كشف هجمات حجب الخدمة في شبكات الإنترنت الصناعي وسكادا: التعلم المعزز العميق منخفض زمن الاستجابة

تتعرض شبكات إنترنت الأشياء الصناعي والشبكات المتصلة بأنظمة سكادا للتحكم الإشرافي بصورة متزايدة لهجمات حجب الخدمة الموزعة التي قد تعطل العمليات الصناعية الحساسة زمنيًا وتهدد استمرارية التشغيل وسلامته، ويتطلب التخفيف الفعال من هذه الهجمات كشفًا دقيقًا منخفض زمن الاستجابة عند حافة الشبكة، حيث تعمل البوابات الصناعية في ظل قيود صارمة على الحوسبة والذاكرة والطاقة، ومن هنا تبرز الحاجة إلى نماذج كشف خفيفة وسريعة قادرة على التمييز بين الحركة الطبيعية والهجمات في الزمن الحقيقي دون إبطاء العمليات الصناعية أو إغراق المشغلين بإنذارات كاذبة

وتكتسب هذه القضية أهمية خاصة للباحثين العرب وطلاب الدراسات العليا في أمن المعلومات والشبكات الصناعية، مع تزايد رقمنة المصانع وشبكات الطاقة والمياه واعتمادها على أنظمة التحكم المتصلة، فتصبح حماية هذه البنى الحيوية من الهجمات الإلكترونية أولوية بحثية وتطبيقية، ويقدم التعلم المعزز العميق مقاربة واعدة لهذا التحدي لقدرته على تعلم سياسات قرار متكيفة من التفاعل مع البيانات

أولًا: أهداف الدراسة ومنهجيتها

هدفت الدراسة إلى بحث توظيف التعلم المعزز العميق في الكشف الثنائي الفوري عن هجمات حجب الخدمة، واقتراح كاشف قائم على خوارزمية تحسين السياسة القريبة للنشر في بيئات الإنترنت الصناعي محدودة الموارد، ودُربت أربعة وكلاء وقُيموا ضمن خط تجريبي موحد هم شبكة كيو العميقة ونسختها المضاعفة ونسختها المبارزة وخوارزمية تحسين السياسة القريبة، مع تضمين تعيين آلي للتسميات وانتقاء للخصائص العددية وتدرج متين للبيانات وموازنة للفئات، وأجريت التجارب على ثلاث مجموعات بيانات معيارية تمثل هجمات حجب الخدمة وبيئات الحافة الصناعية وإنترنت الأشياء، وقُيم الأداء عبر الدقة والدقة الإيجابية والاستدعاء ودرجة إف واحد ومعدلي الإيجابيات والسلبيات الكاذبة وزمن استدلال المعالج، وصُممت دالة المكافأة بصورة غير متماثلة تمنح نقطة موجبة للتصنيف الصحيح وتخصم نقطة للإنذار الكاذب وتخصم نقطتين لإخفاق كشف الهجوم، تغليظًا للعقوبة على الهجمات الفائتة حفاظًا على السلامة الصناعية

ثانيًا: أبرز النتائج

1، قدمت خوارزمية تحسين السياسة القريبة مقايضة تنافسية بين الدقة وزمن الاستجابة عبر مجموعات البيانات الثلاث جميعًا، محققة أعلى متوسط دقة قدره 97.65 في المئة

2، تصدر النموذج المقترح النتائج على مجموعة بيانات هجمات حجب الخدمة الأولى بدقة 95.92 في المئة، وظل منافسًا قويًا على مجموعتي الحافة الصناعية وإنترنت الأشياء بدقتين بلغتا 99.11 و97.92 في المئة

3، تقاربت سياسات النموذج المقترح بسرعة أكبر من الخطوط الأساسية القائمة على القيمة، وبقي زمن الاستدلال أدنى من 0.8 ميلي ثانية لكل عينة على معالج مركزي اعتيادي، بما يؤكد الجدوى العملية للتشغيل في الزمن الحقيقي

4، أمكن تصدير السياسات المدربة إلى صيغة الشبكات العصبية المفتوحة بحجم يقارب 9 كيلوبايت لكل نموذج، بما يتيح استدلالًا خفيفًا مستقلًا عن أطر بايثون العميقة على بوابات الحافة الصناعية

ثالثًا: دلالات الدراسة وتطبيقاتها

تظهر هذه النتائج أن التعلم المعزز العميق، ولا سيما تحسين السياسة القريبة، خيار عملي لحماية الشبكات الصناعية عند الحافة حيث تشح الموارد، إذ يجمع بين دقة مرتفعة وسرعة استدلال وخفة حجم تسمح بالنشر على البوابات القائمة دون تحديثات مكلفة، كما يقدم تصميم المكافأة غير المتماثلة درسًا منهجيًا مهمًا في مواءمة دالة الهدف مع كلف الأخطاء الواقعية في البيئات الحساسة للسلامة، ويفيد هذا التوجه مشغلي المنشآت الصناعية ومهندسي الأمن السيبراني العرب في بناء طبقات كشف مبكر للهجمات، ويفتح لطلاب الدراسات العليا مسارات بحثية في أمن الأنظمة السيبرانية الفيزيائية وتطبيقات التعلم المعزز خفيف الوزن

وتتسق هذه الخلاصات مع تحول أوسع في أمن الشبكات الصناعية نحو الدفاعات الذكية الموزعة على الحافة بدل الاعتماد على مراكز مراقبة بعيدة وحدها، إذ يقلل الكشف المحلي زمن الاستجابة ويحد من أثر انقطاع الاتصال بالمركز، غير أن نشر مثل هذه النماذج يظل مشروطًا باختبارها على حركة شبكات واقعية متنوعة وتحديثها دوريًا لمواكبة تطور أساليب المهاجمين وتغير أنماط التشغيل الصناعي عبر الزمن

وخلاصة القول إن الدراسة أثبتت أن كاشفًا قائمًا على تحسين السياسة القريبة يحقق توازنًا متفوقًا بين الدقة والسرعة في كشف هجمات حجب الخدمة بشبكات الإنترنت الصناعي وسكادا، مع نماذج خفيفة صالحة للنشر الفعلي على بوابات الحافة محدودة الموارد