Red Panda Catboost Prediction Framework For Detecting Intrusion In Industrial Internet Of Things

في العالم الصناعي الحديث، لم تعد المصانع وشبكات الطاقة مجرد مجموعات من الآلات الثقية؛ بل أصبحت شبكات واسعة ومترابطة من المستشعرات الذكية والحواسيب المعروفة باسم إنترنت الأشياء الصناعي (IIoT). تسمح هذه الأنظمة للآلات بالتحدث مع بعضها البعض، ومشاركة البيانات في الوقت الفعلي لجعل الإنتاج أسرع وأكثر كفاءة. ومع ذلك، فإن هذا التدفق المستمر للمعلومات الرقمية يخلق ثغرة أمنية جديدة. فتماماً كما يحتاج المصنع المادي إلى حراس لمنع المتسللين، تحتاج هذه الشبكات الرقمية إلى حماية من المتسللين (الهاكرز) الذين يحاولون سرقة البيانات أو إيقاف العمليات. ويكمن التحدي الذي يواجه خبراء الأمن في أن هذه الهجمات لا تكون واضحة دائماً؛ إذ يمكنها الاختباء داخل التدفقات الضخمة من البيانات العادية، لتبدو وكأنها حركة مرور روتينية حتى فوات الأوان. وغالباً ما تعاني الأساليب التقليدية في رصد هذه التهديدات، حيث تفشل في مواكبة الأمر، إما بتجاهل العلامات الدقيقة للخطر أو بإطلاق الكثير من الإنذارات الكاذبة التي تهدر الوقت والموارد.

ولمعالجة هذه المشكلة المتنامية، طور الباحثان شيفالي روبالي رامداس والدكتورة مونيكا شاراد ديشموخ من جامعة سانديب في الهند نظاماً جديداً صُمم للإمساك بهؤلاء المتسللين الرقميين بدقة أكبر. ويركز عملهما على نوع محدد من البرامج الحاسوبية يسمى نموذج التنبؤ، والذي يعمل مثل حارس أمن مدرب تدريباً عالياً ليتعلم كيفية التعرف على "البصمات" الفريدة التي تتركها أنواع مختلفة من الهجمات السيبرانية. وقد بنى الفريق إطار عمل أطلقوا عليه اسم "نظام باندا الأحمر كاتبوست" (Red Panda Catboost Prediction System). يجمع الاسم بين فكرتين متمايزتين: أداة تعلم آلي قوية تُعرف باسم "كاتبوست" (Catboost)، وهي ممتازة في فرز البيانات الفوضوية، وطريقة تحسين مستوحاة من الطبيعة تعتمد على سلوك الصيد لدى حيوان الباندا الأحمر. يتيح هذا المزيج للنظام غربلة آلاف النقاط من البيانات، وتجاهل الضجيج، والتركيز فقط على الميزات المحددة التي تشير إلى وجود تهديد.

بدأ الباحثون بتغذية نظامهم بمجموعة كبيرة من البيانات الصناعية الواقعية، والتي تضمنت أكثر من 157,000 سجل لنشاط الشبكة. احتوت هذه المجموعة من البيانات على أمثلة للعمليات الطبيعية بالإضافة إلى أربعة عشر نوعاً مختلفاً من الهجمات الخبيثة، بدءاً من محاولات إغراق النظام بحركة المرور وصولاً إلى البرمجيات المخفية المصممة لسرقة كلمات المرور. وقبل أن يتمكن النظام من التعلم، كان على الباحثين تنظيف البيانات، وإزالة "الضجيج" أو التفاصيل غير ذات الصلة التي قد تشتت الحاسوب. ثم استخدموا خوارزمية مستوحاة من الباندا الأحمر لاختيار أهم قطع المعلومات، تماماً مثل الطاهي الذي يختار فقط المكونات الأكثر طزاجة لوجبة طعام. ضمنت هذه الخطوة عدم تشتت النظام بالبيانات غير المفيدة وقدرته على التركيز تماماً على الإشارات المهمة.

بمجرد تجهيز البيانات، انتقل النظام إلى مرحلة التعلم. حيث قام بتحليل الأنماط في البيانات المنظفة للتمييز بين النشاط الآمن وأنواع الهجمات الأربعة عشر المحددة. واختبر الباحثون نموذجهم الجديد مقابل عدة طرق تقليدية قديمة تُستخدم عادة في الصناعة. وكانت النتائج مذهلة؛ فبينما عانت الأساليب القديمة، محققة معدلات دقة تتراوح تقريباً بين 54% و89%، قدم نظام "باندا الأحمر كاتبوست" أداءً استثنائياً من حيث الاستمرارية. فقد حدد نوع النشاط وما إذا كان هجوماً بدقة بلغت 99.4%. وتعني هذه الدرجة العالية أن النظام ارتكب أخطاءً قليلة جداً، حيث صنف الغالبية العظمى من حالات الاختبار بشكل صحيح.

كما قامت الدراسة بقياس مدى نجاح النظام في تجنب الإنذارات الكاذبة والتهديدات المفقودة، باستخدام مقاييس معيارية مثل الدقة (Precision) والاستدعاء (Recall). وفي كل فئة، تفوق النموذج الجديد على النهج السابقة، بما في ذلك المجموعات المعقدة من الخوارزميات الأخرى. وأشار الباحثون إلى أن نظامهم استغرق 175 جولة من التدريب للوصول إلى هذا المستوى من الأداء، حيث قام بصقل فهمه للبيانات مع كل تمريرة. ورغم أن النتائج واعدة للغاية، إلا أن المؤلفين يلاحظون بحذر أن نموذجهم قد اختُبر على أنواع معروفة من الهجمات الموجودة في مجموعة بياناتهم المحددة. ويقترحون أن العمل المستقبلي سيحتاج إلى اختبار النظام ضد أنواع هجمات جديدة أو غير معروفة تماماً لمعرفة ما إذا كان بإمكانه الحفاظ على مثل هذه الموثوقية العالية في مواجهة التهديدات المتطورة. أما الآن، يوفر إطار العمل هذا خطوة كبيرة للأمام في تأمين العمود الفقري الرقمي للصناعة الحديثة، مما يوفر أداة سريعة ودقيقة بشكل ملحوظ في رصد الخطر قبل أن يتسبب في وقوع الضرر.