ملخص تقني: معيار اختبار التعلم العميق الواعي بزمن الاستجابة لتصنيف الهجمات والأعطال السيبرانية-الفيزيائية في الوقت الفعلي

بيان المشكلة

تشهد أنظمة الطاقة الحديثة تحولاً مدفوعاً بدمج الموارد القائمة على العواكس (IBRs) والبنية التحتية السيبرانية-الفيزيائية المتطورة. يفرض هذا التحول أنماط فشل معقدة حيث تظهر الموارد القائمة على العواكس خصائص تيار عطل (مقاديرات محدودة، توافقيات عالية التردد) تتحدى مخططات الحماية التقليدية، بينما يوسع التحول الرقمي سطح الهجوم السيبراني. وعلى الرغم من أن التعلم العميق (DL) قد أظهر وعوداً في اكتشاف الأعطال الفيزيائية والهجمات السيبرانية بدقة عالية "خارج الخط" (offline)، إلا أن هناك فجوة حرجة تظل قائمة في الأدبيات: حيث تركز معظم الدراسات على الدقة في مجموعات البيانات الثابتة مع إهمال زمن استجابة الاستدلال (inference latency) من طرف إلى طرف في سياقات البث المستمر الواقعية.

إن الجدول الزمني التشغيلي لحماية أنظمة الطاقة صارم للغاية، وغالباً ما يتطلب عزل العطل في غضون دورة واحدة أو دورتين (16-34 مللي ثانية). تفتقر الأبحاث الحالية إلى معايير مقارنة صارمة تقيس زمن استجابة نماذج التعلم العميق مقابل هذه المتطلبات الزمنية الصارمة. وبناءً على ذلك، فإن الادعاءات المتعلقة بقابلية التطبيق في "الوقت الفعلي" غالباً ما تكون غير مثبتة، مما يخلق عائقاً أمام نشر طرق تعلم الآلة من النماذج البحثية الأولية إلى الأنظمة ذات درجة الحماية.

المنهجية

لمعالجة هذه الفجوة، طور المؤلفون إطار عمل للمقارنة المعيارية الواعية بزمن الاستجابة باستخدام إشارات عالية الدقة في المجال الزمني تم توليدها بواسطة محاكي كهرومغناطسي عابر ذي جودة صناعية (WinIGS).

1. توليد البيانات ومنصة الاختبار:

• المحاكي: تم توليد مجموعة البيانات باستخدام WinIGS لنمذجة ديناميكيات الشبكة، وتكامل الطاقة المتجددة، وحقن الشذوذ بدقة الميكروثانية.
• منصة الاختبار: شبكة ميكروجريد (microgrid) غنية بالعواكس تضم عاكس طاقة شمسية بقدرة 50 كيلو فولت أمبير ونظام تخزين طاقة بالبطاريات (BESS) بقدرة 30 كيلو فولت أمبير.
• تحصيل البيانات: محاكاة تدفقات القيم المأخوذة (Sampled Value - SV) بمعيار IEC 61850 بتردد 4.8 كيلو هرتز (دقة 208 ميكروثانية) من وحدتي دمج (MUs).
• الشذوذ (Anomalies): تغطي الدراسة 17 فئة متميزة، تشمل التشغيل الطبيعي، وأعطالاً فيزيائية متنوعة (SLG, LL, DLG, Three-Phase)، وهجمات سيبرانية (هجمات نسبة CT/PT، وانتحال نظام تحديد المواقع العالمي GPS).
• المعالجة المسبقة: تمت معيرة الميزات، وتم إنشاء تسلسلات مكونة من 50 عينة باستخدام نهج النافذة المنزلقة.

2. بنيات النماذج:
تم تقييم ثماني بنيات مختلفة للتعلم العميق بشكل منهجي:

• المدرك متعدد الطبقات (MLP)
• الشبكة العصبية التلافيفية أحادية الأبعاد (1D-CNN)
• الذاكرة طويلة قصيرة المدى (LSTM)
• الهجين (CNN-LSTM)
• المحول (Transformer)
• الشبكة التلافيفية الزمنية (TCN)
• الشبكة المتبقية أحادية الأبعاد (ResNet1D)
• الشبكة التلافيفية الرسومية الزمانية-المكانية (ST-GCN)

3. خط أنابيب الاستدلال في الوقت الفعلي:
أُجري التقييم عبر خط أنابيب بث يعالج عينات المجال الزمني الخام. ولضمان استقرار القرار، استخدم إطار العمل:

• المتوسط المتحرك لدورة واحدة: مرشح متوسط متحرك مركزي ($N_{cyc} = 80$ عينة) لتنعيم متجهات الاحتمالية.
• الامتناع القائم على الثقة: آلية قرار حيث تُصدر التنبؤات فقط إذا تجاوزت أقصى ثقة حد العتبة ($\tau = 0.6$). خلاف ذلك، يمتنع النظام عن القرار (يخرج القيمة -1)، مما يمنع التصنيفات الخاطئة ذات الثقة المنخفضة.

4. مقاييس التقييم:
حددت الدراسة أربعة مقاييس رئيسية لتقييم الأداء تحت قيود الوقت الفعلي:

• الدقة (Accuracy): نسبة العينات المصنفة بشكل صحيح.
• التغطية (Coverage): كسر العينات ذات القرارات الواثقة (غير الممتنعة).
• زمن التصنيف ($T_{cls}$): الفترة الزمنية بين بدء الشذوذ والتعرف الصحيح عليه.
• زمن استجابة الاستدلال ($T_{inf}$): التأخير الحسابي (متوسط وقت المرور الأمامي) المطلوب لتوليد قرار من القياسات الخام.

المساهمات الرئيسية

تقدم الورقة ثلاث مساهمات رئيسية:

1. مقارنة منهجية: تقييم وجهاً لوجه لثماني بنيات للتعلم العميق على بيانات بث عالية الدقة تغطي 17 نوعاً من الشذوذ الفيزيائي والسيبراني.
2. خط أنابيب استدلال عملي: تنفيذ خط أنابيب للوقت الفعلي يتميز بالترشيح الدوري والامتناع القائم على الثقة لتعزيز استقرار القرار في بيئات البث.
3. معيار كمي لزمن الاستجابة: أول دليل مقارن على زمن تصنيف واكتشاف أقل من دورة واحدة لمجموعة متنوعة من هذه النماذج، مع التمييز الصريح بين سرعة التصنيف الخوارزمي وزمن استجابة الاستدلال من طرف إلى طرف.

النتائج

أداء التدريب:
حققت جميع النماذج دقة عالية "خارج الخط" (أعلى من 94%). حقق نموذج MLP أفضل أداء بدقة 99.66% رغم امتلاكه لأقل عدد من المعلمات (157 ألفاً). أظهر نموذج المحول (Transformer) أعلى دقة متوازنة (99.88%)، مما يشير إلى المتانة تجاه عدم توازن الفئات، رغم امتلاكه دقة خام أقل (95.37%).

الاستدلال في الوقت الفعلي وزمن الاستجابة:

• الاستقرار: أظهرت التنبؤات الخام في البث تذبذباً واضطراباً كبيراً. نجح تطبيق مرشح المتوسط المتحرك لدورة واحدة مع بوابات الثقة في تثبيت التصنيفات، مما قضى على الإنذارات الكاذبة وضمن ثقة مستدامة للنموذج.
• زمن التصنيف: حققت جميع النماذج أزمنة تصنيف أقل من دورة واحدة (تتراوح بين 3.38 مللي ثانية و14.83 مللي ثانية)، مما نجح في تحديد الشذوذ ضمن نافذة الحماية المطلوبة (عادةً أقل من 16 مللي ثانية).
• زمن استجابة الاستدلال: رغم سرعة أزمنة التصنيف، إلا أن متوسط زمن استجابة الاستدلال من طرف إلى طرف تجاوز باستمرار ثلاث دورات (50-90 مللي ثانية) في جميع النماذج. على سبيل المثال، كان لنموذج MLP زمن استجابة قدره 57.20 مللي ثانية، بينما وصل نموذج ST-GCN إلى 88.89 مللي ثانية.
• سيناريوهات محددة:
  • هجمات نسبة CT: كانت نماذج MLP والمحول هي الأسرع استجابة (أقل من 10 مللي ثانية)، بينما كانت النماذج المتكررة (LSTM, CNN-LSTM) أبطأ (أكثر من 50 مللي ثانية).
  • الأعطال خارج المنطقة: حدد النظام الأعطال خارج منطقة التدريب بشكل صحيح عن طريق خفض مستوى الثقة ووسمها كـ "غير مرئية" (-1) بدلاً من تصنيفها بشكل خاطئ.

الأهمية والادعاءات

تخلص الورقة إلى أنه بينما تمتلك نماذج التعلم العميق القدرة الخوارزمية لاكتشاف وتصنيف شذوذ أنظمة الطاقة بأوقات استجابة أقل من دورة واحدة، إلا أن هناك فجوة حرجة لا تزال قائمة بين هذه القدرة وبين النشر بمستوى الحماية. إن زمن استجابة الاستدلال المتسق (50-90 مللي ثانية) يتجاوز نافذة 16-34 مللي ثانية النموذجية المطلوبة لوظائف الحماية الأولية.

يؤكد المؤلفون أن هذه النتائج تضع معياراً قابلاً لإعادة الإنتاج للاكتشاف والتصنيف في أقل من دورة واحدة. يوضح العمل أن ملفات تعريف زمن الاستجابة الحالية أكثر ملاءمة لوظائف التحكم والوعي بالموقف بدلاً من الحماية الأولية. وتشدد الورقة على أن انتقال هذه الطرق إلى التطبيقات الواقعية يتطلب مزيداً من التحسين وتسريع الأجهزة لسد فجوة زمن الاستجابة، بدلاً من التركيز فقط على دقة النموذج. وتعمل الدراسة كدليل لفهم المقايضات بين الدقة والسرعة والتعقيد في تصميم أنظمة الحماية الذكية من الجيل التالي.