لم تعد شبكة الطاقة الحديثة مجرد مجموعة من الأسلاك والمحولات؛ بل هي جهاز عصبي رقمي شاسع حيث تتواصل الحواسيب مع بعضها البعض باستمرار لإبقاء الأنوار مشتعلة. يعتمد هذا النظام، المعروف باسم الشبكة الذكية، على تدفق مستمر للبيانات من المستشعرات والعدادات ومراكز التحكم لموازنة عرض الكهرباء والطلب في الوقت الفلي. ومع ذلك، فإن هذا الاتصال يخلق نقطة ضعف. تماماً كما أن المنزل الذي يحتوي على نوافذ مفتعة كثيرة يكون من السهل اقتحامه، فإن الشبكة التي تحتوي على آلاف نقاط الاتصال الرقمية هي هدف للهجمات السيبرانية. يمكن أن تتراوح هذه الهجمات من القراصنة الذين يحاولون إخفاء وجودهم عبر تزييف البيانات، إلى مجموعات تحاول قطع قنوات الاتصال تماماً. ويكمن التحدي أمام المدافعين في أن الشبكة كبيرة ومعقدة للغاية بحيث لا يمكن مراقبتها من مكتب مركزي واحد، كما أن البيانات الناتجة عن أجزاء مختلفة من الشبكة غالباً ما تكون حساسة للغاية بحيث لا يمكن مشاركتها بحرية بسبب مخاوف الخصوصية والأمن.

في هذا السياق، توجه الباحثون إلى طريقة تسمى "التعلم الاتحادي" (Federated Learning)، وهي وسيلة تتيح للحواسيب أن تتعلم معاً دون مشاركة بياناتها الخاصة أبداً. تخيل مجموعة من الجيران يحاولون تعلم كيفية رصد نوع معين من المتسللين. بدلاً من أن يحضر الجميع لقطات كاميرات المراقبة الخاصة بهم إلى منزل واحد لتحليلها، يحتفظ كل جار بلقطاته في منزله. يقوم كل منهم بتدريب نظام كشف صغير خاص به، ثم يرسلون فقط الدروس التي تعلموها — أي القواعد التي اكتشفوها — إلى منسق مركزي. يقوم المنسق بدمج هذه الدروس لإنشاء دليل مشترك أكثر ذكاءً للجميع، دون أن يرى أبداً مقاطع الفيديو الفعلية. يحمي هذا النهج الخصوصية مع السماح للمجموعة في الوقت نفسه بالاستفادة من المعرفة الجماعية. والسؤال الذي كان الباحثون يطرحونه هو ما إذا كانت هذه الطريقة تعمل بشكل جيد بما يكفي لرصد الهجمات السيبرانية المتطورة في البيئة الفوضوية وغير المتوقعة لشبكة طاقة حقيقية، حيث تشهد مواقع مختلفة أنواعاً مختلفة من حركة البيانات والهجمات.

وضع فريق من الباحثين بقيادة أوديت ماموديا وزملاؤه حداً لهذا التساؤل من خلال بناء نظام جديد مصمم خصيصاً للشبكة الذكية. استخدموا مجموعة بيانات عامة تحتوي على سجلات من نظام طاقة مختبري تضمنت عمليات طبيعية وهجمات سيبرانية محاكية متنوعة. تم تقسيم مجموعة البيانات إلى خمس عشرة مجموعة متميزة، تمثل خمس عشرة موقعاً أو "عميلاً" في الشبكة. ومن الأهمية بمكان أن الباحثين لم يخلطوا هذه المجموعات معاً، بل تعاملوا مع كل مجموعة كعميل مستقل ومنفصل، مما حافظ على الاختلافات الطبيعية في شكل البيانات عند كل موقع. يحاكي هذا الإعداد العالم الحقيقي، حيث قد يشهد جزء من الشبكة حركة مرور طبيعية في الغالب بينما يتعرض جزء آخر لهجوم عنيف، وحيث تختلف أنواع البيانات القادمة من المستشعرات الفيزيائية عن السجلات التي تولدها الأنظمة الحاسوبية.

طور الباحثون إطار عمل أطلقوا عليه اسم HA-FedIDS، والذي يرمز إلى "نظام كشف التسلل الاتحادي المدرك لعدم التجانس" (Heterogeneity-Aware Federated Intrusion Detection System). ومصطلح "المدرك لعدم التجانس" هو المفتاح؛ ويعني أن النظام صُمم لفهم أن البيانات من المواقع المختلفة لن تبدو متشابهة. في العديد من المحاولات السابقة للتعلم الاتحادي، كان النظام يفترض أن جميع البيانات متشابهة تقريباً، مما أدى غالباً إلى الارتباك عندما كانت البيانات مختلفة بالفعل. تعامل النظام الجديد مع هذا الأمر باستخدام "أذنين" منفصلتين للاستماع إلى الشبكة. ركزت إحدى الأذنين على القياسات الفيزيائية، مثل قراءات الجهد والتردد من المستشعرات، بينما ركزت الأخرى على السجلات الرقمية، مثل سجلات حركة مرور الشبكة والتنبيهات الأمنية. ثم تم دمج هذين التدفقين من المعلومات بطريقة سمحت للنظام بوزنهما بشكل مختلف حسب الموقف. فإذا كان الهجوم واضحاً في السجلات الرقمية ولكنه خفي في المستشعرات الفيزيائية، يمكن للنظام الاعتماد أكثر على السجلات، والعكس صحيح.

لضمان عمل النظام بإنصاف عبر جميع المواقع، عالج الباحثون أيضاً مشكلة "عدم توازن الفئات". في العالم الحقيقي، تعتبر الهجمات نادرة مقارنة بالأحداث الطبيعية. وإذا لم يكن نظام التعلم حذراً، فقد يتعلم ببساطة تخمين الحالة "الطبيعية" في كل مرة، لأنها النتيجة الأكثر شيوعاً، ويظهر وكأنه دقيق للغاية. بنى الباحثون تعديلاً رياضياً داخل عملية التعلم أعطى أهمية إضافية لأمثلة الهجمات النادرة، مما يضمن تعلم النظام كيفية رصدها حتى عندما تكون قليلة جداً. كما أضافوا آلية سلامة لمنع أي موقع من إرسال تحديث "ضوضائي" أو متطرف يمكن أن يفسد عملية التعلم للمجموعة بأكملها. وأخيراً، قاموا بمعايرة مستويات ثقة النظام، لضمان أنه عندما يشير إلى شيء ما كأنه هجوم، فإنه يكون واثقاً حقاً، وليس مجرد تخمين.

كانت نتائج هذه التجربة مذهلة. حقق النظام الجديد دقة بلغت 98.25% في تحديد الهجمات السيبرانية، وهو مستوى أداء يكاد يتطابق مع نظام تقليدي لديه إمكانية الوصول إلى جميع البيانات في موقع مركزي واحد. والأهم من ذلك، أنه حافظ على معدل منخفض جداً من الإنذارات الكاذبة. في عالم أمن الشبكات، يعد الإنذار الكاذب مشكلة خطيرة لأنه يمكن أن يتسبب في إضاعة وقت المشغلين في التحقيق في تهديد غير موجود، أو الأسوأ من ذلك، تجاهل تهديد حقيقي بسبب الانشغال بالضجيج. نجح النظام الجديد في تحديد 99% من الهجمات الفعلية مع إبقاء معدل الإنذارات الكاذبة عند 1.83% فقط. كما أثبت متانته حتى عندما لم تتمكن جميع المواقع من المشاركة في كل جولة من جولات التعلم، وهو أمر شائع في الشبكات الواقعية حيث يمكن أن تكون الاتصالات غير مستقرة.

استبعدت الدراسة صراحةً فكرة أن مجرد حساب متوسط النتائج من مواقع مختلفة كافٍ لبناء نظام أمني موثوق. وجد الباحثون أنه بدون تعديلاتهم المحددة لعدم تجانس البيانات وعدم توازن الفئات، ينخفض أداء النظام بشكل كبير، ويصبح أكثر عرضة لإطلاق إنذارات كاذبة. كما أثبتوا أن النظام لا يحتاج إلى رؤية البيانات الخام من كل موقع ليكون فعالاً؛ فقد تعلم أنماط الهجوم من خلال مشاركة القواعد المجردة التي اكتشفها فقط. تشير هذه النتيجة إلى أن مستقبل أمن الشبكات الذكية لا يتطلب قاعدة بيانات مركزية ضخمة لكل قطعة من بيانات الشبكة، وهو ما سيكون يمثل مخاطرة كبيرة على الخصوصية وكابوساً لوجستياً. بدلاً من ذلك، يشير الأمر نحو مستقبل لامركزي حيث تتعلم العقد المحلية من بعضها البعض مع الحفاظ على خصوصية معلوماتها الحساسة.

على الرغم من أن الدراسة أجريت باستخدام مجموعة بيانات عامة من بيئة مختبرية، إلا أن التداعيات واضحة بالنسبة للعالم الحقيقي. لقد أظهر الباحثون أنه من الممكن بناء نظام دفاع تعاوني يتسم بدقة عالية ويحترم خصوصية البيانات في آن واحد. لقد أثبتوا أن التحديات الفريدة للشبكة الذكية — مثل أنواع البيانات المختلفة، والتوزيع غير المتساوي للهجمات، والحاجة إلى انخفاض الإنذارات الكاذبة — يمكن إدارتها بالتصميم الصحيح. لا يدعي هذا العمل أنه حل كل مشكلة في أمن الشبكات، ولا أنه يحاكي كل نوع ممكن من المتسللين أو أعطال الشبكة. ومع ذلك، فإنه يقدم عرضاً قوياً وموزوناً بأن التعلم الاتحادي، عندما يتم هندسته بعناية للتعامل مع الخصائص النوعية لأنظمة الطاقة، يعد أداة قابلة للتطبيق وقوية لحماية البنية التحتية الحيوية التي تشغل المجتمع الحديث.