مروری بر چالش‌های پیاده‌سازی سیستم‌های تشخیص نفوذ مبتنی بر یادگیری ماشین در محیط‌های عملیاتی صنعتی

مروری بر چالش‌های پیاده‌سازی سیستم‌های تشخیص نفوذ مبتنی بر یادگیری ماشین در محیط‌های عملیاتی صنعتی

علی امیرپورسعید1 زینب کلانتری2

1) دانشجوی کارشناسی، مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد رفسنجان ، ایران
2) استادیار گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد رفسنجان ، ایران

کد IOI مقاله : AAHD-ABKHKA
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    با افزایش اتصال سیستم‌های کنترل صنعتی و اسکادا به شبکه‌های سازمانی و اینترنت، استفاده از سیستم‌های تشخیص نفوذ مبتنی بر یادگیری ماشین به‌عنوان یک راهکار کلیدی برای پایش امنیتی خطوط تولید مطرح شده است؛ با این حال، انتقال این مدل‌ها از محیط آزمایشگاهی به محیط‌های عملیاتی صنعتی با چالش‌های جدی مواجه است. این مقاله‌ی مروری، چالش‌های پیاده‌سازی سیستم های تشخیص نفوذ های مبتنی بر یادگیری ماشین را در محیط‌های عملیاتی صنعتی، از مرحله‌ی داده تا استقرار در کارخانه، بررسی می‌کند. دامنه‌ی مرور شامل مقالاتی است که بر چالش‌های داده، مدل‌سازی، استقرار در محیط فناوری عملیاتی و ارزیابی عملیاتی تمرکز دارند. یافته‌های کلیدی نشان می‌دهد که مهم‌ترین موانع عبارت‌اند از: کمبود داده‌ی برچسب‌دار واقعی و عدم تعادل کلاس‌ها؛ دشواری تشخیص حملات روز-صفر محدودیت‌های سخت‌افزاری تجهیزات لبه که با نیاز به پاسخ بلادرنگ در تعارض است؛ نرخ بالای هشدار مثبت کاذب در محیط‌های نویزی؛ و ضعف تعمیم‌پذیری مدل‌ها میان سایت‌های مختلف. همچنین، تکیه‌ی صرف بر معیارهای ارزیابی غیرواقعی مانند دقت، به‌همراه نبود آزمون ‌های محک استاندارد، مقایسه‌ی منصفانه‌ی روش‌ها را دشوار می‌سازد. در پایان، جهت گیری های آینده شامل آزمون‌های محک باز و واقعی‌تر، چارچوب‌های ارزیابی عملیاتی، ادغام دانش دامنه‌ی فناوری عملیاتی با یادگیری ماشین، و MLOps برای سیستم تشخیص نفوذ صنعتی پیشنهاد می‌شود.

کلمات کلیدی : سیستم‌های کنترل صنعتی اسکادا سیستم‌های تشخیص نفوذ یادگیری ماشین امنیت سایبری صنعتی