បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហាសុវត្ថិភាពសាយប័រនៅក្នុងប្រព័ន្ធគ្រប់គ្រងឧស្សាហកម្ម (ICS) ដោយផ្តោតលើការស្វែងរកនិងទប់ស្កាត់ការវាយប្រហារលួចលាក់ដោយចេតនា និងកំហុសរបស់បុគ្គលិកដែលអាចធ្វើឱ្យខូចខាតដល់ម៉ាស៊ីនរោងចក្រ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានវិភាគទិន្នន័យប្រវត្តិគម្រោងដែលមានស្រាប់ ដើម្បីបង្កើតវិធីសាស្ត្ររកឃើញភាពមិនប្រក្រតី ដោយរួមបញ្ចូលការប្រើប្រាស់ក្បួន Heuristics និងក្បួនដោះស្រាយម៉ាស៊ីនរៀន (Machine Learning)។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Combined Heuristics (Timing and Size) ក្បួនសន្និដ្ឋានផ្អែកលើការរួមបញ្ចូលពេលវេលា និងទំហំផ្ទុក |
ងាយស្រួលក្នុងការបកស្រាយលទ្ធផល និងអាចអនុវត្តការចង្អុលបង្ហាញ (Clustering) ឆ្លងកាត់គម្រោងជាច្រើនដោយមិនតម្រូវឱ្យមានការបែងចែកដាច់ដោយឡែក។ | អត្រានៃការរកឃើញការវាយប្រហារលួចលាក់ (Stealthy attacks) នៅមានកម្រិតទាបនៅឡើយ ហើយអាចបង្កើតការព្រមានខុស (False Positives) ច្រើន។ | ទទួលបានកម្រិតយល់ដឹង AUC ចន្លោះពី ០.៦២៤ ទៅ ០.៨៩៩ អាស្រ័យលើប្រភេទនៃសេណារីយ៉ូវាយប្រហារ។ |
| k-Nearest-Neighbor (kNN) Classifier ចំណាត់ថ្នាក់ក្បួនដោះស្រាយ k-Nearest-Neighbor (kNN) |
ផ្តល់លទ្ធផលនិងភាពសុក្រឹតខ្ពស់ជាងក្បួន Heuristics ធម្មតាយ៉ាងខ្លាំងក្នុងការកំណត់អត្តសញ្ញាណភាពមិនប្រក្រតី។ | ទាមទារកម្លាំងកុំព្យូទ័រខ្ពស់ក្នុងការគណនាសម្រាប់ទិន្នន័យធំៗ ហើយតម្រូវឱ្យមានការចាត់ថ្នាក់ដាច់ដោយឡែកសម្រាប់គម្រោងនីមួយៗ (Segmentation per project)។ | ទទួលបានកម្រិតយល់ដឹង AUC ខ្ពស់រហូតដល់ចន្លោះពី ០.៩៦០ ទៅ ០.៩៩៧ សម្រាប់សេណារីយ៉ូវាយប្រហារផ្សេងៗ។ |
| Decision Tree Classifier (REPTree) ចំណាត់ថ្នាក់មែកធាងការសម្រេចចិត្ត (Decision Tree) |
មានដំណើរការលឿនជាងមុនសម្រាប់ទិន្នន័យដែលមានទំហំធំ និងមិនសូវរងឥទ្ធិពលពីទិន្នន័យខុសប្រក្រតីខ្លាំង (Outliers) ឡើយ។ មានប្រសិទ្ធភាពខ្ពស់ក្នុងការរាប់ចំនួនប្លុកកូដ។ | អាចផ្តល់លទ្ធផលព្រមានខុស (False alarms) ប្រសិនបើមានការផ្លាស់ប្តូរចំនួនប្លុកកូដស្របច្បាប់ក្នុងបរិមាណច្រើនភ្លាមៗ។ | ទទួលបានកម្រិតយល់ដឹង AUC ចំនួន ០.៩៩៦ ក្នុងការចាត់ថ្នាក់ទិន្នន័យប្លុក (DataBlocks និង ProgramBlocks) ថាប្រក្រតី ឬមិនប្រក្រតី។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះទាមទារការប្រើប្រាស់កម្មវិធីកុំព្យូទ័រ និងទិន្នន័យប្រវត្តិគម្រោងជាក់ស្តែងក្នុងទំហំមធ្យម ទៅ ធំ ដើម្បីដំណើរការនិងសាកល្បងម៉ូដែល។
ការសិក្សានេះពឹងផ្អែកទាំងស្រុងលើសំណុំទិន្នន័យដែលទទួលបានពីរោងចក្រផលិតរថយន្តតែមួយគត់នៅប្រទេសអាល្លឺម៉ង់ ដែលមានកាលវិភាគការងារ និងស្តង់ដារប្រតិបត្តិការច្បាស់លាស់។ សម្រាប់ប្រទេសកម្ពុជា ទម្លាប់នៃការធ្វើការ ម៉ោងផ្លាស់ប្តូរវេនការងារ (Shift working hours) និងកម្រិតនៃការប្រើប្រាស់ស្វ័យប្រវត្តិកម្មក្នុងរោងចក្រអាចមានភាពខុសគ្នា ដែលទាមទារឱ្យមានការសិក្សាបង្កើតទិន្នន័យគោល (Baseline) ថ្មីមុនពេលយកមកអនុវត្ត។
ទោះបីជាមានភាពខុសគ្នានៃបរិបទរោងចក្រក៏ដោយ វិធីសាស្ត្រនេះមានសារៈប្រយោជន៍ខ្ពស់សម្រាប់វិស័យឧស្សាហកម្មនៅកម្ពុជា ដែលកំពុងបោះជំហានទៅកាន់បដិវត្តន៍ឧស្សាហកម្ម ៤.០ (Industry 4.0)។
ជារួម ការអនុវត្តប្រព័ន្ធរកឃើញភាពមិនប្រក្រតីនេះ នឹងជួយពង្រឹងសន្តិសុខសាយប័រសម្រាប់ហេដ្ឋារចនាសម្ព័ន្ធសំខាន់ៗរបស់កម្ពុជា ដោយកាត់បន្ថយហានិភ័យទាំងពីការវាយប្រហារពីខាងក្រៅ និងកំហុសដោយចេតនាពីបុគ្គលិកខាងក្នុង។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Industrial Control Systems (ICS) | ប្រព័ន្ធកុំព្យូទ័រ និងបណ្តាញដែលត្រូវបានប្រើប្រាស់សម្រាប់គ្រប់គ្រង ត្រួតពិនិត្យ និងបញ្ជាដំណើរការម៉ាស៊ីនដោយស្វ័យប្រវត្តិនៅក្នុងរោងចក្រឧស្សាហកម្ម ដូចជារោងចក្រផលិតរថយន្ត ឬហេដ្ឋារចនាសម្ព័ន្ធថាមពល។ | ប្រៀបដូចជាខួរក្បាល និងប្រព័ន្ធសរសៃប្រសាទរបស់រោងចក្រ ដែលប្រាប់ម៉ាស៊ីននីមួយៗពីអ្វីដែលត្រូវធ្វើ។ |
| Totally Integrated Automation (TIA) Portal | កម្មវិធីកុំព្យូទ័រ (Software) របស់ក្រុមហ៊ុន Siemens ដែលវិស្វករប្រើសម្រាប់សរសេរកូដ កំណត់រចនាសម្ព័ន្ធ និងគ្រប់គ្រងឧបករណ៍ដែលបញ្ជាម៉ាស៊ីននៅក្នុងរោងចក្រ។ វាកត់ត្រារាល់ប្រវត្តិ និងបំរែបំរួលកូដទាំងអស់។ | ប្រៀបដូចជាផ្ទាំងតេឡេបញ្ជាកណ្តាល (Control Room) ដែលវិស្វករប្រើដើម្បីគូរផ្លូវ និងដាក់បញ្ជាឱ្យរ៉ូបូតធ្វើការ។ |
| Programmable Logic Controller (PLC) | កុំព្យូទ័រខ្នាតតូចពិសេសដែលត្រូវបានរចនាឡើងសម្រាប់ប្រើក្នុងរោងចក្រ ដើម្បីអានទិន្នន័យពីសេនស័រ (Sensors) និងបញ្ជាម៉ាស៊ីន (Actuators) តាមកូដបញ្ជាដែលគេបានសរសេរបញ្ចូលទៅក្នុងវា។ | ប្រៀបដូចជាមេការត្រួតពិនិត្យផ្ទាល់នៅកន្លែងធ្វើការ ដែលចាំមើលសភាពការណ៍ និងប្រាប់កម្មករឱ្យបើកឬបិទម៉ាស៊ីន។ |
| Anomaly Detection | ដំណើរការនៃការប្រើប្រាស់ក្បួនគណិតវិទ្យា ឬម៉ាស៊ីនរៀន ដើម្បីស្វែងរកទិន្នន័យ សកម្មភាព ឬព្រឹត្តិការណ៍ដែលខុសប្រក្រតីពីទម្លាប់ធម្មតា ដែលអាចជាសញ្ញានៃការវាយប្រហារសាយប័រ ឬកំហុសបច្ចេកទេស។ | ប្រៀបដូចជាឆ្មាំយាមទ្វារដែលស្គាល់មុខអ្នកភូមិទាំងអស់ ហើយនឹងឃាត់សួរភ្លាមៗបើមានជនចម្លែក ឬអ្នកភូមិដើរចូលក្នុងម៉ោង២រំលងអធ្រាត្រខុសពីទម្លាប់ធម្មតា។ |
| Heuristics | វិធីសាស្ត្រដោះស្រាយបញ្ហាដោយផ្អែកលើការសន្និដ្ឋានកម្រិតមូលដ្ឋាន ច្បាប់ (Rules) ឬបទពិសោធន៍ជាក់ស្តែង ដើម្បីវាយតម្លៃយ៉ាងលឿនថាតើទិន្នន័យណាមួយគួរឱ្យសង្ស័យ (ផ្អែកលើពេលវេលា និងទំហំផ្ទុក) ដោយមិនបាច់ពឹងផ្អែកលើម៉ូដែលស្មុគស្មាញពេក។ | ប្រៀបដូចជាការពាក់អាវភ្លៀងនៅពេលឃើញមេឃងងឹតស្រទុំខ្លាំង ដោយមិនចាំបាច់រង់ចាំមើលការព្យាករណ៍អាកាសធាតុផ្លូវការ។ |
| Stealthy attacks | ការវាយប្រហារសាយប័រដែលត្រូវបានរៀបចំឡើងយ៉ាងប្រុងប្រយ័ត្ន ដើម្បីបង្កប់ខ្លួនឱ្យស្រដៀងនឹងសកម្មភាពស្របច្បាប់ធម្មតារបស់បុគ្គលិករោងចក្រ ដោយមានគោលបំណងចៀសវាងការចាប់បានពីប្រព័ន្ធការពារ ឬអ្នកត្រួតពិនិត្យ។ | ប្រៀបដូចជាចោរដែលបន្លំខ្លួនពាក់ឯកសណ្ឋានជាបុគ្គលិកក្រុមហ៊ុន ដើរចូលទៅលួចរបស់របរនៅពេលថ្ងៃដោយគ្មានអ្នកណាចាប់អារម្មណ៍។ |
| k-Nearest-Neighbor (kNN) | ក្បួនដោះស្រាយម៉ាស៊ីនរៀន (Machine Learning Algorithm) ដែលចាត់ថ្នាក់ទិន្នន័យថ្មីមួយ ដោយប្រៀបធៀបវាទៅនឹងទិន្នន័យចាស់ៗដែលនៅក្បែរវាបំផុតចំនួន k (ឧ. ៣ ធាតុ) ដើម្បីសន្និដ្ឋានថាវាជាទិន្នន័យធម្មតា ឬជាទិន្នន័យវាយប្រហារ។ | ប្រៀបដូចជាការទាយអត្តចរិតរបស់មនុស្សម្នាក់ ដោយមើលទៅលើមិត្តភក្តិជិតស្និទ្ធបំផុតចំនួន ៣ នាក់របស់គាត់ (បើមិត្តគាត់ជាមនុស្សល្អ គាត់ក៏ទំនងជាមនុស្សល្អដែរ)។ |
| Area Under Curve (AUC) | រង្វាស់វាយតម្លៃសមត្ថភាពរបស់ម៉ូដែលម៉ាស៊ីនរៀន ដែលបង្ហាញពីកម្រិតនៃភាពត្រឹមត្រូវក្នុងការបែងចែករវាងទិន្នន័យធម្មតា និងទិន្នន័យមិនប្រក្រតី (ពិន្ទុកាន់តែខិតជិត ១.០ មានន័យថាម៉ូដែលកាន់តែពូកែក្នុងការបែងចែក)។ | ប្រៀបដូចជាពិន្ទុប្រឡងបញ្ចប់ឆមាសរបស់សិស្ស ដែលពិន្ទុ ១០០ (ឬ ១.០) បង្ហាញថាសិស្សនោះចេះបែងចែកខុសនិងត្រូវដាច់ស្រឡះល្អឥតខ្ចោះ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
