امنیت سایبری صنعتی و تشخیص ناهنجاری ها

سیستم های کنترل صنعتی ۱(ICS) زیرساخت های حیاتی هستند و با افزایش اتصال به اینترنت، تشخیص ناهنجاری های سایبرفیزیک به چالشی حیاتی تبدیل شده است. هدف این مقاله مرور سیستماتیک و داده محور روش های تشخیص ناهنجاری مبتنی بر هوش مصنوعی در ICS و شناسایی شکاف های تحقیقاتی است. این مطالعه بر اساس PRISMA۲ ۲۰۲۰ انجام شد و چهار پایگاه داده اصلی برای مقالات منتشر شده بین ژانویه ۲۰۲۱ تا اکتبر ۲۰۲۵ جستجو گردید و ۸۹ مطالعه اولیه انتخاب شد. مطالعات بر اساس نوع داده به پنج دسته شامل ترافیک شبکه، داده فرآیندی، داده شبیه سازی، داده ترکیبی و سایر داده ها طبقه بندی و از نظر اهداف تشخیص، پارادایم های یادگیری، مدل ها، حملات و مجموعه های داده مقایسه شدند. نتایج نشان می دهد داده ترافیک شبکه برای شناسایی حملات لایه سایبری مانند DoS۳ و MITM۴ موثر است، داده فرآیندی برای شناسایی ناهنجاری های لایه فیزیکی مانند FDI۵ و اختلالات فرآیند مناسب است و داده شبیه سازی و ترکیبی برای تولید سناریوهای نادر و بررسی سازگاری سایبرفیزیک کاربرد دارند. همچنین، پارادایم های پیشرفته مانند یادگیری تقابلی خودنظارت شده، شبکه های عصبی گراف هدایت شده توسط فیزیک، دوقلوهای دیجیتال و مدل های زبانی بزرگ مقید، وابستگی به داده های برچسب دار را کاهش و تفسیرپذیری را بهبود بخشیده اند، در حالی که چالش هایی مانند کمبود داده های چنددامنه واقعی، تشخیص حملات روز صفر، محدودیت های استقرار بلادرنگ و هشدارهای اشتباه باقی است. جهت های آینده شامل توسعه داده های غنی، مدل های سبک قابل استقرار در لبه، مدل های علمی آگاه از فیزیک و هوش مصنوعی قابل تفسیر می باشد.

کلیدواژه ها:

سیستم های کنترل صنعتی ، تشخیص ناهنجاری ، هوش مصنوعی ، دوقلوی دیجیتال