A Deep Learning-Based Adversarial Attack Detection and Defense Method for Cybersecurity Protection in Power Systems

تعد الشبكة الكهربائية آلة ضخمة غير مرئية يجب أن توازن بين العرض والطلب في كل ثانية من كل يوم. ولإبقاء الأنوار مضاءة، تعتمد مراكز التحكم على تدفق مستمر من البيانات من آلاف العدادات المنتشرة عبر الشبكة. تبلغ هذه العدادات مستويات الجهد وتدفقات الطاقة، مما يسمح للمهندسين ببناء صورة رقمية للحالة الراهنة للنظام. وإذا كانت هذه الصورة دقيقة، تعمل الشبكة بسلاسة؛ أما إذا كانت خاطئة، فقد تكون العواقب وخيمة، بدءاً من عدم كفاءة استخدام الطاقة وصولاً إلى انقطاعات واسعة النطاق في التيار الكهربائي. لسنوات، أعرب خبراء الأمن عن قلقهم بشأن نوع محدد من التخريب الرقمي يسمى "حقن البيانات الزائفة". في هذا السيناريو، لا يقوم المخترق بمجرد كسر عداد أو مسح قراءة، بل يقوم بتعديل الأرقام بعناية بحيث تبدو التغييرات طبيعية تماماً بالنسبة لضوابط السلامة الأساسية للنظام. إنها خدعة قائمة على الاتساق: فالبيانات المعدلة لا تزال تتوافق مع القواعد الرياضية للشبكة، مما يجعل الإنذارات الآلية تظل صامتة بينما يتم في الواقع توجيه النظام نحو واقع زائف.

قدمت التطورات الأخيرة في الذكاء الاصطناعي أملاً جديداً للدفاع. بدأ الباحثون في تدريب نماذج التعلم العميق، وهي نوع من البرامج الحاسوبية التي تتعلم الأنماط من البيانات، لرصد هذه الأكاذيب الدقيقة. كان بإمكان هذه الحراس الرقميين تعلم شكل سلوك الشبكة الطبيعي والإبلاغ عن أي شيء يبدو غريباً بعض الشيء. ومع ذلك، كشفت دراسة حديثة أجراها شو لي وزملاؤه في "ستيت غريد جيباي" في الصين عن خلل مقلق في هذا النهج. فقد وجدوا أن مهاجماً متطوراً، يعرف تماماً كيف يعمل نظام الدفاع، يمكنه لاحقاً خداع هذه الكواشف الذكية. واكتشف الباحثون أن دفاعات الذكاء الاصطناعي القياسية غالباً ما تُدرب ضد هجمات عشوائية ونظرية لا تحترم القوانين الفيزيائية لشبكة الطاقة. وعندما يُسمح للمهاجم بصياغة كذبة تكون ممكنة فيزيائياً ومصممة خصيصاً لتجاوز الكاشف، تنخفض نسبة نجاح الذكاء الاصطناعي بشكل كبير. وفي اختبار على شبكة كبيرة تضم 118 نقطة اتصال، لم يكتشف كاشف التعلم العميق القياسي سوى 19 بالمائة من هذه الهجمات المصاغة بعناعة عندما حاول المخترق تزييف تغيير بنسبة 30 بالمائ المائ في الطلب على الكهرباء في موقع واحد.

ولحل هذه المشكلة، طور الفريق نظام دفاع مكون من طبقتين أطلقوا عليه اسم "PARRY". الطبقة الأولى هي كاشف محسّن للتعلم العميق، ولكن مع اختلاف جوهري في كيفية تدريبه. فبدلاً من التعلم من الضوضاء العشوائية، يتم تدريب هذا الكاشف ضد النوع المحدد من المهاجم الموصوف أعلاه: المهاجم الذي يحافظ على الاتساق الفيزيائي ويهدف إلى تحريك الحمل المقدر بمقدار محدد. ومن خلال التدرب ضد هذا التهديد الواقعي، يصبح هذا الكاشف أصعب بكثير في الخداع. وفي اختباراتهم، اكتشف هذا الكاشف المحسن وحده 36 بالمائ من الهجمات التكيفية، وهي قفزة كبيرة عن النموذج القياسي. ومع ذلك، أدرك الباحثون أن الاعتماد على نموذج ذكاء اصطناعي واحد ليس كافياً، لأنه يمكن لمهاجم مصمم إيجاد طريقة للالتفاف حوله في النهاية.

أما الطبقة الثانية من "PARRY" فهي ما يسميه المؤلفون "شاهد الناقل البعيد" (far-bus witness). وهذا استخدام ذكي لجغرافيا الشبكة نفسها. أدرك الباحثون أنه إذا أراد مهاجم تغيير الحمل المقدر عند "ناقل" (bus) معين، فإنه لا يمكنه التلاعب إلا بالعدادات الموجودة في الجوار المباشر لهذا الناقل، ولا يمكنه الوصول إلى العدادات البعيدة. يستخدم نظام الشاهد هذه الحقيقة؛ فهو يتنبأ بما يجب أن يكون عليه الحمل عند ناقل مستهدف، ليس من خلال النظر إلى العدادات القريبة، بل من خلال النظر إلى العدادات الموجودة على الجانب الآخر من الشبكة، بعيداً خارج نطاق وصول المهاجم. وبما أن المهاجم لا يمكنه لمس هذه العدادات البعيدة، فإن توقعاتها تظل صادقة. فإذا قالت العدادات المحلية شيئاً، بينما قال الشاهد البعيد شيئاً آخر، فإن النظام يعرف أن هناك كذبة تُقال. لا تعتمد هذه الطريقة على سلوك المهاجم أو تدريب الذكاء الاصطناعي، بل تعتمد على الحدود الفيزيائية لمدى قدرة المهاجم على الوصول.

وعندما دمج الباحثون هاتين الطبقتين، كانت النتائج مذهلة. فقد كشف نظام "PARRY" 75 بالمائ من الهجمات التكيفية التي زيفت تغييراً في الحمل بنسبة 30 بالمائ، وكشف 98 بالمائ من الهجمات التي زيفت تغييراً بنسبة 50 بالمائ. ويمثل هذا تحسناً هائلاً مقارنة بالطرق القياسية، التي فشلت في اكتشاف الغالبية العظمى من هذه الاختراقات المتطورة. كما اختبرت الدراسة مدى قدرة النظام على التعامل مع الهجمات البطيئة والصابرة، حيث يقوم المخترق بتغيير الأرقام تدريجياً بمرور الوقت لتجنب الكشف. وبينما ارتبكت الأنظمة الأخرى التي تعتمد على الاتجاهات التاريخية بسبب هذه التدرجات البطيئة، ظل "شاهد الناقل البعيد" فعالاً لأنه ينظر فقط إلى الحالة الراهنة للشبكة البعيدة، متجاهلاً التاريخ الذي قام المهاجم بتسميمه.

وعلى الرغم من هذه النجاحات، يحرص الباحثون على الإشارة إلى ما لا يستطيع نظامهم القيام به. فقد وجدوا أنه لا توجد طريقة يمكنها اكتشاف التغييرات الصغيرة جداً بشكل موثوق، مثل تحول بنسبة 10 بالمائ في الحمل، لأن هذه التغيرات الصغيرة لا يمكن تمييزها عن التقلبات الطبيعية اليومية في الطلب على الكهرباء. كما أن للنظام حداً في حجم الكذبة التي يمكنه ضمان كشفها؛ إذ يضع "شاهد الناقل البعيد" سقفاً لحجم الكذبة غير المكتشفة، لكن هذا السقف ليس مثالياً، فهو يسمح ببعض الخطأ لأن حالة الشبكة تُعاد حسابها باستمرار. وفي عمليات المحاكاة، وجد الباحثون أنه حتى مع أفضل دفاع، يمكن للمهاجم تزييف تغيير يصل حجمه إلى ثلثي الحمل الطبيعي عند ناقل ما دون أن يُكتشف، رغم أن النظام سيكشف بالتأ sure أي تغيير أكبر من ذلك.

أجريت الدراسة باستخدام بيانات طلب حقيقية من البرتغال تمتد لثلاث سنوات، مدمجة مع نماذج حاسوبية قياسية لشبكات الطاقة. وتظهر النتائج أنه بينما يعد التعلم العميق أداة قوية، فإنه ليس حلاً سحرياً. إن الدفاع الأكثر فعالية يأتي من الجمع بين ذكاء اصطناعي ذكي ومدرب جيداً، وبين فحص فيزيائي يستخدم هيكل الشبكة نفسه للتحقق من الحقيقة. ويخلص الباحثون إلى أنه بينما ترفع طريقتهم سقف التحدي أمام المهاجمين بشكل كبير، فإن المشكلة لم تُحل بعد. وسيحتاج العمل المستقبلي إلى التركيز على جعل التنبؤات من أجزاء الشبكة البعيدة أكثر دقة، وإيجاد طرق لاكتشاف أصغر الأكاذيب وأكثرها دهاءً والتي تفلت حالياً من الرصد. وفي الوقت الحالي، تقدم الدراسة مساراً واضحاً للمضي قدماً: لحماية الشبكة، يجب أن نبني دفاعات لا تفهم البيانات فحسب، بل تفهم الواقع الفيزيائي للآلة التي تصفها.