DoS Detection & Response
كاشف تسلل بتعلم الآلة اختُبر بصدق — بما في ذلك على هجوم لم يره من قبل.
- الحالة
- مقرر تعلّم الآلة التطبيقي لتحليلات الأمن — مشروع مقرر مع ورقة وعرض وكود ونماذج مدرّبة.
- الفترة
- 2026
- المنصات
- Python
- المستودع
- عرض الكود
- منشور
- —

01نظرة عامة
يصنّف تدفقات الشبكة من مجموعة CIC-IDS2017 إلى سليمة أو هجوم حجب خدمة، ويقيّم المصنّف على بيانات محجوزة وأخرى من خارج التوزيع، ويقود استجابة آلية محاكاة — حجب التدفقات والتنبيه وحظر العناوين في الجدار الناري — انطلاقاً من تنبؤات النموذج. مع ورقة بحثية وعرض تقديمي.
بالأرقام
- F1 على الاختبار المحجوز
- 0.9989
- F1 على الاختبار المحجوز
- README §5.1
- معدل الإنذار الكاذب
- 0.07%
- معدل الإنذار الكاذب
- README §5.1
- من تدفقات الهجوم غير المرئي أُوقفت
- 92%
- من تدفقات الهجوم غير المرئي أُوقفت
- README
- جهاز بريء حُظر (عناوين محاكاة)
- 0
- جهاز بريء حُظر (عناوين محاكاة)
- README §6
02المشكلة
كثير من أوراق كشف التسلل تعرض نتائج شبه مثالية على تقسيم عشوائي لحركة اليوم نفسه — وهذا لا يقول الكثير عن الهجوم التالي. الهدف كاشف تُقاس حدوده ولا تُخفى.
03الحل
قواعد التنظيف اختيرت من بيانات الأربعاء فقط وطُبقت دون تغيير على الجمعة؛ وحُذف منفذ الوجهة لمنع التعلّم بالاختصار؛ وأُزيلت المكررات لمنع التسرّب؛ وتقسيم طبقي ٨٠/٢٠ مع الضبط داخل التدريب فقط؛ واستُخدم هجوم الجمعة مرة واحدة كاختبار من خارج التوزيع. ونطاق «تنبيه» منفصل في محرك الاستجابة يعكس عدم يقين النموذج.
04الميزات الرئيسية
- 01
نتائج البيانات المحجوزة
الغابة العشوائية على ١١٦٬٩٩٦ تدفقاً لم تُرَ من الأربعاء: دقة 0.9985، واستدعاء 0.9993، وF1 بقيمة 0.9989، ومعدل إنذار كاذب 0.07٪ — ٨٦ خطأً فقط.
- 02
التعميم بوضوح
على هجوم الجمعة غير المرئي ينخفض الاستدعاء لكل تدفق إلى 0.633 (دقة 0.9994). أما XGBoost — الأفضل قليلاً يوم الأربعاء — فينهار إلى 0.113، ولهذا اختيرت الغابة العشوائية.
- 03
استجابة تعمل رغم ذلك
حتى مع استدعاء 0.63 لكل تدفق، مكّن الحظر القائم على المخالفات طبقةَ الاستجابة من إيقاف ٩٢٫٣٪ من تدفقات الهجوم وحظر عناوين المهاجمين الثلاثين كلها دون حظر جهاز بريء. والعناوين محاكاة — فالمجموعة لا تحويها.
- 04
تحليل الأخطاء
كل الأخطاء تقريباً تدفقات لم يُرسل فيها الخادم أي بيانات — غموض حقيقي. والنموذج غير واثق في أخطائه (متوسط احتمال الهجوم 0.29 للفائت و0.83 للإنذارات الكاذبة).
05الشاشات
06معمارية النظام
- L1البيانات
- CIC-IDS2017 CSV
- Cleaning → Parquet
- 584,980 flows × 66 features
- L2النمذجة
- Dummy
- Logistic Regression
- Random Forest (3-fold CV)
- XGBoost
- L3التقييم
- Held-out 20%
- Unseen Friday DDoS
- Per-attack recall
- Error profile
- L4الاستجابة
- Flow blocking
- ALERT band
- Firewall IP bans
- Generated rules
07دروس مستفادة
اعرض الاختبار الذي قد تفشل فيه. رقم ما خارج التوزيع هو المهم في الإنتاج.
التقنيات
- Python
- scikit-learn
- XGBoost
- pandas
- Parquet
- Jupyter
- Random Forest
- Machine Learning
كيف تم التحقق
تمت مراجعة الكود والوثائق والنتائج. المخططات ولقطات الطرفية ناتجة عن تشغيلات المشروع نفسه وتُعرض دون تعديل.
مشاريع ذات صلة
- A
AI Agent Engineering — coursework
- MCP
- LangGraph
- A2A
- JSON-RPC
- Node.js
- React
- Anthropic API
- AI Agents
AI Agent Engineering — coursework
خوادم MCP واستخدام الأدوات ومخططات LangGraph متعددة الوكلاء وبروتوكول A2A.
عمل مقررذكاء اصطناعيبحث - Sسِراج
Siraj
- Kotlin
- Jetpack Compose
- Accessibility Service
- TensorFlow Lite
- WorkManager
- Hilt
- Room
- Machine Learning
Siraj
سِراجحماية وقت الصلاة من انشغال السوشيال ميديا — ومراجعة أثرك الرقمي بصدق.
نموذج أوليأندرويدذكاء اصطناعيتعلّم الآلة 
Wakeel
وكيلموظف ذكاء اصطناعي يردّ على عملاء النشاط التجاري عبر واتساب وإنستغرام وماسنجر — بلهجتهم العربية.
تجريبيSaaSذكاء اصطناعيويب
المشروع التالي
Athar