وتدمج النظم الكيميائية الإلكترونية العمليات المادية بنظم المراقبة الرقمية، مما يتيح التشغيل الآلي في مختلف الصناعات مثل التصنيع والنقل والطاقة، كما أن ضمان أمن وموثوقية هذه النظم أمر بالغ الأهمية، لا سيما وأن هذه النظم تصبح أكثر ترابطا وتعقيدا، ومن التحديات الرئيسية اكتشاف أوجه الشذوذ التي يمكن أن تدل على وجود عيوب أو أكواخ إلكترونية، وتوفر المادة العميقة أدوات للكشف عن هذه التحديات عن طريق تعلم أنماط معقدة من أساليب التنفيذ الكبيرة.

فهم كشف الشذوذ في النظام المركزي لتحديد المواقع

فالكشف عن الشذوذ ينطوي على تحديد أنماط البيانات التي لا تتفق مع السلوك المتوقع، ففي CPS، يمكن أن تظهر الشذوذات على أنها قراء غير عادية، أو استجابات غير متوقعة للنظام، أو حركة الشبكات غير النظامية، ويساعد الكشف المبكر على منع الفشل، ويقلل من الوقت، ويعزز الأمن، ويمكن تصنيف الشذوذ الزمني في CPS إلى أنماط من الشذوذ (ال المفرطة)، أو إلى شذوذات في سياقات (ال في سياقات).

تقنيات التعلم العميق من أجل كشف الشذوذ

وقد أدى التعلم العميق إلى ثورة الكشف عن الشذوذ من خلال تمكين النماذج من تعلم الأنماط المعقدة من مجموعات البيانات الكبيرة، كما أن هذه التقنيات هي التقنيات الرئيسية المطبقة في نظام تحديد المواقع، التي لها نقاط قوة متميزة، واستخدام الحالات.

Autoencoders

فالأشخاص الذين يُعدون أوتوماتيكيين هم شبكات عصبية مدربة على إعادة بناء بيانات المدخلات، ويُحدد الشذوذ عندما يتجاوز خطأ إعادة البناء عتبة، ويُستخدم على نطاق واسع في نظام تحديد المواقع، في الكشف غير المشرف على الأورام عن مسارات الاستشعار المتعددة الغواصات، ويظل التباين في نماذج الفرز، ويُعلن عن وجود سمات للسيارات، ويحسن من القدرة على اختيار الميزات المكانية.

Recurrent Neural Networks (RNNs) and Long Short-Term Memory (LSTM)

وتصمم هذه البرمجيات للبيانات المتسلسلة ويمكن أن تكون نماذج المعالين في الوقت المناسب، وفي هذه الدائرة، حيث تشكل قراءات أجهزة الاستشعار سلسلة زمنية، تنبئ الناموسيات بالقيم المستقبلية وتكتشف الشذوذ كخطاء للتنبؤ، كما أن أجهزة قياس التحلل والهيدروكربونات تعمل على تخفيف المشاكل المتدرجة، مما يجعلها فعالة بالنسبة للتبعات الطويلة الأجل، وعلى سبيل المثال، يمكن لنموذج " LSTM " أن يُدرَّب على أن يُدَّب على نماذج الإنتاج العادي.

Convolutional Neural Networks (CNNs)

(ب) في دائرة خدمات النظم الكيميائية، تُصدر بيانات الاستشعار من وقت العمليات من أجل اختبارات السلاسل الزمنية التي تستخدمها شركة CNNs لاستخراج سمات مثل المسامير أو النسيج، في حين يمكن تطبيق شبكتين من الـ (CNNs) على المضاربات أو الصور (مثلاً من الكاميرات الحرارية) وتُستخدم البرمجيات الإلكترونية للكشف عن الاختبارات المحلية ويمكن استخدامها في التصنيفات الموحدة وإعادة البناء.

Variational Autoencoders (VAEs)

وتمتد الكيانات المستقلة العاملة في المناطق المتمتعة بالحكم الذاتي من خلال تعلم مساحة متخلفة محتملة، وبدلا من خطأ واحد في إعادة البناء، تقوم هذه الكيانات بحصر مدى تشابه سجل إعادة البناء واختلاف حركة الكتل، مما يوفر طريقة مبدئية لقياس عدم اليقين، مما يجعلها فعالة في الكشف عن حالات الشذوذ النادرة أو الجديدة، وفي هذه المراكز، طبقت شركات VAEs على كشف التدهور الجسيمي في الآلات الصناعية وتحديد سيناريوهات المضادة غير العادية.

شبكات التنوع الجيني

وتتكون الشبكة من مولد ومميز مدرب على نحو مخالف، وبالنسبة للكشف عن الشذوذ، تتعلم الشبكة توزيع البيانات العادية؛ وتُعتبر الشذوذات نقاط بيانات لا يمكن للمولد أن يعيد بناؤها بدقة، أو أن المميز يصنف على أنه مزيفا، كما أن شبكة الأناغواتي (AnoGAN) وشبكة الأنابيب (GBAD) ذات المقاييس العالية هي عوامل شائعة.

شبكة غراف للظواهر العصبية

ولدى العديد من أجهزة تحديد المواقع (مثل شبكات الكهرباء وشبكات توزيع المياه) هيكل بياني أساسي، ويمكن للشبكة العالمية لشبكة الإنترنت أن تُظهر أوجه الاعتماد بين أجهزة الاستشعار والمحاضرات عن طريق نشر المعلومات على طول الحواف، وتكشف الشبكات المكونية للرسوم البيانية وشبكات الاهتمام بالرسوم البيانية عن أوجه الشذوذ عن طريق تعلم التمثيل بالعقيدات وكشف الانحرافات في أنماط الحي، وهذا النهج يُعد تحدياً قوياً لكشف الاختلالات الدقيقة.

اعتبارات التنفيذ

ويتطلب تنفيذ التعلم العميق للكشف عن الحالات الشاذة في النظام الشامل لتحديد المواقع دراسة دقيقة لنوعية البيانات، والتدريب النموذجي، والتجهيز في الوقت الحقيقي، وتشمل العوامل الرئيسية ما يلي:

جمع البيانات وتجهيزها

ومن الضروري وجود بيانات تمثيلية عالية الجودة من أجهزة الاستشعار والمحاضرات وسجلات الشبكات، كما أن خطوات التجهيز المسبق مثل التطبيع، ومعالجة القيم المفقودة، وتحسين القدرة على التصفيق، كما أن زيادة البيانات (مثل إضافة الشذوذ التركيبي) يمكن أن تساعد على معالجة الخلل في الفصول، كما أن مواءمة سلاسل التوقيت وتفكك النوافذ أمران حاسمان بالنسبة للنماذج المتتابعة.

Feature Engineering

وفي حين أن التعلم العميق يمكن أن يتعلم تلقائياً السمات، فإن الهندسة الخاصة بكل مجال من المجالات لا تزال تعزز الأداء، إذ يجب أن تحدد بدقة خصائص مثل اللحظات الإحصائية، والتحولات التي تحدث في الترددات (FFT، والموجات)، والإحصاءات المتداولة.

التدريب النموذجي والتقييم

وكثيرا ما يستخدم التدريب مخططات غير خاضعة للرقابة أو شبه خاضعة للرقابة بسبب وجود شذوذات مسمومة، وتشمل النهج المشتركة تصنيفا من فئة واحدة، والتقليل من الخطأ في إعادة البناء، والتقليل من الخطأ في التنبؤ، وتحتاج عملية التقييم إلى مجموعات من الشذوذ الاصطناعي أو الملصقات؛ وتفادي التسرب من الأورام مثل الدقة، والتذكر، والثبات من النوع F1-Score، والمنطقة المشمولة بمنحنى ROC.

النشر في الوقت الحقيقي

وتحتاج تطبيقات البرمجيات الكيميائية إلى درجة منخفضة من الكفاءة، فتقنيات الضغط النموذجية مثل الرش، والقياس الكمي، وتفكيك المعارف هي أمور حاسمة بالنسبة لنشر الحواف، وتسريع البرمجيات الصلبة (الوحدات العامة، ووحدات الحماية المؤقتة، ووحدات الحماية المؤقتة)، والهيكل النموذجي الفعال (مثلاً، شبكة النقل، وشبكة تينيمامور) تتيح إمكانية إجراء عملية إعادة التدريب على استخدام النماذج في التكييف.

مصفوفات التقييم وأحوالها

وتؤثر عتبة التخصيب أو التنبؤات تأثيرا مباشرا على المعدلات الإيجابية الكاذبة، كما أن العتبات التصحيحية (مثلا، متوسط الأخطاء المتحركة، والموازين الدينامية) يمكن أن تحسن من قوة البيئات غير الثابتة، وبالإضافة إلى ذلك، فإن القياسات مثل الوقت المناسب للكشف (MTTD) والوقت المناسب بين الإنذارات الكاذبة (MTBFA) مفيدة للتقييم التشغيلي.

التحديات والاتجاهات المستقبلية

وعلى الرغم من الوعد بالتعلم العميق، لا تزال هناك تحديات، إذ يمكن أن تؤدي مجموعات البيانات المتوازنة )التي تعتبر نادرة( إلى ظهور نماذج تحيزية نحو السلوك العادي، والقابلية للترجمة الشفوية عقبة رئيسية: فالمهندسون بحاجة إلى نواتج نموذجية استئمانية، ولا سيما في الهياكل الأساسية الحيوية، كما أن تقنيات مثل النهج المنسق، والمشروعية التقنية، والاهتمام بالتصور، ولكن يتطلب مزيدا من التكيف مع نماذج البرمجيات العائمة.

وتشمل الاتجاهات المستقبلية ما يلي:

  • Federated learning] to train privacy-preserving models across multiple CPS installations without sharing raw data.
  • Explainable AI (XAI)] to provide operators with actionable insights into why a data point was flagged.
  • Continual learning] to enable models to adapt to new normal patterns without catastrophic forgetting.
  • Integration with physics-based models] (hybrid approaches) to combine data-driven patterns with known system dynamics, improving generalisation and reducing data requirements.
  • Edge AI] for on-device anomaly detection, reducing communication overhead and latency.

خاتمة

فتقنيات التعلم العميق توفر أساليب قوية للكشف عن الشذوذ في النظم الفيزيائية الإلكترونية، مما يتيح الكشف المبكر عن الأخطاء وتحسين الأمن، وكل تقنية - من أجهزة التأجير إلى الشبكات العصبية - تؤدي مزايا فريدة تناسب مختلف هياكل أجهزة شرطة العاصمة وأنواع البيانات، وتعتمد نجاح التنفيذ على إعداد البيانات بعناية، والتحقق من النماذج، واستراتيجيات النشر في الوقت الحقيقي، وفي حين أن التحديات مثل إمكانية الترجمة الشفوية والقوة الدامى الرجعية للخلاف لا تزال أكثر قوة.

For further reading on this topic, see the comprehensive survey by Chalapathy and Chawla (2019), the NIST guide on industrial control system security], and recent work on [FLPS:4]]