SECURE Framework for Detecting Integrity Attacks in High-Frequency Trading Systems

डिजिटल दुनिया में, सुरक्षा की कल्पना अक्सर एक ऐसे किले के रूप में की जाती है जिसकी दीवारें घुसपैठियों को बाहर रखने के लिए बनाई गई हैं। यह पारंपरिक दृष्टिकोण तीन मुख्य स्तंभों पर केंद्रित है: रहस्यों को छिपाकर रखना, यह सुनिश्चित करना कि सिस्टम ऑनलाइन रहे, और यह सुनिश्चित करना कि अंदर की जानकारी बिल्कुल वैसी ही रहे जैसी वह भेजी गई थी। हालांकि डेटा को गुप्त रखना और सिस्टम को चालू रखना अच्छी तरह से समझी जाने वाली चुनौतियाँ हैं, लेकिन एक सूक्ष्म खतरा अक्सर अनसुना रह जाता है। यह डेटा की अखंडता (integrity) के लिए खतरा है। किसी वायरस के विपरीत जो सिस्टम को क्रैश कर देता है या किसी हैकर के विपरीत जो पासवर्ड चुरा लेता है, एक 'इंटेग्रिटी अटैक' चुपचाप स्वयं डेटा को ही बदल देता है। यह यहाँ एक संख्या बदल देता है या वहाँ एक रिकॉर्ड बदल देता है, बिना मशीन को रोके। धीमी गति वाले सिस्टम में, एक छोटा सा बदलाव हानिरहित हो सकता है, लेकिन उन वातावरणों में जहाँ निर्णय एक सेकंड में हजारों बार लिए जाते हैं, एक छोटी सी, हेरफेर की गई संख्या गलत कार्यों की एक श्रृंखला को ट्रिगर कर सकती है। यह हाई-फ्रीक्वेंसी ट्रेडिंग में विशेष रूप से सच है, जहाँ कंप्यूटर उस डेटा के आधार पर पलक झपकते ही स्टॉक खरीदते और बेचते हैं जिसे वे देखते हैं। यदि वह डेटा थोड़ा भी बदल दिया जाए, तो पूरा बाजार गुमराह हो सकता है, फिर भी सिस्टम सुचारू रूप से चलता रहता है, जो इस धोखे को सामने ही छिपा देता है।

भारत के द्वारका दोस गोवर्धन दोस वैष्णव कॉलेज के शोधकर्ता एस. मालाथी और आर. आनंदी ने इन अदृश्य हेरफेरों को पकड़ने का एक नया तरीका प्रस्तावित किया है। वे अपने दृष्टिकोण को SECURE फ्रेमवर्क कहते हैं, जो वास्तविक समय (real time) में डेटा स्ट्रीम की निगरानी करने, विश्लेषण करने और प्रतिक्रिया देने के लिए डिज़ाइन की गई छह-चरणीय प्रक्रिया है। यह नाम सर्विलांस (Surveillance), एग्जामिनेशन (Examination), कंट्रोल (Control), अंडरस्टैंडिंग (Understanding), रिस्पॉन्स (Response), और एनहांसमेंट (Enhancement) से बना है। यह प्रणाली आने वाले डेटा के प्रवाह की निरंतर निगरानी करती है, ठीक वैसे ही जैसे एक सुरक्षा कैमरा जो कभी पलक नहीं झपकाता। एक बार जब डेटा एकत्र हो जाता है, तो वह परीक्षा (examination) चरण में जाता है, जहाँ एक कंप्यूटर प्रोग्राम जो पैटर्न पहचानने के लिए प्रशिक्षित है, असामान्य चीजों की तलाश करता है। शोधकर्ताओं ने पैटर्न-पहचान उपकरण का एक विशिष्ट प्रकार चुना जिसे 'रैंडम फॉरेस्ट' (Random Forest) कहा जाता है, जो कई अलग-अलग निर्णय वृक्षों (decision trees) का निर्माण करके और यह पूछकर काम करता है कि क्या डेटा का कोई हिस्सा सामान्य है या संदिग्ध। यह विधि तेज़ गति वाले डेटा की शोर भरी, अराजक प्रकृति को संभालने में विशेष रूप से अच्छी है।

हालाँकि, यह जानना कि कुछ गलत है पर्याप्त नहीं है; सुरक्षा विशेषज्ञों को यह जानने की भी आवश्यकता है कि क्यों। इसे हल करने के लिए, शोधकर्ताओं ने अपने सिस्टम में 'एक्सप्लेनेबिलिटी' (व्याख्यात्मकता) की एक परत जोड़ी। उन्होंने SHAP नामक एक तकनीक का उपयोग किया, जो एक स्पॉटलाइट की तरह कार्य करती है, जो उन विशिष्ट विवरणों पर प्रकाश डालती है जिनके कारण कंप्यूटर ने किसी घटना को संदिग्ध के रूप में चिह्नित किया। केवल "यह बुरा है" कहने के बजाय, सिस्टम सटीक रूप से उस मूल्य परिवर्तन या ऑर्डर के आकार की ओर इशारा कर सकता है जिसने अलार्म बजाया। यह पारदर्शिता मानव विश्लेषकों को मशीन के निर्णय पर भरोसा करने में मदद करती है। फ्रेमवर्क फिर नियंत्रण (control) की ओर बढ़ता है, जहाँ यह संदिग्ध डेटा को ब्लॉक या फ्लैग कर सकता है, इसके बाद प्रतिक्रिया (response) चरण आता है जहाँ अलर्ट भेजे जाते हैं और रिकॉर्ड रखे जाते हैं। अंत में, सिस्टम एनहांसमेंट चरण में प्रवेश करता है, जहाँ वह भविष्य के धोखों को पकड़ने में बेहतर होने के लिए नए डेटा से सीखता है।

यह विचार काम करता है या नहीं, इसका परीक्षण करने के लिए, शोधकर्ताओं ने इसे एक वास्तविक दुनिया के परिदृश्य पर लागू किया: शेयर बाजार। उन्होंने लेवल-2 ऑर्डर बुक डेटा के एक डेटासेट का उपयोग किया, जो स्टॉक के लिए प्रत्येक खरीद और बिक्री ऑर्डर को रिकॉर्ड करता है, जिसमें कीमत, मात्रा और समय शामिल है। इस वातावरण में, उन्होंने बाजार हेरफेर के दो सामान्य प्रकारों का अनुकरण किया जिन्हें 'स्पूफिंग' (spoofing) और 'लेयरिंग' (layering) के रूप में जाना जाता है। स्पूफिंग तब होती है जब एक ट्रेडर बिना खरीदने के इरादे के एक बड़ा ऑर्डर देता है, केवल दूसरों को खरीदने के लिए प्रेरित करने के लिए एक झूठी मांग पैदा करने के लिए। लेयरिंग में कृत्रिम दबाव बनाने के लिए विभिन्न मूल्य स्तरों पर कई ऑर्डर देना शामिल है। दोनों रणनीतियाँ ट्रेडिंग सिस्टम को बाधित किए बिना बाजार को प्रभावित करने के लिए डेटा को बदल देती हैं, जो उन्हें अखंडता हमलों (integrity attacks) का सटीक उदाहरण बनाती हैं। शोधकर्ताओं ने इन हेरफेरों को "बुरे" डेटा के रूपas और सामान्य ट्रेडिंग को "अच्छे" डेटा के रूप में माना, और फिर सब कुछ अपने SECURE फ्रेमवर्क में डाला।

परिणामों ने दिखाया कि नया सिस्टम अकेले एक मानक कंप्यूटर मॉडल की तुलना में इन चालों को पकड़ने में काफी बेहतर था। जब शोधकर्ताओं ने पूर्ण छह-चरणीय फ्रेमवर्क के बिना अपने पैटर्न-पहचान उपकरण के एक बुनियादी संस्करण का परीक्षण किया, तो इसने लगभग 91.84 प्रतिशत हमलों की सही पहचान की। लेकिन जब उन्होंने पूर्ण SECURE संरचना को जोड़ा, जिसमें नियंत्रण के विशिष्ट चरण और व्याख्यात्मक उपकरण शामिल थे, तो सटीकता बढ़कर 96.82 प्रतिशत हो गई। सिस्टम सामान्य ट्रेडिंग के बारे में कम गलतियाँ करते हुए वास्तविक हमलों को खोजने में बहुत बेहतर हो गया। डेटा के विश्लेषण से पता चला कि सिस्टम सही चीजों पर ध्यान दे रहा था। इसने सीखा कि कीमत में अचानक परिवर्तन, शेयरों की असामान्य मात्रा और विशिष्ट मूल्य स्तरों पर वॉल्यूम में उछाल हेरफेर के सबसे मजबूत संकेत थे। ये वे सटीक व्यवहार हैं जिन्हें एक मानव ट्रेडर देखता है, जो यह सिद्ध करता है कि कंप्यूटर केवल अनुमान नहीं लगा रहा था बल्कि तार्किक पैटर्न को पहचान रहा था।

जो इस कार्य को विशेष रूप से मूल्यवान बनाता है वह यह है कि यह इस बात पर निर्भर नहीं करता कि हमलावर आगे क्या करेगा। एक विशिष्ट ज्ञात बुरे व्यवहारों की सूची खोजने के बजाय, सिस्टम डेटा में झूठ के सामान्य आकार को पहचानना सीखता है। इसका मतलब है कि फ्रेमवर्क केवल शेयर बाजारों तक सीमित नहीं है। शोधकर्ता सुझाव देते हैं कि उसी पद्धति का उपयोग अन्य तेज़ गति वाले सिस्टम की सुरक्षा के लिए किया जा सकता है, जैसे कि स्मार्ट सिटी में सेंसर के नेटवर्क या चिकित्सा उपकरण जो मरीजों की वास्तविक समय में निगरानी करते हैं। किसी भी स्थान पर जहाँ डेटा तेजी से बहता है और एक छोटा सा बदलाव बड़ा प्रभाव डाल सकता है, वहां सूक्ष्म हेरफेर का पता लगाने की क्षमता अत्यंत महत्वपूर्ण है। एक तेज़ पैटर्न-पहचान उपकरण को अपने सोचने के तरीके को समझाने वाली विधि के साथ जोड़कर, SECURE फ्रेमवर्क उच्च-गति वाले सिस्टम को ईमानदार रखने का एक तरीका प्रदान करता है। यह दिखाता है कि डेटा की सुरक्षा की दौड़ में, कुंजी केवल शोर पर नज़र रखना नहीं है, बल्कि उस कहानी को समझना है जो डेटा कह रहा है।