Hybrid CNN-LSTM for Cyberattack Classification in Sudanese E-Government SDN

आधुनिक दुनिया में, सरकारें अपने संचालन को तेजी से ऑनलाइन ले जा रही हैं, जिससे डिजिटल पोर्टल बन रहे हैं जहाँ नागरिक भौतिक कार्यालय जाए बिना सेवाओं तक पहुँच सकते हैं, करों का भुगतान कर सकते हैं और रिकॉर्ड प्राप्त कर सकते हैं। यह बदलाव, जिसे ई-गवर्नमेंट (e-government) के रूप में जाना जाता है, इन सेवाओं को उन लोगों से जोड़ने के लिए जटिल कंप्यूटर नेटवर्क पर बहुत अधिक निर्भर करता है जिन्हें इनकी आवश्यकता है। इन नेटवर्कों को तेज़ और प्रबंधित करने में आसान बनाने के लिए, कई लोग एक नया आर्किटेक्चर अपना रहे हैं जिसे सॉफ्टवेयर-डिफ़ाइंड नेटवर्किंग (software-defined networking) कहा जाता है। यह दृष्टिकोण नेटवर्क के 'मस्तिष्क' (जो निर्णय लेता है कि डेटा कहाँ जाएगा) को उसके 'मांसपेशियों' (जो वास्तव में डेटा को स्थानांतरित करती है) से अलग करता है। हालाँकि यह सिस्टम को अधिक लचीला बनाता है, लेकिन यह एक नया प्रकार का भेद्यता (vulnerability) भी पैदा करता है: यदि कोई हमलावर केंद्रीय मस्तिष्क को धोखा देने में सफल हो जाता है, तो वह पूरे सिस्टम को बाधित कर सकता है। इसके अलावा, जैसे-जैसे ये डिजिटल प्लेटफॉर्म बढ़ते हैं, वे परिष्कृत साइबर हमलों के लक्ष्य बन जाते हैं जो डेटा चुराने या सेवाओं को बंद करने की कोशिश करते हैं। पारंपरिक सुरक्षा प्रणालियाँ, जो ज्ञात बुरे पैटर्न को खोजने पर निर्भर करती हैं—जैसे कि एक लाइब्रेरियन द्वारा प्रतिबंधित पुस्तकों की सूची की जाँच करना—अक्सर नए, विकसित होते तरीकों या एन्क्रिप्टेड ट्रैफ़िक की भारी मात्रा को पकड़ने में संघर्ष करती हैं। यह लाखों नागरिकों की संवेदनशील जानकारी की सुरक्षा करने में एक महत्वपूर्ण अंतर छोड़ देता है।

इस चुनौती को दूर करने के लिए, सूडान के शोधकर्ताओं ने एक नया, बुद्धिमान सिस्टम विकसित किया है जिसे इन साइबर हमलों को नुकसान पहुँचाने से पहले पहचानने के लिए डिज़ाइन किया गया है। रानिया एलशीख हामिद के नेतृत्व वाली टीम ने, जो सूडान यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी से हैं, महसूस किया कि देश के विशिष्ट डिजिटल परिदृश्य के लिए एक कस्टम समाधान की आवश्यकता थी। वे जानते थे कि सूडान के सरकारी पोर्टल्स में पाए जाने वाले वेब ट्रैफ़िक और नेटवर्क प्रवाह के अनूठे मिश्रण को संभालने के लिए मानक सुरक्षा उपकरण पर्याप्त नहीं थे। पुराने तरीकों पर निर्भर रहने के बजाय, उन्होंने एक हाइब्रिड डीप लर्निंग मॉडल बनाया। यह सिस्टम दो शक्तिशाली प्रकार के आर्टिफिशियल इंटेलिजेंस को जोड़ता है: एक जो कच्चे डेटा में पैटर्न पहचानने में उत्कृष्ट है, जैसे कि एक कैमरा आकारों को पहचानता है, और दूसरा जो अनुक्रमों (sequences) और समय (timing) को समझने में कुशल है, जैसे कि एक पाठक कहानी के प्रवाह का अनुसरण करता है। इन दोनों दृष्टिकोणों को मिलाकर, सिस्टम डेटा पैकेट की तत्काल सामग्री और उस डेटा के आने के इतिहास, दोनों को देख सकता है, जिससे यह उच्च सटीकता के साथ एक वैध नागरिक अनुरोध और एक दुर्भावनापूर्ण हमले के बीच अंतर कर सकता है।

शोधकर्ताओं के सामने सबसे बड़ी बाधा वास्तविक दुनिया के डेटा की कमी थी। सख्त गोपनीयता कानूनों और राष्ट्रीय सुरक्षा चिंताओं के कारण, वे अपने सिस्टम को प्रशिक्षित करने के लिए सरकार के सर्वरों के वास्तविक लॉग का उपयोग नहीं कर सके। इसे हल करने के लिए, उन्होंने एक कस्टम डेटासेट बनाया जो किसी भी निजी जानकारी को उजागर किए बिना वास्तविक वातावरण की नकल करता है। उन्होंने इस प्रशिक्षण आधार को बनाने के लिए सूचना के तीन अलग-अलग स्रोतों को मिलाया। सबसे पहले, उन्होंने वैश्विक बेंचमार्क का उपयोग किया जिसमें सामान्य नेटवर्क हमलों के उदाहरण शामिल हैं, जैसे कि सिस्टम को ट्रैफ़िक से भर देने वाले 'डिनायल-ऑफ-सर्विस' (denial-of-service) प्रयास। दूसरा, उन्होंने विशेष रूप से वेब-आधारित हमलों को दिखाने के लिए डिज़ाइन किए गए डेटासेट्स को शामिल किया, जैसे कि वेबसाइट में हानिकारक कोड डालने के प्रयास। अंत में, सिमुलेशन को वास्तव में स्थानीय बनाने के लिए, उन्होंने एक कंप्यूटर प्रोग्राम का उपयोग करके कृत्रिम ट्रैफ़िक उत्पन्न किया जो बिल्कुल सूडान के सरकारी नेटवर्क की तरह व्यवहार करता था, जिसमें उनके बुनियादी ढांचे में पाए जाने वाले विशिष्ट विलंब (delays) और रूटिंग पैटर्न भी शामिल थे। इस सिंथेटिक डेटा ने उन्हें खतरों के एक यथार्थवादी प्रतिनिधित्व पर अपने मॉडल को प्रशिक्षित करने की अनुमति दी, जिससे यह सुनिश्चित हुआ कि तैनाती के समय सिस्टम काम करेगा।

एक बार मॉडल प्रशिक्षित हो जाने के बाद, शोधकर्ताओं ने यह देखने के लिए इसका परीक्षण किया कि पुराने तरीकों की तुलना में यह हमलों की पहचान कितनी अच्छी तरह करता है। उन्होंने अपने नए हाइब्रिड सिस्टम की तुलना कई स्थापित तकनीकों के साथ की, जिसमें पारंपरिक मशीन लर्निंग उपकरण भी शामिल हैं जो मानव विशेषज्ञों पर निर्भर करते हैं कि हमला कैसा दिखता है, और अन्य स्टैंडअलोन आर्टिफिशियल इंटेलिजेंस मॉडल भी। परिणाम स्पष्ट थे। नए हाइब्रिड मॉडल ने 97.8 प्रतिशत की समग्र सटीकता प्राप्त की, जिसका अर्थ है कि इसने लगभग हर मामले में ट्रैफ़िक की प्रकृति को सही ढंग से पहचाना। इससे भी महत्वपूर्ण बात यह है कि इसने गलत अलार्म (false alarms) की दर को अविश्वसनीय रूप से कम रखा, जिससे 1.5 प्रतिशत से भी कम वैध अनुरोधों को खतरनाक के रूप में चिह्नित किया गया। सरकारी सेवाओं के संदर्भ में, एक गलत अलार्म एक गंभीर समस्या है क्योंकि यह एक नागरिक को उसके अपने डेटा तक पहुँचने या बिल का भुगतान करने से रोक सकता है। इस संख्या को इतना कम रखकर, सिस्टम यह सुनिश्चित करता है कि सेवाएँ जनता के लिए उपलब्ध रहें जबकि वे बुरे तत्वों को भी पकड़ सकें।

अध्ययन ने यह भी देखा कि सिस्टम निर्णय लेने में कितना तेज़ है। एक ऐसे नेटवर्क में जो प्रति सेकंड हजारों अनुरोधों को संभालता है, सुरक्षा प्रणाली धीमी नहीं हो सकती, अन्यथा यह एक बाधा बन जाएगी जो सब कुछ धीमा कर देगी। शोधकर्ताओं ने पाया कि उनका मॉडल एक एकल डेटा पीस का विश्लेषण कर सकता है और केवल 18.6 मिलीसेकंड में भविष्यवाणी कर सकता है। यह गति नेटवर्क कंट्रोलर की वास्तविक समय (real-time) की आवश्यकताओं के भीतर फिट होने के लिए पर्याप्त तेज़ है, जिसका अर्थ है कि यह सूचना के प्रवाह को धीमा किए बिना हमले के होते ही उसे रोक सकता है। यह सिस्टम विशिष्ट प्रकार के खतरों के खिलाफ विशेष रूप से प्रभावी साबित हुआ, जिसने 98 प्रतिशत से अधिक की सफलता दर के साथ SQL इंजेक्शन प्रयासों, जो डेटाबेस को हेरफेर करने की कोशिश करते हैं, और डिस्ट्रीब्यूटेड डिनायल-ऑफ-सर्विस (distributed denial-of-service) हमलों, जो सर्वर को अभिभूत करने की कोशिश करते हैं, को सही ढंग से पहचाना। ये निष्कर्ष बताते हैं कि हाइब्रिड दृष्टिकोण न केवल सैद्धांतिक रूप से सुदृढ़ है बल्कि महत्वपूर्ण राष्ट्रीय बुनियादी ढांचे की सुरक्षा के लिए व्यावहारिक रूप से भी सक्षम है।

हालाँकि परिणाम आशाजनक हैं, शोधकर्ता सावधानी बरतते हुए कहते हैं कि यह एक कदम आगे की ओर है, न कि अंतिम समाधान। मॉडल का परीक्षण एक ऐसे डेटासेट पर किया गया था जो, हालांकि अत्यधिक यथार्थवादी था, लेकिन लाइव, चल रहे सरकारी ट्रैफ़िक के बजाय वातावरण को सिम्युलेट करने के लिए बनाया गया था। टीम स्वीकार करती है कि जैसे-जैसे साइबर हमले विकसित होते रहेंगे, सिस्टम को अनुकूलित होने की आवश्यकता होगी। अपने भविष्य के कार्य में, वे 'फेडरेटेड लर्निंग' (federated learning) नामक एक पद्धति का पता लगाने की योजना बना रहे हैं। यह दृष्टिकोण विभिन्न सरकारी एजेंसियों को अपनी स्थानीय डेटा का उपयोग करके मिलकर सुरक्षा मॉडल को प्रशिक्षित करने की अनुमति देगा, बिना कभी भी कच्ची, संवेदनशील जानकारी को किसी केंद्रीय सर्वर के साथ साझा किए। यह डेटा को संभालने के लिए सख्त गोपनीयता और सुरक्षा प्रतिबंधों का सम्मान करते हुए नए खतरों का पता लगाने की क्षमता को और मजबूत करेगा। हालाँकि, फिलहाल के लिए, यह अध्ययन एक अधिक सुरक्षित डिजिटल भविष्य के लिए एक मजबूत आधार प्रदान करता है, जो एक स्केलेबल, बुद्धिमान आधार पेश करता है जो सूडान की ई-गवर्नमेंट सेवाओं की अखंडता और विश्वास को बचाने में मदद कर सकता है।