دفاع نوروسمبلیک مبتنی بر آنتولوژی در برابر حملات خصمانه در سامانه‌های سایبر-فیزیکی مبتنی بر اینترنت اشیا: اعتبارسنجی تجربی در زیرساخت پردیس هوشمند

چکیده

گسترش فناوری‌های اینترنت اشیا (IoT) موجب تحول چشمگیری در توسعه سامانه‌های سایبر-فیزیکی (CPS) شده است، به‌ویژه در بستر زیرساخت‌های پردیس‌های هوشمند. با این حال، سامانه‌های CPS مبتنی بر IoT به‌طور فزاینده‌ای در معرض حملات خصمانه‌ای قرار دارند که می‌توانند یکپارچگی داده، قابلیت اعتماد حسگرها و ایمنی کل سامانه را تهدید کنند. مکانیزم‌های دفاعی متداول مبتنی بر هوش مصنوعی اغلب از آگاهی زمینه‌ای محدود و تفسیرپذیری ناکافی رنج می‌برند. برای رفع این کاستی‌ها، این مقاله یک چارچوب نوروسمبلیک مبتنی بر آنتولوژی را برای شناسایی و کاهش حملات خصمانه در محیط‌های CPS مبتنی بر IoT ارائه می‌دهد. این چارچوب با ترکیب آنتولوژی‌های دامنه‌ای و معماری ترکیبی متشکل از استدلال نمادین و یادگیری عمیق، تاب‌آوری و تبیین‌پذیری را بهبود می‌بخشد. آنتولوژی روابط معنایی میان موجودیت‌هایی همچون حسگرها، جریان‌های داده، زمینه‌های محیطی و رفتارهای شبکه‌ای را در اکوسیستم پردیس هوشمند مدل‌سازی می‌کند. با بهره‌گیری از این دانش ساختاریافته، موتور نوروسمبلیک داده‌های خام حسگرها را همراه با زمینه آنتولوژیک پردازش کرده و امکان شناسایی و پاسخ‌دهی غیرعادی آگاه از زمینه را فراهم می‌سازد.

سامانه پیشنهادی در یک بستر آزمایشی پردیس هوشمند واقعی با بیش از ۱۵۰ گره IoT شامل دوربین‌های نظارتی، کنترلرهای تهویه، حسگرهای محیطی و واحدهای کنترل دسترسی اعتبارسنجی شده است. این چارچوب در برابر سناریوهای متنوعی از حملات خصمانه همچون مسموم‌سازی داده، گریز از مدل و دست‌کاری منطقی ارزیابی گردید. یافته‌های آزمایشی نشان می‌دهد که دقت شناسایی حملات خصمانه نسبت به مدل‌های متداول CNN و RNN حدود ۲۷٪ افزایش یافته و نرخ کاهش مثبت کاذب نیز ۱۹٪ بهبود داشته است. علاوه بر این، استنتاج نمادین قابلیت ردیابی را از طریق شناسایی منابع و مسیرهای انتشار حمله ارتقا داده و بینش‌های عملیاتی ارزشمندی برای مدیران و مسئولان امنیتی فراهم می‌کند.

نتایج نشان می‌دهد که تلفیق معناشناسی آنتولوژیک با خروجی‌های یادگیری ماشین به تدوین راهبردهای دفاعی مقاوم‌تر، قابل تفسیرتر و حساس به زمینه منجر می‌شود. این پژوهش نقش حیاتی دانش معناشناختی را در تقویت هوش مصنوعی در برابر تهدیدهای خصمانه برجسته کرده و زمینه‌ساز توسعه سامانه‌های دفاعی مقیاس‌پذیر و تاب‌آور در CPS خواهد بود. در آینده، گسترش آنتولوژی به شبکه‌های میان‌پردیسی و ادغام یادگیری فدرال برای حمایت از دفاع‌های همکارانه مبتنی بر حفظ حریم خصوصی مورد بررسی قرار خواهد گرفت.