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

आधुनिक औद्योगिक दुनिया में, कारखाने और पावर ग्रिड अब केवल भारी मशीनरी का संग्रह मात्र नहीं रह गए हैं; वे स्मार्ट सेंसर और कंप्यूटरों के विशाल, परस्पर जुड़े नेटवर्क हैं जिन्हें 'इंडस्ट्रियल इंटरनेट ऑफ थिंग्स' (IIoT) के रूप में जाना जाता है। ये प्रणालियाँ मशीनों को एक-दूसरे से बात करने की अनुमति देती हैं, जिससे उत्पादन को तेज़ और अधिक कुशल बनाने के लिए वास्तविक समय (real time) में डेटा साझा किया जा सके। हालाँकि, सूचना के इस निरंतर प्रवाह से एक नई भेद्यता (vulnerability) पैदा होती है। जिस प्रकार एक भौतिक कारखाने को घुसपैठियों को रोकने के लिए गार्ड की आवश्यकता होती है, उसी तरह इन डिजिटल नेटवर्क को उन हैकर्स से सुरक्षा की आवश्यकता होती है जो डेटा चुराने या संचालन को ठप करने की कोशिश करते हैं। सुरक्षा विशेषज्ञों के लिए चुनौती यह है कि ये हमले हमेशा स्पष्ट नहीं होते; वे सामान्य डेटा के विशाल प्रवाह के भीतर छिप सकते हैं, और बहुत देर होने तक सामान्य ट्रैफ़िक की तरह दिखते रहते हैं। खतरों को पहचानने के पारंपरिक तरीके अक्सर इनके साथ तालमेल बिठाने में संघर्ष करते हैं, जिससे या तो खतरे के सूक्ष्म संकेतों को पकड़ने में चूक हो जाती है या बहुत अधिक गलत अलार्म (false alarms) उत्पन्न होते हैं जो समय और संसाधनों को बर्बाद करते हैं।

इस बढ़ती समस्या के समाधान के लिए, भारत के संदीप यूनिवर्सिटी की शोधकर्ता शेवले रुपाली रामदास और डॉ. मोनिका शरद देशमुख ने एक नई प्रणाली विकसित की है जिसे इन डिजिटल घुसपैचारियों को अधिक सटीकता के साथ पकड़ने के लिए डिज़ाइन किया गया है। उनका कार्य एक विशिष्ट प्रकार के कंप्यूटर प्रोग्राम पर केंद्रित है जिसे 'प्रेडिक्शन मॉडल' कहा जाता है, जो एक अत्यधिक प्रशिक्षित सुरक्षा गार्ड की तरह कार्य करता है जो विभिन्न प्रकार के साइबर-हमलों द्वारा छोड़े गए विशिष्ट "पदचिह्नों" (footprints) को पहचानना सीखता है। टीम ने एक ढांचा तैयार किया जिसे वे 'रेड पांडा कैटबूस्ट प्रेडिक्शन सिस्टम' कहते हैं। यह नाम दो अलग-अलग विचारों को जोड़ता है: एक शक्तिशाली मशीन लर्निंग टूल जिसे 'कैटबूस्ट' (Catboost) कहा जाता है, जो अव्यवस्थित डेटा को छाँटने में उत्कृष्ट है, और एक प्रकृति-प्रेरित अनुकूलन विधि (optimization method) जो रेड पांडा के शिकार व्यवहार पर आधारित है। यह संयोजन सिस्टम को हजारों डेटा बिंदुओं को छानने, शोर (noise) को अनदेखा करने और केवल उन विशिष्ट विशेषताओं पर ध्यान केंद्रित करने की अनुमति देता है जो किसी खतरे का संकेत देते हैं।

शोधकर्ताओं ने अपने सिस्टम को वास्तविक दुनिया के औद्योगिक डेटा के एक बड़े संग्रह के साथ फीड करना शुरू किया, जिसमें नेटवर्क गतिविधि के 157,000 से अधिक रिकॉर्ड शामिल थे। इस डेटासेट में सामान्य संचालन के उदाहरणों के साथ-साथ चौदह अलग-अलग प्रकार के दुर्भावनापूर्ण हमले भी शामिल थे, जो सिस्टम को ट्रैफ़िक से अभिभूत करने के प्रयासों से लेकर पासवर्ड चुराने के लिए डिज़ाइन किए गए छिपे हुए सॉफ़्टवेयर तक विस्तृत थे। सिस्टम के सीखने से पहले, शोधकर्ताओं को डेटा को साफ करना पड़ा, यानी उस "शोर" या अप्रासंगिक विवरणों को हटाना पड़ा जो कंप्यूटर को भ्रमित कर सकते थे। फिर उन्होंने रेड पांडा से प्रेरित एल्गोरिदम का उपयोग करके जानकारी के सबसे महत्वपूर्ण हिस्सों को चुना, ठीक वैसे ही जैसे एक शेफ भोजन के लिए केवल ताजी सामग्री का चयन करता है। इस चरण ने यह सुनिश्चित किया कि सिस्टम बेकार डेटा से विचलित न हो और पूरी तरह से उन संकेतों पर ध्यान केंद्रित करे जो महत्वपूर्ण हैं।

एक बार डेटा तैयार हो जाने के बाद, सिस्टम अपने सीखने के चरण में चला गया। इसने सुरक्षित गतिविधि और चौदंड विशिष्ट प्रकार के हमलों के बीच अंतर करने के लिए साफ किए गए डेटा के पैटर्न का विश्लेषण किया। शोधकर्ताओं ने अपने नए मॉडल का परीक्षण कई पुराने, पारंपरिक तरीकों के विरुद्ध किया जो उद्योग में आमतौर पर उपयोग किए जाते हैं। परिणाम आश्चर्यजनक थे। जहाँ पुराने तरीके संघर्ष कर रहे थे और लगभग 54% से 89% की सटीकता दर हासिल कर रहे थे, वहीं नया रेड पांडा कैटबूस्ट सिस्टम असाधारण निरंतरता के साथ प्रदर्शन करता है। इसने 99.4% की सटीकता के साथ गतिविधि के प्रकार और यह कि वह एक हमला है या नहीं, को सही ढंग से पहचाना। इस उच्च स्कोर का अर्थ है कि सिस्टम ने बहुत कम गलतियाँ कीं, और परीक्षण के मामलों के विशाल बहुमत को सही ढंग से वर्गीकृत किया।

अध्ययन ने यह भी मापा कि सिस्टम ने 'प्रिसिजन' (precision) और 'रिकॉल' (recall) जैसे मानक मेट्रिक्स का उपयोग करके कितने बेहतर तरीके से गलत अलार्म और छूटे हुए खतरों से बचाव किया। हर श्रेणी में, नए मॉडल ने पिछले दृष्टिकोणों को पछाड़ दिया, जिसमें अन्य एल्गोरिदम के जटिल संयोजन भी शामिल थे। शोधकर्ताओं ने नोट किया कि उनके सिस्टम को इस स्तर के प्रदर्शन तक पहुँचने के लिए 175 राउंड के प्रशिक्षण की आवश्यकता थी, जिसने प्रत्येक पास के साथ डेटा की अपनी समझ को परिष्कृत किया। हालाँकि परिणाम अत्यधिक आशाजनक हैं, लेखक सावधानीपूर्वक यह उल्लेख करते हैं कि उनके मॉडल का परीक्षण उनके विशिष्ट डेटासेट में पाए गए ज्ञात प्रकार के हमलों पर किया गया था। वे सुझाव देते हैं कि भविष्य के कार्यों में सिस्टम का परीक्षण पूरी तरह से अज्ञात या नए प्रकार के हमलों के विरुद्ध करने की आवश्यकता होगी ताकि यह देखा जा सके कि क्या यह विकसित होते खतरों के सामने इतनी उच्च विश्वसनीयता बनाए रख सकता है। फिलहाल, यह नया ढांचा आधुनिक उद्योग की डिजिटल रीढ़ को सुरक्षित करने की दिशा में एक महत्वपूर्ण कदम पेश करता है, जो एक ऐसा उपकरण प्रदान करता है जो तेज़ है और खतरे को नुकसान पहुँचाने से पहले पहचानने में उल्लेखनीय रूप से सटीक है।