Digital Twin Degradation: Detecting Cyber Physical Attacks via Temporal Inconsistencies

आधुनिक उद्योग भौतिक दुनिया और डिजिटल दुनिया के बीच एक नाजुक नृत्य पर चलता है। कारखाने, जल उपचार संयंत्र और बिजली ग्रिड जटिल प्रणालियों द्वारा प्रबंधित किए जाते हैं जहाँ सेंसर वास्तविक दुनिया की स्थितियों को मापते हैं और कंप्यूटर उन मापों के आधार पर निर्णय लेते हैं। इन प्रणालियों को सुरक्षित और कुशल बनाए रखने के लिए, इंजीनियर तेजी से एक उपकरण का उपयोग कर रहे हैं जिसे 'डिजिटल ट्विन' (Digital Twin) कहा जाता है। डिजिटल ट्विन को एक भौतिक मशीन के आभासी दर्पण के रूप में समझें, जो एक ऐसा कंप्यूटर प्रोग्राम है जो लगातार यह भविष्यवाणी करता है कि वास्तविक मशीन ने अपने पिछले व्यवहार के आधार पर आगे क्या करना चाहिए। यदि वास्तविक मशीन और उसका आभासी दर्पण एक दूसरे से सहमत होते हैं, तो सब कुछ सुचारू रूप से चल रहा होता है। लेकिन यदि वास्तविक मशीन अजीब तरह से व्यवहार करने लगती है, तो दर्पण में विसंगति दिखनी चाहिए, जो ऑपरेटरों को समस्या के प्रति सचेत करती है।

वर्षों से, सुरक्षा विशेषज्ञ इस बात को लेकर चिंतित रहे हैं कि यदि कोई हमलावर सेंसर या इस आभासी दर्पण में प्रवाहित होने वाले डेटा के साथ छेड़छाड़ करता है, तो दर्पण ठीक से काम करना बंद कर सकता है। प्रचलित डर यह था कि एक खराब या टूटा हुआ डिजिटल ट्विन सुरक्षा के लिए बेकार होगा, क्योंकि अब उस पर सच बताने के लिए भरोसा नहीं किया जा सकेगा। हालाँकि, नॉर्वेजियन यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के शोधकर्ताओं का एक नया अध्ययन एक आश्चर्यजनक मोड़ का सुझाव देता है: एक थोड़ा टूटा हुआ दर्पण वास्तव में एक पूर्ण दर्पण की तुलना में चोर को पकड़ने में बेहतर हो सकता है। शोधकर्ता प्रस्तावित करते हैं कि डिजिटल ट्विन का भौतिक प्रणाली के साथ तालमेल बिठाने में संघर्ष करने की क्रिया—डेटा में देरी या लापता डेटा के कारण—गलतियों का एक अनूठा पैटर्न बनाता है जो यह प्रकट कर सकता है कि कब हमला हो रहा है।

टीम ने इस विचार का परीक्षण करने के लिए एक पता लगाने वाली प्रणाली (detection system) बनाने का लक्ष्य रखा जो पहले से यह जानने पर निर्भर नहीं है कि हमला कैसा दिखता है। इसके बजाय, उन्होंने एक कंप्यूटर मॉडल को केवल यह समझने के लिए प्रशिक्षित किया कि सामान्य स्थिति में एक प्रणाली कैसे व्यवहार करती है। उन्होंने इस मॉडल को तीन अलग-अलग औद्योगिक वातावरणों से ऐतिहासिक डेटा दिया: एक जल उपचार परीक्षण केंद्र, एक सामान्य औद्योगिक नियंत्रण सेटअप, और एक सिम्युलेटेड जल वितरण नेटवर्क। मॉडल ने ठीक पहले जो हुआ था, उसके आधार पर सिस्टम के व्यवहार के अगले कुछ क्षणों की भविष्यवाणी करना सीखा। एक आदर्श दुनिया में, मॉडल की भविष्यवाणी वास्तविक सेंसर रीडिंग से बिल्कुल मेल खाएगी। वास्तविक दुनिया में, हालांकि, डेटा अक्सर देरी से आता है या खो जाता है, जिससे मॉडल छोटी गलतियाँ करता है। शोधकर्ताओं ने इन गलतियों को विफलताओं के रूप में नहीं, बल्कि सुरागों के रूप में माना।

उनके तरीके का मुख्य हिस्सा यह देखना है कि भविष्यवाणी की त्रुटियां समय के साथ कैसे बदलती हैं। जब एक प्रणाली सामान्य रूप से चल रही होती है, भले ही उसमें कुछ डेटा देरी हो, तो त्रुटियां छोटी, यादृच्छिक (random) और अल्पकालिक होती हैं। वे एक क्षण के लिए बढ़ सकती हैं और फिर स्थिर हो सकती हैं। लेकिन जब एक साइबर-फिजिकल हमला होता है—जहाँ एक हमलावर भौतिक क्षति पहुँचाने के लिए सेंसर या नियंत्रण वाल्वों में हेरफेर करने की कोशिश करता है—तो त्रुटियां अलग तरह से व्यवहार करती हैं। वे निरंतर (persistent) हो जाती हैं, बड़ी होती जाती हैं और लंबे समय तक चलती हैं क्योंकि हमला वास्तविक प्रणाली को उसके अपेक्षित पथ से दूर धकेलता है। शोधकर्ताओं ने एक ऐसी प्रणाली डिजाइन की जो इस विशिष्ट पैटर्न—लगातार विचलन (sustained divergence)—को देखती है। यह शोर के अलग-थलग स्पाइक्स (spikes) को अनदेखा करती है और यह देखने के लिए प्रतीक्षा करती है कि क्या भविष्यवाणी और वास्तविकता के बीच का अंतर बढ़ता रहता है।

यह देखने के लिए कि क्या यह दृष्टिकोण काम करता है, शोधकर्ताओं ने इसे विभिन्न स्थितियों के तहत परीक्षण किया, जिसमें वे परिदृश्य भी शामिल थे जहाँ वास्तविक दुनिया की समस्याओं जैसे नेटवर्क विलंब या लापता डेटा पैकेटों का अनुकरण करने के लिए डिजिटल ट्विन को जानबूझकर खराब किया गया था। उन्होंने पाया कि यह प्रणाली तब भी अत्यधिक प्रभावी रही जब डिजिटल ट्विन पूरी तरह से सही काम नहीं कर रहा था। जल उपचार डेटासेट पर, इस पद्धति ने प्रत्येक हमले की घटना की सफलतापूर्वक पहचान की, सभी 35 अलग-अलग घटनाओं को पकड़ा। औद्योगिक नियंत्रण डेटासेट पर, इसने 50 में से 49 हमलों का पता लगाया। यहाँ तक कि जल वितरण डेटासेट पर भी, जहाँ सिस्टम शुरू में संघर्ष कर रहा था, एक विशिष्ट प्रकार की डेटा देरी को पेश करने से डिटेक्टर ने अधिक हमलों को पकड़ने में मदद मिली, जिससे इसकी सफलता दर 40 प्रतिशत से बढ़कर 80 प्रतिशत हो गई।

एक महत्वपूर्ण निष्कर्ष यह था कि सिस्टम एक मामूली गड़बड़ी और एक वास्तविक खतरे के बीच अंतर कर सकता था। सामान्य संचालन में, सिस्टम ने बहुत कम गलत अलार्म दिए, त्रुटि दर विभिन्न परीक्षणों में 2 प्रतिशत से नीचे रही। यह औद्योगिक सेटिंग्स में अत्यंत महत्वपूर्ण है, जहाँ ऑपरेटर उन समस्याओं के बारे में चेतावनियों से भर नहीं सकते जो मौजूद ही नहीं हैं। सिस्टम ने तेजी से प्रतिक्रिया भी दी, आमतौर पर हमले शुरू होने के कुछ ही दर्जन सेकंड के भीतर इसकी पहचान कर ली, जो कि मानव ऑपरेटरों के हस्तक्षेप करने के लिए पर्याप्त समय है इससे पहले कि महत्वपूर्ण क्षति हो। शोधकर्ताओं ने इस बात पर जोर दिया कि उनके तरीके को हमले के विशिष्ट सिग्नेचर को पहले से जानने की आवश्यकता नहीं है; यह केवल भौतिक दुनिया और उसके डिजिटल साये के बीच के असामान्य और निरंतर असंतुलन को देखता है।

यह अध्ययन सुझाव देता है कि डिजिटल ट्विन के क्षरण (degradation) के प्रति पारंपरिक दृष्टिकोण पूरी तरह से नकारात्मक हो सकता है। जबकि एक खराब दृश्य निश्चित रूप से अनिश्चितता पैदा करता है, यह एक विशिष्ट प्रकार की अस्थायी विसंगति (temporal inconsistency) भी बनाता है जिसे छिपाना हमलावर के लिए कठिन होता है। यदि कोई हमलावर सिस्टम को सामान्य दिखाने के लिए हेरफेर करने की कोशिश करता है, तो उसे एक खराब डिजिटल ट्विन के जटिल, विलंबित और शोर भरे व्यवहार की भी सटीक नकल करनी होगी, जो कि लंबे समय तक बनाए रखना गणितीय रूप से कठिन कार्य है। भौतिक दुनिया और उसके भविष्य कहने वाले मॉडल के बीच के संबंध पर ध्यान केंद्रित करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया जो डेटा की हानि और परिष्कृत साइबर-फिजिकल हमलों दोनों के प्रति मजबूत है।

यह कार्य महत्वपूर्ण बुनियादी ढांचे को सुरक्षित करने के बारे में एक नया दृष्टिकोण प्रदान करता है। एक पूर्ण, अटूट डिजिटल दर्पण बनाने के बजाय, इंजीनियर वास्तविक दुनिया के संचार की स्वाभाविक घर्षण और देरी को एक सुरक्षा विशेषता के रूप में उपयोग कर सकते हैं। परिणाम संकेत देते हैं कि एक भौतिक प्रणाली और उसके भविष्य कहने वाले मॉडल के बीच के संबंध की निगरानी करना एक विश्वसनीय, कम लागत वाला रक्षा स्तर प्रदान कर सकता है। जब तक सिस्टम को सामान्य व्यवहार पर प्रशिक्षित किया जाता है, यह हमले के सूक्ष्म और निरंतर संकेतों को पहचान सकता है, भले ही उसे प्राप्त होने वाला डेटा अपूर्ण हो। यह दृष्टिकोण हर संभावित डेटा त्रुटि को रोकने के बजाय, उन त्रुटियों के पैटर्न का उपयोग करके यह प्रकट करने पर ध्यान केंद्रित करता है कि वास्तव में कब कुछ गलत है।