Smart Cities AVNs: Transparent and Privacy-Preserving Cyber Attack Prediction with Explainable Federated Feature Selection

आधुनिक शहर में, वाहन अब केवल परिवहन की मशीन नहीं रह गया है; यह एक विशाल, अदृश्य नेटवर्क में एक गतिशील नोड (node) है। कारें एक-दूसरे से, ट्रैफिक लाइटों से, सड़क सेंसरों से और क्लाउड सर्वरों से बात करती हैं, जिससे डेटा का एक गतिशील जाल बनता है जो सुचारू यातायात और सुरक्षित यात्रा की अनुमति देता है। यह परस्पर जुड़ा हुआ सिस्टम, जिसे स्वायत्त वाहन नेटवर्क (autonomous vehicular network) कहा जाता है, बुद्धिमान गतिशीलता के भविष्य का वादा करता है। हालाँकि, यह कनेक्टिविटी एक नई भेद्यता भी पैदा करती है। जिस तरह कई खुली खिड़कियों वाला घर तोड़ना आसान होता है, उसी तरह जुड़े हुए वाहनों का नेटवर्क साइबर हमलावरों के लिए कई प्रवेश द्वार प्रदान करता है। ये डिजिटल घुसपैते गलत जानकारी डाल सकते हैं, संचार बाधित कर सकते हैं, या वाहन के नियंत्रणों को हाईजैक कर सकते हैं, जिससे एक सुरक्षा विशेषता एक सुरक्षा खतरे में बदल सकती है। इन प्रणालियों की रक्षा के लिए, इंजीनियरों ने लंबे समय से घुसपैठ का पता लगाने वाले सिस्टम (intrusion detection systems) पर भरोसा किया है, जो नेटवर्क ट्रैफ़िक के लिए सुरक्षा कैमरों की तरह कार्य करते हैं, और उन पैटर्न की तलाश करते हैं जो हमले का संकेत देते हैं।

चुनौती यह है कि ये नेटवर्क इतने विशाल और इतने निजी हैं कि इनकी निगरानी किसी एक केंद्रीय प्राधिकरण द्वारा नहीं की जा सकती। हर कार से हर डेटा को एक केंद्रीय सर्वर तक एकत्र करना धीमा, महंगा और गोपनीयता का गंभीर उल्लंघन होगा। इसके अलावा, शहर के यातायात पैटर्न एक समान नहीं होते हैं; एक व्यस्त डाउनटाउन जिले में मौजूद कार एक शांत उपनगर में मौजूद कार से अलग ट्रैफ़िक देखती है, और एक हमलावर एक क्षेत्र में दूसरे क्षेत्र की तुलना में अलग व्यवहार कर सकता है। सुरक्षा प्रणालियों को प्रशिक्षित करने के पारंपरिक तरीके यहाँ विफल हो जाते हैं क्योंकि वे मानते हैं कि सारा डेटा एक जैसा दिखता है और इसे एक ही स्थान पर एकत्र किया जा सकता है। इसका समाधान एक ऐसे तरीके की आवश्यकता है जिससे कई अलग-अलग कंप्यूटर बिना अपना निजी, कच्चा डेटा साझा किए मिलकर सीख सकें, और साथ ही यह भी सुनिश्चित कर सकें कि उनके द्वारा लिए गए निर्णयों को मानव ऑपरेटरों द्वारा समझा जा सके।

किंग सऊद यूनिवर्सिटी के एक शोधकर्ता ने इस समस्या के लिए एक नया दृष्टिकोण विकसित किया है, जो एक ऐसा सिस्टम बनाता है जो वाहनों को अपने निजी ड्राइविंग डेटा को प्रकट किए बिना साइबर हमलों का पता लगाने के लिए सहयोगात्मक रूप से सीखने की अनुमति देता है। उनका तरीका, जिसका वर्णन हाल ही में एक अध्ययन में किया गया है, तीन शक्तिशाली विचारों को जोड़ता है: बिना रहस्य साझा किए मिलकर सीखने का एक तरीका, डेटा के ढेर में से केवल सबसे महत्वपूर्ण सुरागों को चुनने की एक विधि, और एक तकनीक जो यह स्पष्ट करती है कि निर्णय क्यों लिया गया। कच्चे ट्रैफ़िक लॉग को एक केंद्रीय मस्तिष्क को भेजने के बजाय, यह सिस्टम प्रत्येक वाहन या रोडसाइड यूनिट को अपने स्वयं के स्थानीय डेटा का विश्लेषण करने देता है। ये स्थानीय इकाइयाँ केवल वे "सबक" साझा करती हैं जो उन्होंने सीखे हैं—विशेष रूप से, ट्रैफ़िक के कौन से लक्षण संदिग्ध हैं—बजाय स्वयं डेटा के। यह गोपनीयता बनाए रखता है और साथ ही नेटवर्क को खतरों की व्यापक समझ बनाने की अनुमति भी देता है।

शोधकर्ता को एक विशिष्ट बाधा का सामना करना पड़ा: शहर के विभिन्न हिस्सों से आने वाला डेटा अव्यवस्थित और असंतुलित है। कुछ क्षेत्रों में ज्यादातर सामान्य ट्रैफ़िक होता है, जबकि अन्य क्षेत्रों में किसी विशिष्ट प्रकार के हमले में वृद्धि देखी जा सकती है। यदि सिस्टम सभी स्थानों के परिणामों का औसत निकालता है, तो यह उन दुर्लभ लेकिन खतरनाक हमलों को मिस कर सकता है जो केवल विशिष्ट स्थानों पर दिखाई देते हैं। इसे हल करने के लिए, शोधकर्ता ने एक "फेडरेटेड फीचर सिलेक्शन" (federated feature selection) प्रक्रिया डिजाइन की। कल्पना कीजिए कि विशेषज्ञों का एक समूह है, जिनमें से प्रत्येक पहेली के एक अलग हिस्से को देख रहा है। अपनी पहेली के टुकड़ों को एक केंद्रीय मेज पर भेजने के बजाय, वे प्रत्येक लिखता है कि उन्हें कौन से टुकड़े सबसे महत्वपूर्ण लगते हैं। सिस्टम फिर इन सूचियों को एकत्र करता है, उन्हें इस आधार पर वजन (weigh) देता है कि प्रत्येक विशेषज्ञ के पास कितना डेटा है, और मूल एक सौ सोलह संभावित संकेतकों में से बीस सबसे महत्वपूर्ण सुरागों की एक अंतिम, छोटी सूची पर सहमत होता है। इस प्रक्रिया ने डेटा की जटिलता को लगभग तिहत्तर प्रतिशत कम कर दिया, जिससे शोर को हटाकर उन संकेतों पर ध्यान केंद्रित किया गया जो वास्तव में मायने रखते हैं, जैसे कि भेजे जा रहे डेटा की मात्रा, कनेक्शन की आवृत्ति और विशिष्ट त्रुटि दरें।

एक बार जब सिस्टम ने इन प्रमुख विशेषताओं की पहचान कर ली, तो इसने हमलों को पहचानने के लिए स्थानीय मॉडलों का एक संग्रह प्रशिक्षित किया। शोधकर्ता ने सिम्युलेटेड शहर के विविध, असमान डेटा में सबसे अच्छा प्रदर्शन करने के लिए नौ अलग-अलग प्रकार के मशीन लर्निंग मॉडलों का परीक्षण किया। उन्होंने पाया कि एक विशिष्ट प्रकार का मॉडल, एक रेगुलराइज्ड रैंडम फॉरेस्ट (regularized random forest), सबसे विश्वसनीय था। इस मॉडल को फिर एक वैश्विक भविष्यवक्ता (global predictor) में संयोजित किया गया, लेकिन परिणामों का औसत निकालकर नहीं। इसके बजाय, सिस्टम ने उन स्थानीय मॉडलों को अधिक प्रभाव दिया जिन्होंने परीक्षण के दौरान खुद को अधिक सटीक और विश्वसनीय साबित किया था। यह "वैलिडेशन-अवेयर" (validation-aware) वेटिंग सुनिश्चित करती थी कि अंतिम वैश्विक निर्णय सबसे भरोसेमंद स्थानीय अंतर्दृष्टि द्वारा संचालित हो, जिससे एक मजबूत रक्षा प्रणाली तैयार होती जो शहर के ट्रैफ़िक की अराजक वास्तविकता को संभाल सके।

इस सिमुलेशन के परिणाम चौंकाने वाले थे। चार हजार से अधिक उदाहरणों वाले अनदेखे ट्रैफ़िक डेटा पर परीक्षण किए जाने पर, नए सिस्टम ने लगभग अट्ठानवे प्रतिशत की सटीकता के साथ हमलों की सही पहचान की। यह सामान्य ट्रैफ़िक और 'डिनायल-ऑफ-सर्विस' (denial-of-service) फ्लड्स या प्रोबिंग प्रयासों जैसे सामान्य हमलों के बीच अंतर करने में विशेष रूप से प्रभावी था। हालाँकि, अध्ययन ने एक निरंतर कठिनाई को भी रेखांकित किया: सिस्टम अत्यंत दुर्लभ प्रकार के हमलों का पता लगाने में संघर्ष करता है, जैसे कि वे जहाँ एक उपयोगकर्ता वाहन के रूट सिस्टम (root system) तक अनधिकृत पहुँच प्राप्त कर लेता है। टेस्ट डेटा में, इस विशिष्ट दुर्लभ हमले के केवल आठ उदाहरण थे, और सिस्टम इनमें से किसी को भी पहचानने में विफल रहा, बल्कि इन्हें सामान्य ट्रैफ़िक के रूप में वर्गीकृत किया। यह निष्कर्ष साइबर सुरक्षा के एक मौलिक सत्य को रेखांकित करता: यहाँ तक कि सबसे उन्नत सिस्टम भी उन खतरों के प्रति अंधे हो सकते हैं जो सीखने के लिए बहुत दुर्लभ हैं, एक ऐसी सीमा जिसे शोधकर्ता खुले तौर पर स्वीकार करते हैं।

जो काम को विशेष रूप से महत्वपूर्ण बनाता है वह न केवल उच्च सटीकता है, बल्कि यह पारदर्शिता भी है जो यह प्रदान करता है। स्वायत्त ड्राइविंग जैसे सुरक्षा-महत्वपूर्ण वातावरण में, यह जानना पर्याप्त नहीं है कि सिस्टम ने हमले को चिह्नित किया है; ऑपरेटरों को यह जानने की आवश्यकता है कि क्यों। शोधकर्ता ने ऐसे उपकरणों को एकीकृत किया जो आवर्धक लेंस (magnifying glass) की तरह कार्य करते हैं, जिससे वे देख सकते हैं कि किन डेटा बिंदुओं ने एक विशिष्ट निर्णय की ओर इशारा किया। सही ढंग से पहचाने गए हमले के लिए, सिस्टम उच्च डेटा वॉल्यूम और विशिष्ट त्रुटि दरों को अलार्म के कारणों के रूप में बता सकता था। एक कठिन मामले के लिए जहाँ सिस्टम अनिश्चित था, स्पष्टीकरण ने खुलासा किया कि ट्रैफ़िक पैटर्न अस्पष्ट थे, जो सामान्य और दुर्भावनापूर्ण के बीच झूल रहे थे। तर्क समझाने की यह क्षमता विश्वास पैदा करती है, जिससे मानव सुरक्षा विश्लेषक मशीन की चेतावनियों के पीछे के तर्क को समझ सकते हैं और आवश्यकतानुसार हस्तक्षेप कर सकते हैं।

अध्ययन यह निष्कर्ष निकालता है कि यह दृष्टिकोण भविष्य के स्मार्ट शहरों को सुरक्षित करने के लिए एक व्यवहार्य मार्ग प्रदान करता है। डेटा को स्थानीय रखकर, केवल सबसे प्रासंगिक विशेषताओं का चयन करके, और विभिन्न नेटवर्क नोड्स के योगदान को उनके प्रदर्शन के आधार पर भार देकर, सिस्टम गोपनीयता, दक्षता और विश्वसनीयता के बीच संतुलन प्राप्त करता है। यह प्रदर्शित करता है कि एक सहयोगात्मक रक्षा नेटवर्क बनाना संभव है जो व्यक्तिगत वाहनों की गोपनीयता का सम्मान करता है और साथ ही साइबर खतरों के खिलाफ एक शक्तिशाली, सामूहिक ढाल भी प्रदान करता है। हालाँकि, अत्यंत दुर्लभ हमलों का पता लगाने की चुनौती बनी हुई है, यह ढांचा अगली पीढ़ी की वाहन सुरक्षा के लिए एक पारदर्शी और प्रभावी आधार प्रदान करता है, यह सुनिश्चित करते हुए कि जैसे-जैसे हमारी कारें स्मार्ट होती जा रही हैं, वे अधिक सुरक्षित भी होती जा रही हैं।