ± 2.9%، إلا أن الزيادة الملحوظة ظلت دون عتبة القبول المحددة مسبقاً وهي 15%، مما يشير إلى تحقيق التحسينات الأمنية بأقل تأثير على كفاءة الهجرة. تظهر نتائج تقييم الأداء الممثلة في الشكل 6، بينما تلخص المقارنة الكمية بين الإطارين المرجعي والمقترح في الجدول 7.
التحقق الإحصائي وقابلية التكرار
أظهر التحليل الإحصائي تحسينات ملحوظة في مدة تعرض بيانات الاعتماد، ودقة اكتشاف الشذوذ، ووقت اكتشاف الحوادث، وزمن انتقال الهجرة بين الإطار المرجعي والإطارات المقترحة (اختبار t للعينات المرتبطة، p < 0.05). وأظهرت فترات الثقة 95% المحسوبة تباينًا منخفضًا عبر 10 تجارب مستقلة، مما يؤكد قابلية التكرار واستقرار البروتوكول المقترح. النتائج التفصيلية لكل تجربة موضحة في الجدول 10.
| التشغيل التجريبي | مدة تعريض بيانات الاعتماد (h) | دقة اكتشاف الشذوذ (%) | كمون الهجرة (min) | تحقق SHA-256 | حالة الهجرة |
| التشغيل 1 | 0.45 | 94.3 | 96.8 | ناجح | ناجحة |
| التشغيل 2 | 0.41 | 95 | 98.2 | ناجح | ناجحة |
| التشغيل 3 | 0.39 | 94.7 | 95.9 | ناجح | ناجحة |
| التشغيل 4 | 0.44 | 94.5 | 97.6 | ناجح | ناجحة |
| التشغيل 5 | 0.43 | 94.8 | 96.9 | ناجح | ناجحة |
| التشغيل 6 | 0.4 | 94.2 | 98.5 | ناجح | ناجحة |
| التشغيل 7 | 0.42 | 95.1 | 97.2 | ناجح | ناجحة |
| التشغيل 8 | 0.38 | 94.6 | 96.7 | ناجح | ناجحة |
| التشغيل 9 | 0.43 | 94.9 | 97.8 | ناجح | ناجحة |
| التشغيل 10 | 0.41 | 94.5 | 97 | ناجح | ناجحة |
| المتوسط ± الانحراف المعياري | 0.42 ± 0.02 | 94.66 ± 0.29 | 97.26 ± 0.80 | 100% ناجح | 10/10 ناجحة |
الجدول 10: قابلية تكرار التجارب عبر عشر عمليات ترحيل منفصلة. يعرض الجدول ملخصاً للفترة الزمنية التي تعرضت خلالها بيانات الاعتماد، ودقة اكتشاف الشذوذ، وتأخير عملية الترحيل، وحالة التحقق من SHA-256، ونجاح الترحيل لكل تشغيل تجريبي، مما يثبت استقرار وقابلية تكرار إطار عمل ترحيل السحابة الآمن المقترح تحت نفس الظروف التجريبية.
يعرض الجدول 10 النتائج التفصيلية لجميع التشغيلات التجريبية العشر المستقلة، مما يثبت اتساق واستقرار وقابلية تكرار بروتوكول ترحيل السحابة الآمن المقترح تحت ظروف تجريبية متطابقة.
أظهر التقييم التجريبي أن دمج أمن الثقة الصفرية، والتحكم في الوصول القائم على امتياز الحد الأدنى المؤقت، والمراقبة المستمرة للشذوذ، والقابلية للتفسير القائمة على SHAP، قد أدى إلى تحسين أمن الهجرة مع الحفاظ على السلامة الكاملة لقاعدة البيانات وأداء مقبول لعملية الهجرة. وبما أن التجارب أجريت باستخدام مجموعة بيانات رعاية صحية اصطناعية ضمن بيئة سحابية محكومة، فيجب تفسير هذه النتائج في سياق التكوين التجريبي الذي تم تقييمه. وسيتطلب الأمر إجراء تحقق إضافي باستخدام بنى تحتية تشغيلية للرعاية الصحية، ومجموعات بيانات سريرية حقيقية، وبيئات سحابية متعددة المؤسسات قبل تعميم البروتوكول للنشر الروتيني في أنظمة الرعاية الصحية الإنتاجية.
المناقشة
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
في هذا البحث، تم تطوير بروتوكول لنقل قواعد بيانات الحوسبة السحابية يتسم بالأمان وقابلية التكرار، حيث يدمج مبادئ أمن الثقة الصفرية، والتحكم في الوصول القائم على أقل الامتيازات المحددة زمنياً، والذكاء الاصطناعي القابل للتفسير (XAI)، والمراقبة الأمنية المستمرة، وكل ذلك ضمن إطار تجريبي مقيد. لم يكن الهدف من هذا البحث استخدام خوارزمية نقل جديدة؛ وبناءً عليه، يقدم المؤلفون بشكل أساسي سير عمل موحد يتيح للباحثين والممارسين تنفيذ عملية نقل قواعد بيانات الرعاية الصحية الآمنة وتقييمها وتكرارها من خلال خطوات إجرائية موضحة بدقة. ويعتمد نجاح تنفيذ هذا البروتوكول على الأداء الدقيق لعدة خطوات بالغة الأهمية. إذ يساعد نمذجة التهديدات بدقة عالية بشكل كبير في التعرف على الأصول التي ستخضع للنقل، والطرق التي قد يتسلل من خلالها المهاجمون، ومجموعة الضوابط الأمنية التي ستكون فعالة، ويتم تنفيذ كل ذلك قبل عملية النقل. كما تعد عملية التحقق من مخطط قاعدة البيانات (database schema validation) خطوة يجب إنجازها قبل نقل البيانات لتجنب التضاربات الهيكلية وانزياح المخطط (schema drift). ومن ناحية النقل، يجب إنشاء بيانات اعتماد مؤقتة وفقاً لمبدأ أقل الامتيازات الزمنية، مع ضرورة الالتزام باستخدام بروتوكول التشفير TLS 1.3 لتأمين الاتصالات، كما يجب جمع سجلات النقل بشكل مستمر لاستخدامها في المراقبة الأمنية والتدقيق. ولا يتم إفراغ بيئة النقل والتخلي عنها إلا بعد إتمام مهام مثل التحقق من المجموع التدقيقي SHA-256، والتحقق من عدد السجلات، وفحوصات اتساق المخطط، والتي تثبت الحفاظ على سلامة قاعدة البيانات.
تتطلب مكون مراقبة الشذوذ القابل للتفسير أيضاً خطوات تكوين دقيقة لتحقيق نتائج قابلة للتكرار. ومن بين العوامل الهامة التي تؤثر على أداء كشف الشذوذ وجودة التفسير: اختيار ميزات القياس البعيد الأمنية المناسبة، والمعالجة المسبقة المتسقة لسجلات المراقبة، والمعلمات الفائقة المناسبة لغابة العزل (Isolation Forest)، ومجموعة بيانات SHAP خلفية تمثيلية. وقد تؤدي التغييرات في إعدادات التكوين هذه إلى تغييرات في درجات الشذوذ، وقيم إسناد الميزات، وقابلية تفسير النموذج بشكل عام. لذا، يُنصح الباحثون بضرورة بقاء إصدارات البرامج، ومعلمات النموذج، وإعدادات التقييم متطابقة لإعادة تنفيذ البروتوكول.
صُممت إجراءات استكشاف أخطاء البروتوكول وإصلاحها لمساعدة المستخدمين في معالجة مشكلات التنفيذ الشائعة، مثل عدم توافق المخططات، وانقطاعات الشبكة، وفشل المصادقة، وزيادة الكشوفات الإيجابية الكاذبة، وعبء زمن انتقال الترحيل. إن التحقق المنهجي بعد كل خطوة من خطوات البروتوكول سيمكّن من تحديد هذه المشكلات وتصحيحها قبل تنفيذ الخطوات التالية من عملية الترحيل. وتعد هذه إحدى الطرق لتعزيز موثوقية وقابلية تكرار سير العمل التجريبي.
على الرغم من أن التقييم التجريبي أظهر أن الإعداد الذي تم اختباره يمكن أن يعزز حماية بيانات الاعتماد، واكتشاف الشذوذ، والقابلية للتفسير، وسلامة الترحيل، إلا أنه يجب اعتبار النتائج محددة بنطاق هذا البحث فقط. فقد تم اختبار البروتوكول فقط باستخدام مجموعة بيانات رعاية صحية اصطناعية في بيئة مختبر سحابية وليس في نظام معلومات رعاية صحية حقيقي. ولا ينبغي اعتبار النتائج المعروضة هنا دليلاً على الامتثال التنظيمي أو الاستخدام السريري، بل تشير بدلاً من ذلك إلى إمكانية تنفيذ هذه التقنية في بيئة مختبرية محكومة، وأنها توفر إطاراً يمكن للآخرين استخدامه في دراسات تحقق إضافية.
بحثت عدة دراسات حديثة في الهجرة الآمنة للسحابة الصحية، وبنى الأمن القائمة على الثقة المعدومة (zero-trust)، والذكاء الاصطناعي القابل للتفسير؛ ومع ذلك، ركز معظمها على آليات أمنية فردية بدلاً من سير عمل تكاملي وقابل للتكرار لعملية الهجرة. توفر بنية الثقة المعدومة (Zero Trust Architecture) الخاصة بالمعهد الوطني للمعايير والتكنولوجيا (NIST) توجيهات شاملة للتحقق المستمر من الهوية والتحكم في الوصول بأقل الامتيازات، ولكنها لا تحدد بروتوكولاً موحداً للهجرة الآمنة لقواعد البيانات أو مراقبة أمنية قابلة للتفسير أثناء الهجرة1. وبالمثل، تركز أطر هجرة السحابة الصحية الحالية بشكل أساسي على تبني السحابة، والتشفير، والحوكمة، والامتثال التنظيمي، ولكنها تقدم توجيهات إجرائية محدودة لتنفيذ الهجرة الآمنة والتحقق من صحتها وقابليتها للتكرار7,8,9. وقد أظهرت مناهج أمن السحابة القائمة على الذكاء الاصطناعي قدرات محسنة في اكتشاف الشذوذ من خلال كشف التسلل ومراقبة الأمن القائمة على تعلم الآلة؛ ومع ذلك، تركز هذه الطرق عموماً على أداء الاكتشاف دون دمج تفسيرات قابلة للتأويل لدعم التدقيق الأمني واتخاذ القرارات الإدارية6,13. وقد حسّنت تقنيات الذكاء الاصطناعي القابل للتفسير، مثل تفسيرات SHapley المضافة (SHAP) والتفسيرات المحلية القابلة للتأويل والمستقلة عن النموذج (LIME)، من شفافية تنبؤات تعلم الآلة بشكل كبير17,18,19,20، ولكن ظل تطبيقها محدوداً إلى حد كبير في تفسير النماذج بدلاً من دمجها في سير عمل متكامل للهجرة السحابية الآمنة. وفي المقابل، يجمع البروتوكول المقترح بين بنية الثقة المعدومة، وإدارة اعتمادات أقل الامتيازات الزمنية، وهجرة قواعد البيانات المشفرة، والتحقق من السلامة بناءً على مجموع التحقق (checksum) من نوع SHA-256، والمراقبة المركزية المستمرة، واكتشاف الشذوذ القائم على غابة العزل (Isolation Forest)، والقابلية للتفسير القائمة على SHAP ضمن سير عمل واحد موحد وقابل للتكرار. ويعزز هذا الإطار المتكامل الشفافية، والقابلية للتدقيق، والقابلية للتكرار، مع الحفاظ على السلامة الكاملة للهجرة وزمن انتقال مقبول تحت الظروف التجريبية التي تم تقييمها.
ومع ذلك، هناك العديد من القيود التي يجب مراعاتها عند تفسير نتائج هذا البروتوكول. أولاً، تم إجراء التقييم باستخدام مجموعة بيانات اصطناعية قد لا تعكس التعقيد الكامل والتنوع وتحديات الأمان الموجودة في قواعد البيانات السريرية الواقعية. ثانياً، تم اختبار البروتوكول في بيئة سحابية واحدة محكومة فقط، وقد يختلف الأداء لدى مزودي الخدمات السحابية الآخرين، أو منصات قواعد البيانات، أو البنى التحتية للشبكات. ثالثاً، وبينما استخدم المؤلفون سير عمل تقليدي لعملية الترحيل كعنصر تحكم، فإن مقارنة نتائجهم بطرق ترحيل آمنة أخرى وبنى أمان سحابية مختلفة سيكون مفيداً في الدراسات المستقبلية. رابعاً، تم إجراء التحقق الإحصائي على عشر تجارب ترحيل مستقلة فقط؛ وقد تعطي الدراسات واسعة النطاق مؤشراً أفضل على قوة البروتوكول. خامساً، لم يأخذ المؤلفون في الاعتبار بشكل صريح سيناريوهات الهجمات المعادية مثل سرقة بيانات الاعتماد، أو التهديدات الداخلية، أو برمجيات الفدية، أو الهجمات المستمرة المتقدمة، والتي يجب أن تكون محوراً للأبحاث المستقبلية. أخيراً، ستعتمد جودة الإطار المقترح على مدى دقة تكوين سياسات إدارة الهوية، ومعلمات اكتشاف الشذوذ، والبنية التحتية لتسجيل الأحداث، وإعدادات القابلية للتفسير؛ فإذا كانت هذه التكوينات غير صحيحة، سيتأثر كل من أمان الترحيل وأداء المراقبة سلباً.
بشكل عام، يقدم هذا البروتوكول إطاراً ومنهجاً يمكن تكراره لدراسة ترحيل قواعد البيانات السحابية الآمنة عن طريق الذكاء الاصطناعي القابل للتفسير في بيئات بحثية خاضعة للرقابة. ويمكن تنفيذ التحقق والتثبت من صحة هذا البروتوكول في أعمال مستقبلية من خلال تشغيل أنظمة معلومات الرعاية الصحية القائمة، وباستخدام مجموعة متنوعة من المنصات السحابية، وتقنيات قواعد بيانات مختلفة، ومجموعات بيانات سريرية حقيقية لتقييم قابلية التوسع، والتعميم، والتطبيق العملي للبروتوكول.
تصف هذه الورقة طريقة قابلة للتكرار لترحيل قواعد البيانات السحابية الآمن، والتي تدمج مبادئ أمن الثقة الصفرية، والتحكم في الوصول المؤقت بأقل الامتيازات، والذكاء الاصطناعي القابل للتفسير (XAI)، والمراقبة الأمنية المستمرة في بيئة سحابية محكومة. وتحدد هذه الطريقة بالتفصيل خطوات إعداد مجموعة البيانات، ونمذجة التهديدات، والترحيل الآمن، والتحقق من السلامة، وكشف الشذوذ، وتحليل القابلية للتفسير، وتقييم الأداء. وقد أظهرت التجارب التي أجريت على مجموعة بيانات رعاية صحية اصطناعية أن هذا البروتوكول يمكن أن يعزز أمن بيانات الاعتماد، ويحافظ على سلامة عملية الترحيل، ويكشف عن حالات الشذوذ بدقة، ويراقب الأمن بطريقة قابلة للتفسير مع الحفاظ على زمن تأخير الترحيل عند مستوى مقبول. ويهدف هذا الإجراء المعياري إلى جعل تنفيذ وتقييم استراتيجيات الترحيل السحابي الآمن أكثر قابلية للتكرار في الأوساط الأكاديمية.
يجب أخذ النتائج في الاعتبار ضمن حدود الإعداد التجريبي الذي تم التحكم فيه بدقة والمستخدم في هذه الدراسة. وبما أن البروتوكول قد تم اختباره باستخدام مجموعة بيانات رعاية صحية اصطناعية بدلاً من نظام معلومات رعاية صحية حقيقي، فلا ينبغي اعتبار النتائج مؤشرات على إمكانية النشر السريري، أو الامتثال التنظيمي، أو التنفيذ في بيئات الإنتاج واسعة النطاق. وينبغي أن تركز جهود البحث اللاحقة على استخدام إعدادات رعاية صحية فعلية، ومنصات سحابية مختلفة، وتقنيات قواعد بيانات متنوعة، ومجموعات بيانات سريرية أكبر لاختبار مدى مرونة البروتوكول وموثوقيته وفائدته العملية بشكل أكبر.
الإفصاحات
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
يصرح المؤلفون بأنه ليس لديهم أي مصالح مالية متضاربة، أو علاقات تجارية، أو علاقات شخصية من شأنها أن تؤثر على العمل الوارد في هذه الدراسة. وليس لدى المؤلفين أي تضارب في المصالح للإفصاح عنه. جميع المواد المطلوبة لإعادة إنتاج المنهجية المقدمة في هذه الدراسة متاحة للعموم في مستودع GitHub. المستودع متاح على الرابط التالي: https://github.com/priyankanalawade896-tech/XAI-Secure-Cloud-Data-Migration. يحتوي المستودع فقط على بيانات مرجعية تم إنشاؤها اصطناعياً ولا يتضمن أي معلومات حقيقية عن المرضى، أو معلومات صحية محمية، أو سجلات رعاية صحية يمكن من خلالها تحديد الهوية.
شكر وتقدير
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
يقر المؤلفون بالدعم المؤسسي الذي قدمته مؤسساتهم التابعة خلال مرحلتي تطوير وتقييم هذا البروتوكول. كما يقر المؤلفون باستخدام المرافق الحسابية المؤسسية وموارد الحوسبة السحابية التي دعمت التحقق التجريبي من إطار عمل ترحيل البيانات السحابية الآمن المقترح.
لم يتلق هذا البحث أي تمويل خارجي. وقد أُجريت الدراسة باستخدام مرافق البحوث المؤسسية والموارد الحسابية التي وفرتها المؤسسات التابعة للمؤلفين. كما لم يتم تلقي أي منح تمويلية أو دعم مالي من أي وكالة تمويل عامة أو تجارية أو غير ربحية.
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| تشفير AES | NIST | AES-256 | تشفير البيانات الساكنة |
| Amazon RDS PostgreSQL | Amazon Web Services | PostgreSQL 16 | قاعدة البيانات المستهدفة |
| المنصة السحابية | Amazon Web Services | AWS | البنية التحتية السحابية |
| CloudWatch | Amazon Web Services | أحدث إصدار مستقر | المراقبة وتسجيل الأحداث |
| Docker | Docker Inc. | 27.0 | الحاويات البرمجية |
| Faker | Faker Developers | 30.0 | توليد البيانات الاصطناعية |
| وحدة معالجة الرسوميات GPU | NVIDIA | RTX 4090 | 24 GB VRAM |
| Matplotlib | Matplotlib Developers | 3.9 | التصور البياني |
| NumPy | NumPy Developers | 1.26 | المعالجة العددية |
| نظام التشغيل | Canonical | Ubuntu 22.04 LTS | بيئة النظام |
| Pandas | PyData | 2.2 | معالجة البيانات |
| PostgreSQL | PostgreSQL Global Development Group | 16 | قاعدة البيانات المصدر |
| Python | Python Software Foundation | 3.11 | لغة البرمجة |
| Scikit-learn | Scikit-learn Developers | 1.5 | تعلم الآلة |
| SHAP | SHAP Developers | 0.46 | الذكاء الاصطناعي القابل للتفسير |
| Terraform | HashiCorp | 1.8 | توفير البنية التحتية |
| TLS | IETF | TLS 1.3 | تشفير البيانات أثناء النقل |
| السحابة الخاصة الافتراضية | Amazon Web Services | VPC | بيئة شبكة خاصة |
| محطة العمل | Dell/HP | NA | Intel Xeon Gold 6226R, 64 GB RAM, 1 TB SSD |
المراجع
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
- Kindervag J. Build security into your network's DNA: The Zero Trust Network Architecture. Cambridge (MA): Forrester Research; 2010.
- Rose S, Borchert O, Mitchell S, Connelly S. Zero Trust Architecture. NIST Special Publication 800-207. Gaithersburg (MD): National Institute of Standards and Technology; 2020. doi:10.6028/NIST.SP.800-207.
- Rieke N, et al. The future of digital health with federated learning. NPJ Digit Med. 2020;3:119. doi:10.1038/s41746-020-00323-1.
- Kairouz P, McMahan HB, Avent B, Bellet A, Bennis M, Bhagoji AN, et al. Advances and open problems in federated learning. Found Trends Mach Learn. 2021;14(1-2):1-210. doi:10.1561/2200000083.
- Nguyen DC, Ding M, Pathirana PN, Seneviratne A, Li J, Niyato D, et al. Privacy-preserving federated learning: A comprehensive survey. IEEE Commun Surv Tutor. 2021;23(3):1622-1651. doi:10.1109/COMST.2021.3075434.
- Sarker IH. AI-driven cybersecurity: An overview, security intelligence modeling, and research directions. SN Comput Sci. 2021;2:173. doi:10.1007/s42979-021-00557-0.
- Kuo AM. Opportunities and challenges of cloud computing to improve health care services. J Med Internet Res. 2011;13(3):e67. doi:10.2196/jmir.1867.
- Kota TK. Cloud migration for healthcare data: Challenges and solutions. Nanotechnol Percept. 2024;20:3048-3062.
- Rancea A, Anghel I, Cioara T. Edge computing in healthcare: Innovations, opportunities, and challenges. Future Internet. 2024;16(9):329.
- Mersha M, et al. Explainable artificial intelligence: A survey of needs, techniques, applications, and future direction. Neurocomputing. 2024;599:128111. doi:10.1016/j.neucom.2024.128111.
- Mennella C, Maniscalco U, De Pietro G, Esposito M. Ethical and regulatory challenges of AI technologies in healthcare: A narrative review. Heliyon. 2024;10(4):e26297. doi:10.1016/j.heliyon.2024.e26297.
- Roppelt JS, Kanbach DK, Kraus S. Artificial intelligence in healthcare institutions: A systematic literature review on influencing factors. Technol Soc. 2024;76:102443. doi:10.1016/j.techsoc.2023.102443.
- Lekkala S, Avula R, Gurijala P. Next-Gen firewalls: Enhancing cloud security with generative AI. J Artif Intell Cloud Comput. 2024;3(4):1-9. doi:10.47363/JAICC/2024(3)404.
- Al-Hammuri K, Gebali F, Kanan A. ZTCloudGuard: Zero Trust context-aware access management framework to avoid medical errors in the era of generative AI and cloud-based health information ecosystems. AI. 2024;5(3):1111-1131. doi:10.3390/ai5030055.
- Pfeifer B, Sirocchi C, Bloice MD, Kreuzthaler M, Urschler M. Federated unsupervised random forest for privacy-preserving patient stratification. Bioinformatics. 2024;40(Suppl 2):ii198-ii207. doi:10.1093/bioinformatics/btae382.
- Li T, Sahu AK, Talwalkar A, Smith V. Federated learning: Challenges, methods, and future directions. IEEE Signal Process Mag. 2020;37(3):50-60. doi:10.1109/MSP.2020.2975749.
- Lundberg SM, Lee SI. A unified approach to interpreting model predictions. In: Proceedings of the 31st International Conference on Neural Information Processing Systems (NeurIPS); 2017. p. 4768-4777.
- Ribeiro MT, Singh S, Guestrin C. "Why should I trust you?": Explaining the predictions of any classifier. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining; 2016. p. 1135-1144. doi:10.1145/2939672.2939778.
- Ortigossa ES, Gonçalves T, Nonato LG. Explainable artificial intelligence (XAI)—From theory to methods and applications. IEEE Access. 2024;12:80799-80846. doi:10.1109/ACCESS.2024.3409843.
- Chaddad A, et al. Explainable, domain-adaptive, and federated artificial intelligence in medicine. IEEE/CAA J Autom Sin. 2023;10(4):859-876. doi:10.1109/JAS.2023.123123.
- Albshaier L, Almarri S, Albuali A. Federated learning for cloud and edge security: A systematic review of challenges and AI opportunities. Electronics. 2025;14(5):1019. doi:10.3390/electronics14051019.
- Vani MS, Sudhakar RV, Mahendar A, et al. Personalized health monitoring using explainable AI: Bridging trust in predictive healthcare. Sci Rep. 2025;15:31892. doi:10.1038/s41598-025-15867-z.
- Zakhmi K, et al. Evolving Zero Trust architectures for AI-driven cyber threats in healthcare and other high-risk data environments: A systematic review. Cureus. 2025;17(6):e85446. doi:10.7759/cureus.85446.
- Selvaperumal D, et al. Artificial intelligence-enabled zero-trust cyber security framework for smart healthcare infrastructure. Int J Artif Intell Mach Learn. 2026;6(2 Suppl):204-217. doi:10.51483/IJAIML.6.2s.2026.204-217.
- Abbas SR, Seol H, Abbas Z, Lee SW. Exploring the role of artificial intelligence in smart healthcare: A capability and function-oriented review. Healthcare (Basel). 2025;13(14):1642. doi:10.3390/healthcare13141642.
- Al-Nafjan A, et al. Artificial intelligence in predictive healthcare: A systematic review. J Clin Med. 2025;14(19):6752. doi:10.3390/jcm14196752.
- Qureshi SS, et al. Advanced AI-driven intrusion detection for securing cloud-based industrial IoT. Egypt Inform J. 2025;30:100644. doi:10.1016/j.eij.2025.100644.
- Chen T, Guestrin C. XGBoost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining; 2016. p. 785-794. doi:10.1145/2939672.2939785.
- Liu FT, Ting KM, Zhou ZH. Isolation Forest. In: Proceedings of the 8th IEEE International Conference on Data Mining; 2008. p. 413-422. doi:10.1109/ICDM.2008.17.
- Abadi M, Agarwal A, Barham P, Brevdo E, Chen Z, Citro C, et al. TensorFlow: A system for large-scale machine learning. In: Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI); 2016. p. 265-283.
إعادة الطباعة والأذونات
طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه
طلب إذن