تحليل وتصنيف أنماط الهجمات السيبرانية باستخدام خوارزمية شجرة القرار: دراسة قائمة على البيانات الاصطناعية

• رضوان محمد مروان

  قسم تقنية المعلومات ،المعهد العالي للعلوم والتقنية، تاجوراء، ليبيا

  Author

تُشكّل الهجمات السيبرانية تهديداً خطيراً لأمن تطبيقات الويب والخدمات عبر الإنترنت. ويوفر الذكاء الاصطناعي (AI) أساليب فعالة لتحليل أنماط الهجمات وتصنيف أنواع مختلفة منها. تبحث هذه الورقة في مدى فاعلية خوارزمية "شجرة القرار" (Decision Tree) في مهام تصنيف الهجمات، بما في ذلك التصيد الاحتيالي (Phishing)، وحقن لغة الاستعلام الهيكلية (SQLi)، وهجمات حجب الخدمة وحجب الخدمة الموزع (DoS/DDoS)، والهجمات المتعلقة بكلمات المرور. أُجريت التجارب باستخدام لغة البرمجة "بايثون" (Python) بالاعتماد على مجموعات بيانات مُولَّدة اصطناعياً. ولتقييم أداء النموذج، وتحديد السمات المؤثرة، وتحليل أخطاء التصنيف، تم قياس دقة النموذج، واستخدام مصفوفات الارتباك (Confusion Matrices)، ومقاييس "F1-score" لكل فئة على حدة، بالإضافة إلى تقييم أهمية السمات (Feature Importance). أظهرت النتائج معدلات دقة بلغت 85.0% للتصيد الاحتيالي، و95.5% لهجمات SQLi، و99.0% لهجمات DoS/DDoS، و52.0% للهجمات المتعلقة بكلمات المرور. تسلط هذه النتائج الضوء على تباين أداء النموذج في التعرف على فئات الهجمات الأربع المختارة، وتؤكد على مدى تعقيد التمييز بين فئات الهجمات المرتبطة بكلمات المرور. تقدم الورقة مقارنة شاملة حول كيفية استفادة خوارزمية "شجرة القرار" من سمات المدخلات لتصنيف أنماط الهجمات في ظل ظروف تجريبية مضبوطة. ومع ذلك، فإن استخدام مجموعات بيانات مُولَّدة اصطناعياً تحتوي على أنماط هجوم محددة قد يؤثر على دقة النتائج وإمكانية تعميمها. تساهم نتائج هذه الدراسة في تعزيز الأبحاث المتنامية حول توظيف خوارزميات الذكاء الاصطناعي في مجال الأمن السيبراني للكشف عن الهجمات وتصنيفها؛ غير أن هناك حاجة إلى إجراء المزيد من البحوث للتحقق من هذه النتائج من خلال دراسات أوسع نطاقاً وباستخدام مجموعات بيانات واقعية. إن مقارنة أداء الخوارزميات المختلفة يمكن أن تساعد في تحديد نقاط القوة والضعف في كل نهج، مما يسهم في تحسين دقة وكفاءة عمليات الكشف عن الهجمات السيبرانية وتصنيفها. علاوة على ذلك، تؤكد نتائج هذا البحث على أهمية توفر بيانات عالية الجودة وتحديد دقيق لطبيعة المشكلة عند تطوير حلول فعالة للكشف عن الهجمات السيبرانية وتصنيفها.

1. رضوان محمد مروان، قسم تقنية المعلومات ،المعهد العالي للعلوم والتقنية، تاجوراء، ليبيا

   قسم تقنية المعلومات ،المعهد العالي للعلوم والتقنية، تاجوراء، ليبيا

Ahmadi, S. (2024). AI in the detection and prevention of distributed denial of service (DDoS) attacks. International Journal of Advanced Computer Science and Applications, 15(10). https://doi.org/10.14569/IJACSA.2024.0151004 DOI: https://doi.org/10.14569/IJACSA.2024.0151004

Al-Odat, Z. (2025). Optimized distributed gradient boosting with explainable artificial intelligence for real-time ransomware detection in networked environments. International Journal of Electrical and Electronic Engineering & Telecommunications, 14(4). DOI: https://doi.org/10.18178/ijeetc.14.4.233-242

Blockeel, H., Devos, L., Frénay, B., Nanfack, G., & Nijssen, S. (2023). Decision trees: From efficient prediction to responsible AI. Frontiers in Artificial Intelligence, 6, Article 1124553. https://doi.org/10.3389/frai.2023.1124553 DOI: https://doi.org/10.3389/frai.2023.1124553

Chakraborty, A., Biswas, A., & Khan, A. K. (2023). Artificial intelligence for cybersecurity: Threats, attacks and mitigation. In Artificial intelligence for societal issues (pp. 3–25). Springer. https://doi.org/10.1007/978-3-031-12419-8_1 DOI: https://doi.org/10.1007/978-3-031-12419-8_1

Ferdous, J., Islam, R., Mahboubi, A., & Islam, M. Z. (2024). AI-based ransomware detection: A comprehensive review. IEEE Access, 12, 136666–136695. https://doi.org/10.1109/ACCESS.2024.3461965 DOI: https://doi.org/10.1109/ACCESS.2024.3461965

Foley, J. (2026). Cybersecurity future threats in artificial intelligence: A comprehensive analysis. Journal of Advanced Artificial Intelligence, Engineering and Technology, 2(1). https://doi.org/10.56147/aaiet.2.1.113 DOI: https://doi.org/10.56147/aaiet.2.1.113

George, R., & Zeratsion, E. (2025). Detection of SSH brute-force attacks using machine learning: A comparative study with Fail2Ban and PAM Tally2 [Master’s thesis, University West].

Hamza, A. A., & Al-Janabi, R. J. S. (2024). Detecting brute force attacks using machine learning. BIO Web of Conferences, 97, Article 00045. https://doi.org/10.1051/bioconf/20249700045 DOI: https://doi.org/10.1051/bioconf/20249700045

Ismaeel, M., Lokhande, P., & Kotiyal, B. (2025). Enhancing web security detection with AI-driven mitigation techniques. In Proceedings of the MULTINOVA: First International Conference on Artificial Intelligence in Engineering, Healthcare and Sciences (ICAIEHS-2025) (pp. 181–194). Atlantis Press. https://doi.org/10.2991/978-94-6463-852-3_12 DOI: https://doi.org/10.2991/978-94-6463-852-3_12

Kalgude, K. (2022). Bug detection using artificial intelligence and cyber security [Master’s dissertation, Solent University].

Kang, G. (2025). Artificial intelligence for threat detection: Leveraging deep learning to identify zero-day attacks in real time. Universal Library of Engineering Technology, 2(4), 74–79. https://doi.org/10.70315/uloap.ulete.2025.0204013 DOI: https://doi.org/10.70315/uloap.ulete.2025.0204013

Kaushal, H. (2024). XSS exploit generation using AI. International Journal of Research Publication and Reviews, 5(3), 4875–4881.

Kumari, P., Raj, R., Bhandari, H., Goenka, K., & Anjana, R. (2026). AI based cyber threats and vulnerability detection, prevention and prediction system. International Journal for Research in Applied Science & Engineering Technology, 14(6), 85–95. https://doi.org/10.22214/ijraset.2026.83342 DOI: https://doi.org/10.22214/ijraset.2026.83342

Mereani, F. A., & Howe, J. M. (2018). Detecting cross-site scripting attacks using machine learning. In Advanced machine learning technologies and applications (Vol. 723, pp. 200–210). Springer. https://doi.org/10.1007/978-3-319-74690-6_20 DOI: https://doi.org/10.1007/978-3-319-74690-6_20

Njie, B., & Gabriouet, L. (2024). Machine learning for cross-site scripting (XSS) detection: A comparative analysis of machine learning models for enhanced XSS detection [Bachelor’s thesis, Dalarna University]. DiVA. https://www.diva-portal.org/smash/get/diva2%3A1883365/FULLTEXT01.pdf

Patil, P. J., Kulkarni, S., & Kulkarni, V. T. (2026). AI-generated phishing attacks and detection methods. International Journal of Scientific Research in Engineering and Management, 10(6).

Pamarthi, K. (2020). Artificial intelligence and machine learning techniques to control SQL injection attacks. Journal of Scientific and Engineering Research, 7(4), 259–267.

Radaković, M. U., & Marjanović, M. D. (2023). Analyzing a Python programming example of building an artificial intelligence machine learning model for detecting cyber-attacks—Benefits and challenges. Tehnika, 78(2), 187–194. https://doi.org/10.5937/tehnika2302187R DOI: https://doi.org/10.5937/tehnika2302187R

Sinchana, H. C., & Thejaswini, M. N. (2025). AI based phishing attack detection. International Research Journal of Modernization in Engineering Technology and Science, 7(10), 218–221.

Sreedharan, R., & Sampath, A. K. (2026, July 28). Prediction of SQL injection using machine learning [Preprint]. Research Square. https://doi.org/10.21203/rs.3.rs-10122490/v1 DOI: https://doi.org/10.21203/rs.3.rs-10122490/v1

Zunaid, M., Puneeth, M. P., Abhishek, P., Kumar, R. P., & Rahaman, M. T. R. (2026). Phishing website detection using URL-based machine learning for real-time browser security. International Journal of Advanced Research in Computer and Communication Engineering, 15(4). https://doi.org/10.17148/IJARCCE.2026.154274

• PDF (الإنجليزية)

هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial 4.0 International License.