سیستم های فیزیکی سایبری (CPS) فرایندهای فیزیکی را با سیستم های کنترل دیجیتال ادغام می کنند، اتوماسیون را در صنایع مختلف مانند تولید، حمل و نقل و انرژی فعال می کنند. اطمینان از امنیت و قابلیت اطمینان این سیستم ها بسیار مهم است، به ویژه هنگامی که آنها تبدیل به اطلاعات پیچیده تر و مرتبط تر می شوند.یکی از چالش های کلیدی تشخیص ناهنجاری هایی است که می تواند نشان دهنده خطا یا حمله سایبری باشد.

درک Anomalyly در CPS

تشخیص آنوما شامل شناسایی الگوهای داده هایی است که مطابق با رفتار مورد انتظار نیستند.در CPS، ناهنجاری ها می توانند به عنوان قرائت های سنسور غیر معمول، پاسخ های سیستم غیر منتظره یا ترافیک شبکه نامنظم ظاهر شوند. تشخیص زودهنگام به جلوگیری از شکست، کاهش خرابی زمان و افزایش امنیت کمک می کند. Anomas در CPS می تواند به نقطه ناهنجاری (از بین بردن)، یک نمونه های داده های زمانی غیر طبیعی (به تدریج کاهش می تواند یک سیگنال های تجزیه و تحلیل معکوس شود).

تکنیک های یادگیری عمیق برای تشخیص آنومای

یادگیری عمیق با فعال کردن مدل ها برای یادگیری الگوهای پیچیده از مجموعه داده های بزرگ، تشخیص ناهنجاری را انقلابی کرده است.در زیر تکنیک های کلیدی اعمال شده در CPS، هر کدام با نقاط قوت و استفاده متمایز است.

Autoencoders

Autoencoders شبکه های عصبی آموزش دیده برای بازسازی داده های ورودی هستند. Anomalies زمانی شناسایی می شوند که خطای بازسازی از آستانه ای فراتر می رود. در CPS، آنها به طور گسترده ای برای تشخیص بی نظیر مبتنی بر ابر توصیه شده در جریان های سنسور چند متغیری استفاده می شوند؛ تنوعات مانند autoencoders های کوچک، رمزگشایی خودکار، و autoencoder های خودکار، و همچنین الگوهای قوی برای یادگیری رفتار نرمال و انحرافی که نیاز به یک رفتار طبیعی دارند.

شبکه های عصبی در حال حاضر (RNNs) و حافظه کوتاه مدت (LSTM)

RNN ها برای داده های متوالی طراحی شده و می توانند وابستگی های زمانی را مدل کنند.در CPS، جایی که خواندن سنسور زمان را تشکیل می دهد، RNN ها ارزش های آینده را پیش بینی می کنند و ناهنجاری ها را به عنوان پیش بینی خطا افزایش می دهند. LSTM و انواع GRU مشکلات گرادینت را کاهش می دهند و آنها را برای وابستگی های بلند مدت موثر می کند.

شبکه های عصبی تکامل یافته (CNNs)

CNN در یادگیری الگوهای محلی در داده های فضایی یا زمانی عالی است.در CPS، داده های سنسور زمان سری 1D CNN برای استخراج ویژگی هایی مانند انفجار یا نوسانات، در حالی که 2D CNN می تواند به طیفograms یا تصاویر (به عنوان مثال، از دوربین های حرارتی) استفاده شود، سی ان ان به طور محاسباتی کارآمد است و می تواند برای هر دو طبقه بندی و بازسازی یک از الگوهای تشخیص طولانی (به عنوان مثال لینک های اتصال های اتصال های اتصال های اتصال آن) ترکیب شده است.

Autoencoders Variational Autoencoders (VAEs)

VAEs گسترش خودکارکد استاندارد با یادگیری یک فضای دیرباز احتمالاتی به جای یک خطای بازسازی واحد، VAEs محاسبه خودکارسازی مانند و KL، ارائه یک راه اصولی برای تشخیص عدم اطمینان اولیه، این باعث می شود آنها را برای تشخیص ناهنجاری های نادر یا جدید در CPS، VAE برای شناسایی تجزیه و تحلیل ظریف در سناریوهای کنترل غیر معمول استفاده شده است.

شبکه های ضد افسردگی (GAN)

GAN ها شامل یک ژنراتور و یک دیسک کشور آموزش دیده اند که به طور غریزی کشف می کنند، GANs توزیع داده های طبیعی را یاد می گیرند؛ ناهنجاری ها به عنوان نقاط داده ای شناسایی می شوند که ژنراتور نمی تواند به طور دقیق بازسازی کند یا اینکه دیسک ساز به عنوان جعلی طبقه بندی می شود.AnoGANANANANANANAN و GAN (EGBAD) انواع محبوب هستند.AN با این حال آموزش های بی نظیر برای تشخیص دقیق و تشخیص داده های عادی مورد استفاده قرار می گیرند.

شبکه های عصبی گراف (GNNs)

بسیاری از CPS (به عنوان مثال، شبکه های برق، شبکه های توزیع آب) دارای یک ساختار نمودار زیر پایه هستند. GNNs می تواند وابستگی بین سنسورها و محرک ها را با جمع آوری اطلاعات در امتداد لبه های گرافی (GCN) و شبکه های توجه گراف (GAT) تشخیص ناهنجاری ها با یادگیری گره ها و انحرافات در الگوهای محله، شناسایی این حملات دقیق و یا خرابی های سیستم است.

پیاده سازی

پیاده سازی یادگیری عمیق برای تشخیص ناهنجاری در CPS نیاز به توجه دقیق از کیفیت داده ها، آموزش مدل و پردازش زمان واقعی دارد.

جمع آوری داده ها و پیش پردازش

کیفیت بالا، داده های نماینده از سنسورها، محرک ها و log های شبکه ضروری است. مراحل پیش پردازش مانند عادی سازی، مدیریت ارزش های از دست رفته و فیلتر کردن سر و صدا تقویت مدل را بهبود می بخشد (به عنوان مثال، اضافه کردن ناهنجاری های مصنوعی) می تواند به حل تعادل کلاس کمک کند.

مهندسی

در حالی که یادگیری عمیق می تواند به طور خودکار ویژگی ها را یاد بگیرد، مهندسی خاص دامنه هنوز هم می تواند عملکرد را افزایش دهد، ویژگی هایی مانند لحظات آماری، تغییرات دامنه فرکانس (FFT، Wavelet) و آمار نورد، پیش از های مفید را برای مدل های مبتنی بر گراف، ماتریس و ویژگی ها باید به دقت تعریف شود.

آموزش مدل و اعتبار

آموزش اغلب از طرح های مبتنی بر نظارت نشده یا نیمه به دلیل نادر بودن برچسب anomalies استفاده می کند. رویکردهای مشترک شامل طبقه بندی یک طبقه، مینیاتور خطا بازسازی و مینیمال خطا پیش بینی کننده نیاز به مصنوعی یا برچسب گذاری مجموعه های ناهنجاری دارد؛ معیارهایی مانند دقت، یادآوری، F1core، و منطقه تحت منحنی ROC، باید داده های نشتی استاندارد را برای جلوگیری از داده های نشتی داده ها رعایت کنند.

زمان واقعی

برنامه های کاربردی CPS نیاز به تاخیر پایین تکنیک های فشرده سازی مدل مانند ⁇ ، استحکام و تقطیر دانش برای استقرار لبه حیاتی است. شتاب سخت افزار (GPUs،630، FPGAs) و معماری مدل های کارآمد (به عنوان مثال، MobileNet، TinyML) امکان می دهد زمان واقعی در معماری جریان جریان جریان با مدل های یادگیری افزایشی اجازه می دهد تا بدون حرکت از ابتدا، سازگار شود.

ارزیابی متریک ها و Thresholds

انتخاب آستانه های بازسازی یا پیش بینی به طور مستقیم بر نرخ های مثبت کاذب اثر می گذارد. آستانه های انطباقی (به عنوان مثال، میانگین خطاهای متحرک، درصد پویا) می توانند استحکام در محیط های غیر ایستگاهی را بهبود بخشد. علاوه بر این، معیارهایی مانند زمان تشخیص (MTTD) و به معنی زمان بین زنگ های کاذب (MTBFA) برای ارزیابی عملیاتی مفید هستند.

چالش ها و مسیرهای آینده

علی رغم وعده یادگیری عمیق، چالش ها باقی مانده است مجموعه داده های متعادل Im (که نادر است) می تواند باعث شود مدل ها به سمت رفتار عادی تبدیل شوند. Interprettability یک مانع عمده است: مهندسان باید به خروجی های مدل اعتماد کنند، به ویژه در تکنیک های مربوط به حیاتی مانند SHAP، LIME و توجه بصری سازی پذیرفته می شوند، اما نیاز به سازگاری بیشتر به CPS دارند که در نهایت انتقال نگرانی های مختلف است.

جهت های آینده شامل:

  • یادگیری اجباری برای آموزش مدل های حفظ حریم خصوصی در سراسر چندین تأسیسات CPS بدون به اشتراک گذاری داده های خام.
  • AI قابل توضیح (XAI) [FLT 1] برای ارائه اپراتورهای با بینش عملی در مورد چرا نقطه داده ها پرچم دار شده است.
  • یادگیری مداوم برای فعال کردن مدل ها برای انطباق با الگوهای طبیعی جدید بدون فراموش فاجعه بار.
  • Integration با مدل های مبتنی بر فیزیک (روش های فشرده) برای ترکیب الگوهای مبتنی بر داده با پویایی سیستم شناخته شده، بهبود تعمیم و کاهش الزامات داده است.
  • برای تشخیص ناهنجاری در دستگاه، کاهش سربار ارتباطات و تاخیر.

نتیجه گیری

تکنیک های یادگیری عمیق روش های قدرتمندی برای تشخیص ناهنجاری در سیستم های فیزیکی سایبری ارائه می دهند، که تشخیص خطای اولیه و امنیت را بهبود می بخشد.هر تکنیک - از autoencoders گرفته تا شبکه های عصبی گراف - مزایای منحصر به فرد برای معماری های مختلف CPS و انواع داده ها را به طور فزاینده ای در آماده سازی دقیق داده ها، اعتبار مدل، و استراتژی های استقرار زمان واقعی، ادامه می دهد.

برای مطالعه بیشتر در این موضوع، بررسی جامع را از طریق [FLT:] [FLTalapathy and Chawla] 2019 ، راهنمای NIST در مورد امنیت سیستم کنترل صنعتی [FLT3] و کار اخیر در graph-Aomaly برای تشخیص قدرت شبکه [F2 ] [F2 ] [FML] اغلب موارد مربوط به کنفرانس:6.