تقييم استهلاك الموارد لخوارزميات التعلم الآلي في كشف الشذوذ في شبكات سلاسل الكتل

الملخص

يعد اكتشاف الشذوذ في سلاسل الكتل إجراءً أمنياً بالغ الأهمية، يركز على تحديد الأنماط غير العادية أو غير المتوقعة في شبكات سلاسل الكتل والمعاملات. من خلال الكشف بشكل استباقي عن هذه الانحرافات، يهدف إلى حماية أنظمة سلاسل الكتل من الهجمات الضارة والاحتيال ومشاكل الأداء، وضمان سلامة وموثوقية التكنولوجيا.

يستعرض هذا البحث تحليلاً شاملاً لاستهلاك الموارد اللازمة لتشغيل خمسة من خوارزميات التعلم الآلي: شجرة القرار، الغابة العشوائية، أقرب جار، الانحدار اللوجستي، ومصنف الانتخاب بين أفضل ثلاثة خوارزميات. تم تقييم أداء هذه الخوارزميات من حيث استهلاك الذاكرة، نسبة استخدام المعالج، ومتطلبات التخزين، إضافةً إلى دقتها في كشف الشذوذ باستخدام معايير مثل الدقة و  F1-score. كما تم تصنيف استهلاك الموارد لهذه الخوارزميات لثلاثة تصنيفات بحيث يتم تصنيف الخوارزمية الى تصنيف مرتفع لاستهلاك الموارد او تصنيف متوسط لاستهلاك الموارد أو تصنيف منخفض لاستهلاك الموارد.

أظهرت النتائج أن الغابة العشوائية كانت الأفضل بين الخوارزميات ذات المتطلبات العالية، محققة دقة 99% و F1-score قدره 0.99. بينما تفوقت شجرة القرار بين الخوارزميات ذات المتطلبات المتوسطة بدقة 94.6% و F1-score بلغ 0.95. أما في فئة الخوارزميات ذات الموارد المنخفضة، فقد كانت خوارزمية الانحدار اللوجستي الأكثر كفاءة بدقة 50.22 و f1score 0.5.