साइबर-भौतिक प्रणाली (CPS) डिजिटल नियंत्रण प्रणाली के साथ भौतिक प्रक्रियाओं को एकीकृत करती है, जो विनिर्माण, परिवहन और ऊर्जा जैसे विभिन्न उद्योगों में स्वचालन को सक्षम करती है। इन प्रणालियों की सुरक्षा और विश्वसनीयता को सुनिश्चित करना महत्वपूर्ण है, खासकर क्योंकि वे अधिक अंतर-कनेक्टेड और जटिल हो जाते हैं। प्रमुख चुनौतियों में से एक विसंगतियों का पता लगा रहा है जो गलती या साइबर-टैक को इंगित कर सकता है। डीप लर्निंग सेंसर और लॉग डेटा की बड़ी मात्रा से जटिल पैटर्न सीखने के द्वारा इस चुनौती को संबोधित करने के लिए शक्तिशाली उपकरण प्रदान करती है। यह लेख CPS, कार्यान्वयन और आगे की सड़क में विसंगतिकी से पता लगाने के लिए प्रमुख गहरी सीखने की तकनीकों का पता लगाता है।

CPS में Anomaly जांच को समझना

Anomaly का पता लगाने में डेटा में पैटर्न की पहचान करना शामिल है जो अपेक्षित व्यवहार के अनुरूप नहीं है। CPS में, anomalies असामान्य सेंसर रीडिंग, अप्रत्याशित प्रणाली प्रतिक्रियाओं, या अनियमित नेटवर्क यातायात के रूप में प्रकट हो सकता है। प्रारंभिक पहचान विफलताओं को रोकने, डाउनटाइम को कम करने और सुरक्षा बढ़ाने में मदद करती है। CPS में Anomalies को बिंदु विसंगति (sudden spikes), प्रासंगिक विसंगतियों (डेटा बिंदुओं को एक विशिष्ट अस्थायी संदर्भ में असामान्य) और सामूहिक विसंगति (सामान्य पैटर्न से विचलन करने वाले अनुक्रम) में वर्गीकृत किया जा सकता है। उदाहरण के लिए, एक पाइप लाइन में दबाव में अचानक गिरावट एक रिसाव को इंगित कर सकती है, जबकि धीरे-समय पर तापमान का पता लगाने वाले शोर को नियंत्रित करने की आवश्यकता होती है।

विसंगति के लिए गहरी शिक्षा तकनीक

दीप लर्निंग ने बड़े डेटासेट से जटिल पैटर्न जानने के लिए मॉडल को सक्षम करके विसंगत रूप से पता लगाया है। नीचे सीपीएस में लागू प्रमुख तकनीकें हैं, प्रत्येक में अलग-अलग ताकत और उपयोग के मामले हैं।

ऑटोनकोडर

ऑटोनकोडर इनपुट डेटा को फिर से बनाने के लिए प्रशिक्षित तंत्रिका नेटवर्क हैं। जब पुनर्निर्माण त्रुटि एक सीमा से अधिक हो जाती है तो Anomalies की पहचान की जाती है। CPS में, उनका व्यापक रूप से मल्टीवरेट सेंसर स्ट्रीम पर अनसुरक्षित विसंगत पता लगाने के लिए उपयोग किया जाता है। जैसे कि स्पर्स ऑटोनकोडर्स, ऑटोनकोडर्स को डीन करने और कॉनवोल्यूशनलेशनल ऑटोनकोडर्स शोर और स्थानिक पैटर्न के लिए मजबूती में सुधार करते हैं। एक प्रमुख लाभ यह है कि ऑटोनकोडर को लेबल वाले विसंगतियों की आवश्यकता नहीं है; वे सामान्य व्यवहार और ध्वज विचलन सीखते हैं। हालांकि, सामान्य विविधताओं के लिए सीमा चयन और मॉडल संवेदनशीलता चुनौतियों को बनाए रखने के लिए।

आवर्ती तंत्रिका नेटवर्क (RN) और लंबी लघु अवधि की मेमोरी (LSTM)

RNNs अनुक्रमिक डेटा के लिए डिज़ाइन किए गए हैं और अस्थायी निर्भरता को मॉडल कर सकते हैं। CPS में, जहां सेंसर रीडिंग टाइम सीरीज़ बनाते हैं, RNNs भविष्य के मूल्यों की भविष्यवाणी करते हैं और पूर्वानुमान त्रुटियों के रूप में विसंगतियों का पता लगाते हैं। LSTM और GRU वेरिएंट वैनिशिंग ग्रेविटी समस्याओं को कम करते हैं, जिससे उन्हें दीर्घकालिक निर्भरता के लिए प्रभावी बनाया जाता है। उदाहरण के लिए, सामान्य उत्पादन चक्रों पर प्रशिक्षित एक LSTM मॉडल वास्तविक रीडिंग से निकलने वाले सेंसर मूल्यों को दर्शाता है। ध्यान तंत्र प्रासंगिक समय चरणों पर ध्यान केंद्रित करके प्रदर्शन में सुधार करते हैं। हाइब्रिड मॉडल ऑटोनकोडर या CNNs के साथ LSTM को मिलाकर भी लोकप्रिय हैं।

कन्वोल्यूशनल न्यूरल नेटवर्क (CNNs)

CNNs स्थानिक या अस्थायी डेटा में स्थानीय पैटर्न सीखने में उत्कृष्टता प्राप्त करते हैं। CPS में, 1D CNNs समय-सीरीज़ सेंसर डेटा को स्पाइक या दोलन जैसी सुविधाओं को निकालने के लिए प्रक्रिया करते हैं, जबकि 2D CNNs को स्पेक्ट्रोग्राम या छवियों (जैसे थर्मल कैमरों से) पर लागू किया जा सकता है। CNNs computationally कुशल हैं और दोनों वर्गीकरण और पुनर्निर्माण-आधारित विसंगतिक पहचान के लिए इस्तेमाल किया जा सकता है। वे अक्सर RNNs (जैसे CNN-LSTM) के साथ मिलकर स्थानीय और अनुक्रमिक पैटर्न दोनों पर कब्जा करने के लिए संयुक्त होते हैं। Dilated convolutions और अवशिष्ट कनेक्शन लंबी अनुक्रमों को संभालने की उनकी क्षमता को बढ़ा सकते हैं।

वैरिएशनल ऑटोनकोडर (VAEs)

वीएई एक प्रबलवादी अव्यक्त स्थान सीखने के द्वारा मानक ऑटोनकोडर का विस्तार करते हैं। एक एकल पुनर्निर्माण त्रुटि के बजाय, वीएई ने पुनर्निर्माण लॉग-समानता और केएल विविधता को समझने के लिए, अनिश्चितता को मापने का एक सिद्धांत तरीका प्रदान किया। इससे उन्हें दुर्लभ या उपन्यास विसंगतियों का पता लगाने के लिए प्रभावी बना दिया गया है। सीपीएस में, वीएई को औद्योगिक मशीनरी में सूक्ष्म गिरावट का पता लगाने और असामान्य नियंत्रण आदेशों की पहचान करने के लिए लागू किया गया है। उनकी मूल प्रकृति भी प्रतिवादी परिदृश्यों को अनुकरण कर सकती है, जिससे रूट का कारण विश्लेषण होता है।

जेनेरेटरी एडवर्सरील नेटवर्क (GANs)

GANs एक जनरेटर से मिलकर बनता है और एक भेदभावी प्रशिक्षित adversarially। विसंगती पता लगाने के लिए, GANs सामान्य डेटा का वितरण सीखते हैं; विसंगतियों को डेटा बिंदुओं के रूप में पहचाना जाता है कि जनरेटर सही ढंग से पुनर्निर्माण नहीं कर सकता है या कि भेदभावी नकली के रूप में वर्गीकृत नहीं है। AnoGAN और कुशल GAN (EGBAD) लोकप्रिय संस्करण हैं। GANs का सफलतापूर्वक उपयोग किया गया है CPS में गलती का पता लगाने और हमला पहचान के लिए, खासकर जब सामान्य डेटा प्रचुर मात्रा में है और विसंगतियां दुर्लभ हैं। हालांकि, प्रशिक्षण GANs अस्थिर हो सकता है, और सावधान हाइपरपरामीटर ट्यूनिंग की आवश्यकता है।

ग्राफ़ नेरल नेटवर्क (GNNs)

कई CPS (जैसे, पावर ग्रिड, जल वितरण नेटवर्क) में एक अंतर्निहित ग्राफ संरचना होती है। GNNs किनारों के साथ सूचना का प्रचार करके सेंसर और actuators के बीच निर्भरता को मॉडल कर सकते हैं। ग्राफ संवहन नेटवर्क (GCN) और ग्राफ ध्यान नेटवर्क (GATs) पड़ोस के पैटर्न में नोड प्रतिनिधित्व और ध्वजारोहण विचलन सीखने से विसंगतियों का पता लगाता है। यह दृष्टिकोण समन्वित हमलों या कैस्केड विफलताओं का पता लगाने के लिए शक्तिशाली है। चुनौती सटीक प्रणाली ग्राफ बनाने और बड़े पैमाने पर नेटवर्कों का प्रबंधन करने में निहित है।

कार्यान्वयन विचार

CPS में विसंगत पहचान के लिए गहरी शिक्षा को कार्यान्वित करने के लिए डेटा की गुणवत्ता, मॉडल प्रशिक्षण और वास्तविक समय की प्रोसेसिंग पर ध्यान देने की आवश्यकता होती है।

डेटा संग्रह और प्रीप्रोसेसिंग

सेंसर, एक्टुएटर और नेटवर्क लॉग से उच्च गुणवत्ता वाले प्रतिनिधि डेटा आवश्यक है। सामान्यीकरण जैसे प्रीप्रोसेसिंग चरण, लापता मूल्यों को संभालने और शोर को फ़िल्टर करने से मॉडल मजबूती में सुधार होता है। डेटा संवर्धन (जैसे, सिंथेटिक विसंगतियों को जोड़ने) कक्षा असंतुलन को संबोधित करने में मदद कर सकता है। टाइम-सीरीज़ संरेखण और स्लाइडिंग विंडो विभाजन अनुक्रमिक मॉडल के लिए महत्वपूर्ण हैं।

सुविधा इंजीनियरिंग

जबकि गहरी शिक्षा स्वचालित रूप से सुविधाओं को सीख सकती है, डोमेन-विशिष्ट इंजीनियरिंग अभी भी प्रदर्शन को बढ़ा सकती है। सांख्यिकीय क्षणों, आवृत्ति-डोमेन रूपांतरण (FFT, वेवलेट) और रोलिंग आँकड़े जैसे फीचर्स उपयोगी प्राथमिकताएं प्रदान करते हैं। ग्राफ आधारित मॉडल के लिए, adjacency matrices और नोड विशेषताओं को सावधानी से परिभाषित किया जाना चाहिए।

मॉडल प्रशिक्षण और वैधता

प्रशिक्षण अक्सर लेबल वाले विसंगतियों की दुर्लभता के कारण असुरक्षित या अर्ध-पर्यवेक्षित योजनाओं का उपयोग करता है। आम दृष्टिकोण में एक-श्रेणी वर्गीकरण, पुनर्निर्माण त्रुटि न्यूनतमकरण और भविष्यवाणी त्रुटि न्यूनतमकरण शामिल है। मान्यता के लिए सिंथेटिक या लेबल वाले विसंगत सेट की आवश्यकता होती है; सटीक, याद, F1-स्कोर और क्षेत्रीय केंद्र वक्र के तहत क्षेत्र मानक हैं। क्रॉस-वैलिडेशन को डेटा रिसाव से बचने के लिए अस्थायी आदेश का सम्मान करना चाहिए।

रियल टाइम तैनाती

CPS अनुप्रयोग कम विलंबता की मांग करते हैं। मॉडल संपीड़न तकनीक जैसे कि छंटाई, मात्रात्मककरण और ज्ञान आसवन एज तैनाती के लिए महत्वपूर्ण हैं। हार्डवेयर त्वरण (GPUs, TPUs, FPGAs) और कुशल मॉडल आर्किटेक्चर (जैसे, MobileNet, TinyML) वास्तविक समय की पुष्टि करने में सक्षम हैं। वृद्धिशील सीखने वाले आर्किटेक्चर को स्ट्रीमिंग करने के लिए मॉडल को स्क्रैच से पुनर्प्रशिक्षण के बिना अवधारणा को बहाने के लिए अनुकूलित करने की अनुमति देता है।

मेट्रिक्स और थ्रेसहोल्ड का मूल्यांकन

पुनर्निर्माण या भविष्यवाणी थ्रेसहोल्ड का चयन सीधे झूठी सकारात्मक दरों को प्रभावित करता है। अनुकूली थ्रेसहोल्ड (जैसे, त्रुटियों का औसत, गतिशील प्रतिशत) गैर-स्थिर वातावरण में मजबूती में सुधार कर सकते हैं। इसके अतिरिक्त, औसत समय का पता लगाने के लिए (MTTD) और झूठे अलार्म (MTBFA) के बीच औसत समय परिचालन मूल्यांकन के लिए उपयोगी हैं।

चुनौतियां और भविष्य की दिशा

गहरी सीखने के वादा के बावजूद, चुनौतियों का सामना करना पड़ा। असंतुलित डेटासेट (नाममारी दुर्लभ होने) मॉडल को सामान्य व्यवहार की ओर पूर्वाग्रह करने का कारण बन सकता है। इंटरप्रेबिलिटी एक प्रमुख बाधा है: इंजीनियरों को मॉडल आउटपुट पर भरोसा करने की आवश्यकता होती है, विशेष रूप से महत्वपूर्ण बुनियादी ढांचे में। एसएपी, एलवाईएमई और ध्यान दृश्यता जैसी तकनीकें अपनाई जा रही हैं लेकिन सीपीएस के लिए आगे अनुकूलन की आवश्यकता होती है। एडवर्सरीअल मजबूती एक और चिंता है - हमलावर उन इनपुटों को तैयार कर सकते हैं जो पता लगाने का मूल्यांकन करते हैं। अंत में, विकसित प्रणाली व्यवहार (ड्रिफ्ट को छोड़कर) और विभिन्न लेकिन संबंधित सीपीएस में मॉडल स्थानांतरित करने के सक्रिय अनुसंधान क्षेत्र हैं।

भविष्य की दिशा में शामिल हैं:

  • ]Federated learning कच्चे डेटा को साझा किए बिना कई CPS प्रतिष्ठानों में गोपनीयता-संरक्षण मॉडल को प्रशिक्षित करने के लिए।
  • ]Explainable AI (XAI) ऑपरेटरों को कार्रवाई योग्य अंतर्दृष्टि प्रदान करने के लिए कि डेटा बिंदु को ध्वजांकित क्यों किया गया था।
  • ]Continual learning मॉडल को नए सामान्य पैटर्न के अनुकूल होने के लिए बिना catastrophic भूलने के सक्षम बनाने के लिए।
  • ]] भौतिकी आधारित मॉडल के साथ एकीकरण (हाइब्रिड दृष्टिकोण) ज्ञात प्रणाली गतिशीलता के साथ डेटा संचालित पैटर्न को जोड़ने के लिए, सामान्यीकरण में सुधार और डेटा आवश्यकताओं को कम करने के लिए।
  • Edge AI ऑन-डिवाइस एनोमाली डिटेक्शन के लिए, संचार ओवरहेड और विलंबता को कम करने।

निष्कर्ष

डीप लर्निंग तकनीक साइबर-भौतिक प्रणालियों में विसंगतान के लिए शक्तिशाली तरीकों की पेशकश करती है, जिससे प्रारंभिक गलती का पता लगाया जा सकता है और सुरक्षा में सुधार हुआ है। प्रत्येक तकनीक - ऑटोनकोडर से लेकर ग्राफ़ न्यूरल नेटवर्क तक - विभिन्न CPS आर्किटेक्चर और डेटा प्रकारों के अनुकूल अद्वितीय फायदे लाता है। सावधान डेटा तैयारी, मॉडल सत्यापन और वास्तविक समय की तैनाती रणनीतियों पर सफल कार्यान्वयन काज। जबकि व्याख्याशीलता और प्रतिकूल मजबूती जैसी चुनौतियों का सामना करना पड़ा है, चल रहे अनुसंधान अधिक मजबूत और भरोसेमंद समाधानों का वादा करता है। चूंकि CPS का विस्तार जारी है, गहरी शिक्षा उनकी विश्वसनीयता और सुरक्षा की रक्षा में एक तेजी से महत्वपूर्ण भूमिका निभाएगी।

इस विषय पर आगे पढ़ने के लिए, Chalapath और Chawla (2019) द्वारा व्यापक सर्वेक्षण देखें , NIST गाइड ऑन ]industrial नियंत्रण प्रणाली सुरक्षा ], और हाल के काम पर ग्राफ आधारित एनोमाली डिटेक्शन फॉर पॉवर ग्रिड ]]]]. इसके अतिरिक्त, MLSys सम्मेलन कार्यवाही अक्सर विशेषता तैनाती-केंद्रित कागज CPS के लिए प्रासंगिक है।