تحليلات الأمن · الخدمات الرقمية · 2025
Absher Insight AI
نموذج أولي قابل للتفسير لرصد المخاطر السلوكية
يرصد سلوك الدخول الخطِر مبكرًا بقواعد تشرح سبب كل تنبيه، على بيانات اصطناعية.
- الدور
- مساهم في حلول أمن الذكاء الاصطناعي
- الحالة
- نموذج أولي في هاكاثون
- السنة
- 2025
- الكود
- github.com/Abdulel3h/absher-insight
في سطور
01المشكلة
الاستيلاء على الحساب يبدو دخولًا صحيحًا من مكان أو وقت غير معتاد، والمحلل يحتاج أن يعرف سبب التنبيه.
02ما بُني
خدمة FastAPI تقيّم كل حدث دخول بقواعد تذكر أسبابها، وتغذي لوحة متابعة حيّة.
03دوري
شاركت في فكرة الأمن الاستباقي وسيناريوهات المخاطر، ودعمت تصميم لوحة المتابعة ومنطق القرار.
04النتيجة
نموذج قابل للتشغيل بكود منشور. لا يتبع أي جهة حكومية، ولا أدّعي أرقام دقة.
كيف يعمل
01المدخل
حدث دخول
02المعالجة
قواعد قابلة للتفسير
03الذكاء
تنبيه مع الأسباب
04المخرج
لوحة متابعة تشغيلية
قرارات شكّلته
الاستباق بدل ردّ الفعل
صُمّم لرصد السلوك الخطر مبكرًا بدل الاستجابة بعد وقوع المشكلة.
قواعد مفسَّرة قبل الصندوق الأسود
يعتمد المسار الفعلي على قواعد تذكر أسباب كل تنبيه، وتبقى أدوات النماذج تجريبية، ولا تُقدَّم الدرجة التي تحددها القواعد على أنها احتمال مُعايَر.
الخصوصية في التصميم عبر بيانات اصطناعية
كل شيء يعمل على سلوك اصطناعي، فيمكن اختبار الفكرة وعرضها دون المساس ببيانات شخصية حقيقية.
بصراحة
ما لا أدّعيه
لا يُدّعى تشغيل فعلي ولا ارتباط بجهة حكومية ولا أرقام لدقة الرصد.
حدوده الآن
- بيانات اصطناعية فقط — لا تشغيل فعلي ولا ارتباط بأي خدمة حكومية.
- قواعد لا نموذج مدرَّب: ملفات النماذج للتجارب فقط.
- البيانات في الذاكرة وتُفقد عند إعادة التشغيل؛ لا يوجد مخزن دائم للأحداث.
- الاختبارات تغطي بنية الاستجابة لا جودة الرصد.
لو استمر
- إعادة تشغيل بيانات مرجعية واقعية لقياس معدل الإنذارات الكاذبة
- حفظ الأحداث وجمع ملاحظات المحللين على كل تنبيه
- مقارنة نموذج مدرَّب لرصد الشذوذ بخط الأساس القائم على القواعد
ما يمكنك التحقق منه
بُني خلال هاكاثون أبشر مع أكاديمية طويق. نموذج أولي مستقل على بيانات اصطناعية، لا يتبع لأبشر ولا لأي جهة حكومية، وليس نظامًا أمنيًا قيد التشغيل.
التقنيات
Python · FastAPI · Pydantic · scikit-learn · pandas · NumPy
«الابتكار الحقيقي لا ينتظر اللحظة المثالية، بل يصنعها.»
السجل الكاملالسياق والقيود والملاحظات الهندسية كما هي.
السياق
بُني خلال هاكاثون أبشر مع أكاديمية طويق عرضًا مستقلًا لرصد المخاطر بشكل استباقي وقابل للتفسير.
المشكلة
مؤشرات الاستيلاء على الحسابات في الخدمات الرقمية سلوكية: بيانات دخول صحيحة لكن من مكان غير معتاد أو في وقت غير معتاد أو بمعدل غير معتاد. وغالبًا ما تأتي الاستجابة بعد وقوع الحادثة، كما يحتاج المحلل إلى معرفة سبب التنبيه.
ما بُني
خدمة مبنية بـ FastAPI تقيّم كل حدث دخول بقواعد تذكر أسبابها — موقع غير معتاد، دخول في ساعة متأخرة، كثافة إجراءات عالية — وتحتفظ بإحصاءات حيّة تغذي لوحة متابعة تشغيلية، مع محاكٍ يبقي اللوحة نشطة لأغراض العرض.
النتيجة
نموذج أولي قابل للتشغيل: واجهة تعيد تنبيهات مفسَّرة قائمة على القواعد، وإحصاءات حيّة، ومحاكٍ في الخلفية، ولوحة متابعة، إضافة إلى اختبار لبنية الاستجابة. لا يُدّعى أي أداء فعلي في رصد التهديدات.
القيود
- لا بيانات حقيقية للمواطنين — كل الأحداث اصطناعية أو محاكاة
- كل تنبيه يجب أن يشرح سببه
- الإطار الزمني للهاكاثون
المسؤوليات
- ساهم في فكرة الأمن الاستباقي القائم على السلوك
- شارك في صياغة سيناريوهات المخاطر السلوكية
- دعم تصميم لوحة المتابعة ومنطق دعم القرار
- حافظ على الخصوصية أولًا بالاعتماد على بيانات اصطناعية
ملاحظات هندسية
- تستقبل نقطة التنبؤ (predict) نوع الخدمة والموقع ووقت الدخول وعدد الإجراءات
- تتحقق القواعد من الموقع غير المعتاد والدخول المتأخر وكثافة الإجراءات
- تعيد كل استجابة التنبيه ودرجة تحددها القواعد مع أسبابها
- إحصاءات في الذاكرة تعرض الإجماليات وأبرز الخدمات وخطًا زمنيًا حديثًا
- أدوات joblib وscikit-learn لتجارب نماذج رصد الشذوذ