راهکارهای دفاعی در برابر حملات تزریق داده جعلی در سیستم های قدرت سایبری-فیزیکی با استفاده از دفاع هدف متحرک و یادگیری تقویتی

توسعه سیستم های قدرت سایبری-فیزیکی (CPPS)، ضمن ارتقای بهره وری عملیاتی، آسیب پذیری شبکه ها را در برابر تهدیدات سایبری، به ویژه حملات تزریق داده جعلی (FDI) افزایش داده است؛ حملاتی که با دور زدن مکانیزم های سنتی، تخمین حالت را مختل می کنند. این مقاله یک چارچوب دفاعی چندلایه و هوشمند برای مقابله با این تهدیدات ارائه می دهد که از سه رویکرد مکمل بهره می برد: «جنگل تصادفی» برای تشخیص دقیق ناهنجاری ها، «کیو-نتورک عمیق» (DQN) جهت ارزیابی ریسک و تصمیم گیری بهینه، و «دفاع هدف متحرک» (MTD) برای افزایش تاب آوری سیستم از طریق تغییر پویای پارامترها. در این معماری، لایه تشخیص با استفاده از یادگیری ماشین الگوهای مخرب را شناسایی کرده، لایه تحلیل ریسک اقدامات دفاعی پیشگیرانه را تعیین می کند و لایه دفاع فعال با ایجاد عدم قطعیت برای مهاجم، مانع از دسترسی موفق وی به شبکه می شود. نتایج ارزیابی نشان می دهد که چارچوب پیشنهادی ضمن بهبود چشمگیر دقت تشخیص و کاهش نرخ هشدار کاذب، تاب آوری شبکه را در برابر حملات پیچیده ارتقا می دهد. در نهایت، چالش های عملیاتی نظیر هزینه محاسباتی بررسی شده و استفاده از یادگیری تقویتی چندعاملی و هوش مصنوعی توضیح پذیر (XAI) به عنوان مسیرهای آتی پژوهش پیشنهاد می گردد.

کلیدواژه ها:

سیستم های قدرت سایبری-فیزیکی ، حملات تزریق داده جعلی ، دفاع هدف متحرک ، یادگیری تقویتی عمیق ، جنگل تصادفی