💻 computer science

Secure and Intelligent IoT: A Dynamical-Systems View of Threat Modelling and Machine-Learning Defence

यह शोध पत्र विभेदक समीकरणों (differential equations) और मशीन लर्निंग को एकीकृत करके खतरे के प्रसार की गतिशीलता को मॉडल करने, विसंगतियों का पता लगाने और रक्षात्मक नियंत्रण रणनीतियों को अनुकूलित करने के लिए एक एकीकृत अवस्था-स्थान (state-space) ढांचे का प्रस्ताव करता है, जिसे एक सिम्युलेटेड SEIRS मैलवेयर केस स्टडी के माध्यम से प्रदर्शित किया गया है।

मूल लेखक: Mussa Justin Muhindo

प्रकाशित 2026-06-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mussa Justin Muhindo

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि इंटरनेट ऑफ थिंग्स (IoT) केवल स्मार्ट फ्रिज और कैमरों का संग्रह नहीं है, बल्कि अरबों नन्हे नागरिकों वाला एक विशाल, हलचल भरा शहर है। ये नागरिक आपके उपकरण (devices) हैं। वे सभी बहुत समान हैं, वे लगातार एक-दूसरे से बात करते हैं, और उनके पास बहुत कम ऊर्जा या मस्तिष्क शक्ति है।

यह शोध पत्र तर्क देता है कि इस शहर को "डिजिटल वायरस" (जैसे वर्म्स और बॉटनेट्स) से सुरक्षित रखने के लिए, हमें केवल दो अलग-अलग टूलबॉक्स का उपयोग नहीं करना चाहिए: एक गणित (math) के लिए और दूसरा आर्टिफिशियल इंटेलिजेंस (AI) के लिए। इसके बजाय, लेखक कहता है कि ये दोनों उपकरण वास्तव में एक ही चीज़ को देखने के दो अलग-अलग तरीके हैं: यह कि शहर समय के साथ कैसे बदलता है।

यहाँ सरल उपमाओं (analogies) का उपयोग करके शोध पत्र के विचारों का विवरण दिया गया है:

1. वायरस का वर्णन करने के दो तरीके

एक शहर में वायरस फैलने की कल्पना करें।

गणित का तरीका (डिफरेंशियल इक्वेशंस): यह एक शहर योजनाकार द्वारा बनाए गए मानचित्र की तरह है। यह सरल नियमों का उपयोग करता है कि, "यदि 10 लोग बीमार हैं, और वे 50 स्वस्थ लोगों से मिलते हैं, तो कल 5 नए लोग बीमार हो जाएंगे।" यह दरों और फीडबैक लूप के आधार पर बीमारी के प्रवाह की भविष्यवाणी करने के लिए एक सूत्र (formula) है। यह बड़ी तस्वीर को समझने और यह जानने के लिए बेहतरीन है कि वायरस वास्तव में कब समाप्त होगा।
AI का तरीका (मशीन लर्निंग): यह एक ऐसे जासूस की तरह है जिसने लाखों शहरों को देखा है। AI विशिष्ट नियमों को नहीं जानता; यह केवल डेटा को देखता है और पैटर्न सीखता है। यह कहता है, "मैंने पहले भी यह पैटर्न देखा है; जब ट्रैफिक ऐसा दिखता है, तो एक वायरस आ रहा होता है।" यह उस अजीब व्यवहार को पहचानने में माहिर है जिसे मानचित्र ने अनुमानित नहीं किया था।

लेखक का बड़ा विचार: लेखक का कहना है कि ये प्रतिद्वंद्वी नहीं हैं। ये अलग-अलग भाषाओं में कही गई एक ही कहानी है। एक "न्यूरल ODE" (एक प्रकार का फैंसी AI) वास्तव में एक गणितीय समीकरण है जहाँ AI लुप्त विवरणों को भर देता है। आप यह समझने के लिए गणित का उपयोग कर सकते हैं कि कुछ क्यों होता है, और यह जानने के लिए कि अभी क्या हो रहा है, AI का उपयोग कर सकते हैं।

2. "SEIRS" मॉडल: म्यूजिकल चेयर्स का खेल

इस विचार का परीक्षण करने के लिए, लेखक एक विशिष्ट खेल का उपयोग करता है जिसे SEIRS कहा जाता है, जो यह सिम्युलेट करता है कि IoT उपकरणों में मैलवेयर कैसे फैलता है। कल्पना कीजिए कि उपकरण एक कमरे में म्यूजिकल चेयर्स खेल रहे लोग हैं:

S (Susceptible - संवेदनशील): स्वस्थ लोग जो बीमार हो सकते हैं।
E (Exposed - उजागर): वे लोग जिन्होंने वायरस पकड़ा है लेकिन अभी तक इसे फैलाना शुरू नहीं किया है (वे "इनक्यूबेशन" चरण में हैं)।
I (Infectious - संक्रामक): वे लोग जो सक्रिय रूप से दूसरों में वायरस फैला रहे हैं।
R (Recovered - स्वस्थ/पुनर्प्राप्त): उन्हें पैच (patch) कर दिया गया है (ठीक कर दिया गया है) और वे कुछ समय के लिए सुरक्षित हैं।
ट्विस्ट: इस खेल में, "इलाज" (पैच) धीरे-धीरे खत्म हो जाता है (जैसे प्रतिरक्षा का कम होना), और लोग फिर से बीमार हो सकते हैं। इसके अलावा, लोग कमरे से बाहर जाते हैं (उपकरण टूट जाते हैं या बदले जाते हैं) और नए लोग प्रवेश करते हैं।

गणितीय मॉडल एक विशिष्ट संख्या की गणना करता है जिसे $R_0$ (बेसिक रिप्रोडक्शन नंबर) कहा जाता है। इसे आप "संक्रमण स्कोर" मान सकते हैं।

यदि स्कोर 1 से नीचे है, तो वायरस अंततः समाप्त हो जाएगा क्योंकि प्रत्येक बीमार व्यक्ति एक से कम अन्य व्यक्ति को संक्रमित करता है।
यदि स्कोर 1 से ऊपर है, तो वायरस फैलेगा और शहर का एक स्थायी हिस्सा बन जाएगा।

3. सिमुलेशन: परीक्षण में क्या हुआ?

लेखक ने एक मध्यम आक्रामक वायरस के साथ इस खेल का कंप्यूटर सिमुलेशन चलाया।

परिणाम: वायरस तेजी से फैला। अपने सबसे खराब दौर में, पूरे बेड़े (fleet) के लगभग 29% उपकरण एक ही समय में संक्रमित थे।
सबक: गणित ने दिखाया कि इस विशिष्ट वायरस को रोकने के लिए, "पैचिंग की गति" (आप उपकरणों को कितनी तेजी से ठीक करते हैं) सिमुलेशन में मौजूद गति से चार गुना अधिक तेज़ होनी चाहिए। यदि आप उस सीमा से तेज़ पैच करते हैं, तो वायरस मर जाता है। यदि आप धीमे पैच करते हैं, तो यह हमेशा के लिए बना रहता है।

4. रक्षा के लिए इसका उपयोग कैसे करें (द "क्लोज्ड लूप")

शोध पत्र इस IoT शहर को सुरक्षित रखने के लिए गणित और AI को मिलाकर तीन-चरणीय चक्र का सुझाव देता है:

नियमों को समझना (Identification): उपकरणों से वास्तविक डेटा को देखकर यह पता लगाने के लिए AI का उपयोग करें कि वायरस की वर्तमान "गति" (यह कितनी तेजी से फैलता है, उपकरण कितनी तेजी से पैच होते हैं) क्या है। यह गणितीय मॉडल के खाली स्थानों को भर देता है।
मुसीबत को पहचानना (Detection): एक बार जब मॉडल जान जाता है कि "सामान्य" क्या दिखता है, तो वह किसी भी ऐसी चीज़ पर नज़र रखता है जो फिट नहीं बैठती। यदि गणित कहता है कि "10 लोग बीमार होने चाहिए" लेकिन डेटा दिखाता है कि "100", तो AI अलार्म बजा देता है। यह एक स्मोक डिटेक्टर की तरह है जो जानता है कि एक सामान्य आग कैसी दिखती है और चिल्लाता है यदि आग बहुत बड़ी हो।
कार्रवाई करना (Control): यह सबसे महत्वपूर्ण हिस्सा है। सिस्टम केवल देखता नहीं है; यह कार्य करता है। यह सटीक मात्रा में "पैचिंग प्रयास" की गणना करता है जिसकी आवश्यकता संक्रमण स्कोर ( $R_0$ ) को 1 से नीचे रखने के लिए है। यह नेटवर्क को बताता है: "हमें इस प्रकोप को रोकने के लिए अभी 500 उपकरणों को पैच करने की आवश्यकता है," बजाय इसके कि केवल अनुमान लगाया जाए।

सारांश

शोध पत्र का दावा है कि IoT सुरक्षा को एक डायनेमिक सिस्टम (एक प्रणाली जो समय के साथ बदलती है) के रूप में मानकर और गणित की मदद के लिए AI का उपयोग करके, हम सुरक्षा के बारे में अनुमान लगाने से हटकर इसकी गणना करने की ओर बढ़ सकते हैं।

केवल यह कहने के बजाय कि "हमें तेजी से पैच करना चाहिए," संयुक्त दृष्टिकोण कहता है: "वर्तमान प्रसार दर के आधार पर, हमें संक्रमण को Y से नीचे रखने के लिए ठीक X गति से पैच करने की आवश्यकता है।" यह एक अस्पष्ट सुरक्षा लक्ष्य को एक सटीक, गणितीय लक्ष्य में बदल देता है।

तकनीकी सारांश: सुरक्षित और बुद्धिमान IoT: खतरे के मॉडलिंग और मशीन-लर्निंग रक्षा का एक गतिक-प्रणाली दृष्टिकोण

1. समस्या विवरण

इंटरनेट ऑफ थिंग्स (IoT) एक अनूठी सुरक्षा चुनौती प्रस्तुत करता है जो दो विशिष्ट गुणों द्वारा चिह्नित है: एक विशाल, सजातीय (homogeneous) हमला सतह जहाँ एक एकल एक्सप्लॉइट अरबों संसाधन-सीमित उपकरणों में फैल सकता है, और सुरक्षा-संबंधित मात्राओं (जैसे, समझौता किए गए नोड्स के अंश, दुर्भावनापूर्ण प्रवाह दर, बैटरी की कमी) का निरंतर, सामयिक विकास। पारंपरिक सुरक्षा दृष्टिकोण अक्सर इन घटनाओं को या तो स्थिर वर्गीकरण समस्याओं के रूप में देखते हैं या केवल यांत्रिक मॉडलों (mechanistic models) या डेटा-संचालित मशीन लर्निंग (ML) में से किसी एक पर ही निर्भर रहते हैं।

यह शोध पत्र तर्क देता है कि ये दो प्रमुख उपकरण—डिफरेंशियल इक्वेशंस (DEs) और मशीन लर्निंग—प्रतिस्पर्धी पद्धतियाँ नहीं हैं, बल्कि एक ही अंतर्निहित वस्तु के दो प्रतिनिधित्व हैं: सिस्टम स्टेट $x(t)$ का समय-विकास। मुख्य समस्या संबोधित है कि एक एकीकृत ढांचे का अभाव है जो आधुनिक ML की पैरामीटर अनुमान और विसंगति पहचान (anomaly detection) क्षमताओं के साथ मिलकर डायनेमिकल सिस्टम्स की विश्लेलेषणात्मक सुगमता और व्याख्यात्मकता का लाभ उठा सके।

2. कार्यप्रणाली

यह शोध पत्र एक एकीकृत स्टेट-स्पेस फ्रेमवर्क प्रस्तावित करता है जहाँ सुरक्षा कार्यों को एक नियंत्रित, शोर युक्त डायनेमिकल सिस्टम पर संचालन के रूप में मैप किया जाता है:
$\dot{x}(t) = f(x(t), u(t), \theta) + w(t)$
$y(t) = h(x(t)) + v(t)$
यहाँ, $x(t)$ सिस्टम स्टेट (जैसे, संवेदनशील, उजागर, संक्रमित और रिकवर्ड उपकरणों के अंश) को दर्शाता है, $u(t)$ एक रक्षात्मक नियंत्रण इनपुट है, $\theta$ यांत्रिक पैरामीटर है, और $y(t)$ प्रेक्षित टेलीमेट्री है।

कार्यप्रणाली DEs और ML को तीन प्रमुख संरचनाओं के माध्यम से जोड़ती है:

न्यूरल ऑर्डिनरी डिफरेंशियल इक्वेशंस (Neural ODEs): एक ODE के दाहिने हाथ के पक्ष (right-hand side) को एक न्यूरल नेटवर्क के रूप में मानना, जिससे निरंतर-समय संरचना को बनाए रखते हुए डेटा से वेक्टर फील्ड $f$ को सीखा जा सके।
फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs): ज्ञात भौतिक नियमों (या इस मामले में, यांत्रिक खतरे के मॉडल) के विरुद्ध सीखे गए मॉडलों को नियमित (regularize) करने के लिए लॉस फंक्शन में डिफरेंशियल ऑपरेटर्स को एम्बेड करना।
स्पार्स आइडेंटिफिकेशन ऑफ नॉनलीनर डायनेमिक्स (SINDy): डेटा लाइब्रेरी से स्पार्स, मानव-पठनीय ODEs को पुनः प्राप्त करना।

शोध पत्र इस ढांचे को एक विशिष्ट SEIRS (Susceptible-Exposed-Infectious-Recovered-Susceptible) कम्पार्टमेंटल मॉडल के माध्यम से संचालित करता है, जो डिवाइस चर्न (churn), पैचिंग और घटती प्रतिरक्षा को शामिल करता है। यह मॉडल निम्नलिखित कार्यों के लिए "डायनेमिकल बैकबोन" के रूप में कार्य करता है:

सिस्टम आइडेंटिफिकेशन: ग्रे-बॉक्स आइडेंटिफिकेशन या SINDy का उपयोग करके शोर युक्त टेलीमेट्री से अज्ञात पैरामीटर्स ( $\theta$ ) और वेक्टर फील्ड $f$ का अनुमान लगाना।
विसंगति पहचान (Anomaly Detection): पहचान को केवल एक स्थिर वर्गीकरण के बजाय, सीखे गए डायनेमिक्स के विरुद्ध एक रेसिडुअल टेस्ट ( $r(t) = \dot{\hat{x}}(t) - f(\hat{x}(t), \hat{\theta})$ ) के रूप में परिभाषित करना।
इष्टतम नियंत्रण (Optimal Control): संक्रमण के बोझ और नियंत्रण लागत को कम करने के लिए मिटिगेशन (पैचिंग/आइसोलेशन) को एक परिमित-क्षिति इष्टतम नियंत्रण समस्या के रूप में तैयार करना।

3. मुख्य योगदान

शोध पत्र चार प्राथमिक योगदान देता है:

एकीकृत ढांचा: यह एक एकीकृत स्टेट-स्पेस फ्रेमवर्क को औपचारिक रूप देता है जो स्पष्ट रूप से डिफरेंशियल-इक्वेशन मॉडल और स्टेट डायनेमिक्स के मशीन-लर्निंग मॉडल के बीच पत्राचार को मैप करता है, उन्हें यांत्रिक बाधा बनाम डेटा-संचालित शिक्षण द्वारा अनुक्रमित एक निरंतरता के बिंदुओं के रूप में देखता है।
विश्लेषणात्मक SEIRS मॉडल: यह IoT मालवेयर के लिए एक सामान्यीकृत SEIRS डिफरेंशियल मॉडल विकसित करता है जिसमें डिवाइस चर्न, ब्रिकिंग और अस्थायी प्रतिरक्षा शामिल है। शोध पत्र मूल प्रजनन संख्या $R_0$ के आधार पर एक थ्रेशोल्ड स्टेबिलिटी परिणाम (प्रमेय 1) सिद्ध करता है।
एकीकृत ML ऑपरेशंस: यह प्रदर्शित करता है कि कैसे मशीन लर्निंग इस डायनेमिकल बैकबोन के विरुद्ध आइडेंटिफिकेशन, रेसिडुअल-आधारित डिटेक्शन और फोरकास्टिंग करती है, और कैसे इष्टतम नियंत्रण पैचिंग और आइसोलेशन नीतियों को शेड्यूल करने के लिए लूप को बंद करता है।
पुनरुत्पादक केस स्टडी: यह SEIRS मॉडल का एक संख्यात्मक सिमुलेशन प्रदान करता है, जो आउटब्रेक डायनेमिक्स और उन्मूलन के लिए आवश्यक विशिष्ट नियंत्रण प्रयास को परिमाणित करता है।

4. परिणाम

संख्यात्मक केस स्टडी 200-दिवसीय क्षितिज पर एक मध्यम आक्रामक IoT वर्म (worm) का अनुकरण करती है जिसके निम्नलिखित निष्कर्ष हैं:

प्रजनन संख्या: व्युत्पन्न मापदंडों का उपयोग करते हुए, मूल प्रजनन संख्या की गणना $R_0 \approx 3.37$ के रूप में की गई है।
आउटब्रेक डायनेमिक्स: सिमुलेशन दिखाता है कि संक्रमित अंश ( $I$ ) एक सीड से बढ़कर लगभग 29% ( $I_{max} \approx 0.29$ ) के शिखर तक पहुँच जाता है, जो लगभग 50वें दिन पर होता है।
एंडेमिक इक्विलिब्रियम: हस्तक्षेप के बिना, सिस्टम एक एंडेमिक इक्विलिब्रियम की ओर अभिसरित होता है जहाँ संक्रमित अंश $I^* \approx 0.137$ (13.7%) पर स्थिर हो जाता है।
नियंत्रण लक्ष्य: विश्लेषण रक्षा के लिए एक मात्रात्मक डिजाइन लक्ष्य प्रदान करता है। मालवेयर को समाप्त करने (अर्थात $R_0 < 1$ करने) के लिए, पैच दर $\gamma$ को बेसलाइन 0.10 दिन $^{-1}$ (पैच करने में 10 दिन) से बढ़ाकर लगभग 0.41 दिन $^{-1}$ (पैच करने में 3 दिन से कम) करना होगा। यह स्थिति $\gamma > \frac{\beta\sigma}{\sigma+\mu} - (\mu + \delta)$ से प्राप्त किया गया है।

5. महत्व और दावे

शोध पत्र का दावा है कि इस कार्य का महत्व यांत्रिक और डेटा-संचालित दृष्टिकोणों के बीच के विरोधाभास से आगे बढ़ने में निहित है। वेक्टर फील्ड $\dot{x} = f$ के परिवर्तनीय विवरण के रूप में उन्हें देखते हुए, यह ढांचा निम्नलिखित प्रदान करता है:

व्याख्यात्मकता और गारंटी: डिफरेंशियल इक्वेशन घटक शुद्ध ब्लैक-बॉक्स ML मॉडल के विपरीत विश्लेषणात्मक परिणाम (जैसे $R_0$ ) और स्थिरता मानदंड प्रदान करता है।
अनुकूलन क्षमता और पहचान: ML घटक अज्ञात मापदंडों की पहचान करने और विसंगतियों को रेसिडुअल्स के रूप में पहचानने की अनुमति देता है, जो वितरण बदलाव (distribution shifts) के प्रति अधिक मजबूत है।
मात्रात्मक रक्षा: एकीकृत दृष्टिकोण गुणात्मक सुरक्षा लक्ष्यों (जैसे, "तेजी से पैच करें") को सिस्टम के डायनेमिक्स से प्राप्त सटीक, मात्रात्मक नियंत्रण लक्ष्यों में बदल देता है।

शोध पत्र निष्कर्ष निकालता है कि वास्तविक दुनिया के, विषम और आंशिक रूप से प्रेक्षित IoT नेटवर्क पर इस कार्यक्रम को साकार करना एक खुला एजेंडा बना हुआ है, विशेष रूप से पहचान योग्यता (identifiability), प्रतिकूल मजबूती (adversarial robustness), और निरंतर-समय मॉडलों के एज डिप्लॉयमेंट की चुनौतियों को रेखांकित करता है।