បញ្ហា (The Problem)៖ ឯកសារនេះផ្តោតលើបញ្ហាប្រឈមក្នុងការស៊ើបអង្កេតឧក្រិដ្ឋកម្មតាមអ៊ីនធឺណិត ជាពិសេសការគំរាមកំហែងកម្រិតខ្ពស់ជាប្រចាំ (Advanced Persistent Threat - APT) នៅក្នុងបរិស្ថានកុំព្យូទ័រ Fog (Fog Computing) ដោយសារកង្វះឧបករណ៍កោសល្យវិច័យឌីជីថលដែលមានប្រសិទ្ធភាពក្នុងការវិភាគទិន្នន័យធំៗ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានធ្វើការស្ទង់មតិយ៉ាងទូលំទូលាយលើវិធីសាស្ត្រកោសល្យវិច័យបច្ចុប្បន្ន និងបានស្នើឡើងនូវវិធីសាស្ត្រថ្មីដែលរួមបញ្ចូលបញ្ញាសិប្បនិម្មិតសម្រាប់ការរកឃើញ និងការប្រមូលភស្តុតាង។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Original Particle Swarm Optimization (PSO) ក្បួនដោះស្រាយការបង្កើនប្រសិទ្ធភាពហ្វូងភាគល្អិតដើម (PSO) |
មានភាពងាយស្រួលក្នុងការស្វែងរកតម្លៃល្អបំផុត (Optimal value) នៅក្នុងការកំណត់ទីតាំង និងដំណើរការទិន្នន័យដែលមានវិមាត្រទាប។ | ងាយនឹងជាប់គាំងក្នុងដែនកំណត់ទីតាំងតូចចង្អៀត (Local optimum) នៅពេលទិន្នន័យមានវិមាត្រខ្ពស់ និងមានអត្រានៃការវិវឌ្ឍយឺត។ | មិនមានប្រសិទ្ធភាពខ្ពស់ក្នុងការស៊ើបអង្កេតកោសល្យវិច័យទិន្នន័យធំៗ និងស្មុគស្មាញនៅក្នុងបរិស្ថានកុំព្យូទ័រ Fog ឡើយ។ |
| Investigator Digital Forensics Particle Swarm Optimization (IDF-PSO) វិធីសាស្ត្រ IDF-PSO ដែលបានស្នើឡើងសម្រាប់ការស៊ើបអង្កេតកោសល្យវិច័យ |
អាចជៀសវាងបញ្ហាជាប់គាំងក្នុងដែនកំណត់ទីតាំង (Local optimum) និងមានល្បឿនលឿនក្នុងការស្វែងរកភស្តុតាងដោយប្រើបណ្តាញថ្នាំង Fog។ | ទាមទារការរៀបចំបណ្តាញចែកចាយកុំព្យូទ័រ Fog ដែលមានភាពស្មុគស្មាញ និងត្រូវការធនធានគណនាគ្រប់គ្រាន់សម្រាប់ការវិភាគចរាចរណ៍បណ្តាញភ្លាមៗ។ | ផ្តល់ដំណោះស្រាយដ៏ប្រសើរបំផុតក្នុងការប្រមូលភស្តុតាងឌីជីថល ការរកឃើញការវាយប្រហារ APT និងការវិភាគពីអាកប្បកិរិយានៃការរីករាលដាលមេរោគ។ |
| Machine Learning Classifiers (e.g., J48, Random Forest) វិធីសាស្ត្រចំណាត់ថ្នាក់តាមរយៈការរៀនដោយម៉ាស៊ីន (Machine Learning) |
មានភាពជាក់លាក់ខ្ពស់ក្នុងការរកឃើញ និងចាត់ថ្នាក់មេរោគដោយពឹងផ្អែកលើការវិភាគអាកប្បកិរិយា (Dynamic Analysis)។ | អាចមានការលំបាកក្នុងការវិភាគ និងរកឃើញការវាយប្រហារ APT ថ្មីៗដែលបន្លំខ្លួនបានល្អ ប្រសិនបើមិនមានទិន្នន័យហ្វឹកហាត់គ្រប់គ្រាន់។ | នៅក្នុងការសិក្សាស្រដៀងគ្នាដែលបានលើកឡើង ម៉ូដែល J48 ទទួលបានភាពត្រឹមត្រូវ 95.9% ចំណែក Random Forest ទទួលបានតម្លៃ 0.98 AUC ក្នុងការចាត់ថ្នាក់មេរោគ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះទាមទារការរៀបចំហេដ្ឋារចនាសម្ព័ន្ធបណ្តាញ Fog Computing កម្រិតខ្ពស់ និងឧបករណ៍វិភាគកោសល្យវិច័យឌីជីថលដែលមានសមត្ថភាពដំណើរការបានលឿន។
ការសិក្សានេះបានវិភាគយ៉ាងខ្លាំងទៅលើរបាយការណ៍នៃការវាយប្រហារ APT ដែលបានកើតឡើងនៅតំបន់មជ្ឈិមបូព៌ា (Middle East) ដោយប្រើប្រាស់មេរោគ Shamoon ដែលជាទូទៅវាយប្រហារលើគោលដៅឧស្សាហកម្មប្រេងកាត និងរដ្ឋាភិបាល។ ការប្រើប្រាស់សំណុំទិន្នន័យដែលផ្តោតលើតំបន់ជាក់លាក់នេះ អាចនឹងមិនឆ្លុះបញ្ចាំងទាំងស្រុងពីទម្រង់នៃការគំរាមកំហែងសាយប័រនៅក្នុងប្រទេសកម្ពុជាឡើយ ហេតុនេះការអនុវត្តជាក់ស្តែងទាមទារឱ្យមានការកែសម្រួលម៉ូដែល និងប្រើប្រាស់ទិន្នន័យវាយប្រហារនៅក្នុងតំបន់អាស៊ីអាគ្នេយ៍បន្ថែម។
វិធីសាស្ត្រ IDF-PSO រួមផ្សំជាមួយបច្ចេកវិទ្យា Fog Computing នេះមានសក្តានុពល និងអត្ថប្រយោជន៍យ៉ាងធំធេងសម្រាប់ការពង្រឹងសន្តិសុខហេដ្ឋារចនាសម្ព័ន្ធឌីជីថលនៅកម្ពុជា។
សរុបមក ការអនុវត្តវិធីសាស្ត្រកោសល្យវិច័យតាមរយៈ Fog Computing នឹងជួយឱ្យប្រទេសកម្ពុជាមានសមត្ថភាពគ្រប់គ្រាន់ក្នុងការឆ្លើយតបទៅនឹងឧក្រិដ្ឋកម្មសាយប័រកម្រិតខ្ពស់ប្រកបដោយប្រសិទ្ធភាព និងធានាបាននូវសុវត្ថិភាពទិន្នន័យប្រកបដោយនិរន្តរភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Advanced Persistent Threat (APT) | គឺជាការវាយប្រហារតាមប្រព័ន្ធអ៊ីនធឺណិតដ៏ស្មុគស្មាញ និងមានគោលដៅច្បាស់លាស់ ដែលពួក Hacker ព្យាយាមលាក់ខ្លួនក្នុងប្រព័ន្ធរបស់ជនរងគ្រោះក្នុងរយៈពេលយូរ ដើម្បីលួចទិន្នន័យសំខាន់ៗដោយមិនឱ្យគេដឹងខ្លួន។ | ប្រៀបដូចជាចោរលួចចូលក្នុងផ្ទះអ្នកយ៉ាងស្ងៀមស្ងាត់ ហើយរស់នៅលាក់ខ្លួនក្បែរនោះរាប់ខែដើម្បីលួចយកទ្រព្យសម្បត្តិបន្តិចម្តងៗដោយមិនឱ្យអ្នកដឹងខ្លួន។ |
| Fog Computing | ជាបច្ចេកវិទ្យាដែលនាំយកសមត្ថភាពគណនានិងរក្សាទុកទិន្នន័យពី Cloud មកដាក់ឱ្យជិតនឹងឧបករណ៍ប្រើប្រាស់បណ្ដាញ (Edge devices/IoT) ដើម្បីកាត់បន្ថយការពន្យារពេល (Latency) និងបង្កើនប្រសិទ្ធភាពសន្តិសុខ។ | ប្រៀបដូចជាការបង្កើតសាខាឃ្លាំងទំនិញនៅជិតផ្ទះអ្នកទិញ ដើម្បីឱ្យការដឹកជញ្ជូនមានភាពរហ័ស ជំនួសឱ្យការកុម្ម៉ង់ពីទីស្នាក់ការកណ្តាលដែលនៅឆ្ងាយ។ |
| Particle Swarm Optimization (PSO) | គឺជាក្បួនដោះស្រាយបញ្ញាសិប្បនិម្មិត (AI) មួយប្រភេទដែលយកគំរូតាមអាកប្បកិរិយារបស់ហ្វូងសត្វ (ដូចជាហ្វូងបក្សី ឬត្រី) ដើម្បីស្វែងរកដំណោះស្រាយដ៏ល្អបំផុតសម្រាប់បញ្ហាស្មុគស្មាញណាមួយ។ | ដូចជាហ្វូងសត្វស្លាបដែលហោះហើររកចំណី បើមានសត្វមួយរកឃើញកន្លែងមានចំណីច្រើន សត្វផ្សេងទៀតនឹងហោះតាមដើម្បីទៅស៊ីចំណីនៅទីនោះដែរ។ |
| Digital Forensics | គឺជាដំណើរការនៃការស៊ើបអង្កេត ប្រមូល វិភាគ និងរក្សាទុកភស្តុតាងឌីជីថលពីឧបករណ៍អេឡិចត្រូនិច ដើម្បីស្វែងរកការពិត និងកំណត់អត្តសញ្ញាណឧក្រិដ្ឋជនតាមប្រព័ន្ធសាយប័រ។ | ដូចជាប៉ូលីសកោសល្យវិច័យដែលទៅពិនិត្យស្នាមម្រាមដៃនៅកន្លែងកើតហេតុ ប៉ុន្តែនេះគឺការស្វែងរកស្នាមជើងឌីជីថលនៅក្នុងកុំព្យូទ័រឬទូរស័ព្ទ។ |
| Dynamic Analysis | គឺជាវិធីសាស្ត្រក្នុងការវិភាគមេរោគដោយការបើកដំណើរការវាដោយផ្ទាល់នៅក្នុងបរិស្ថានដែលត្រូវបានគ្រប់គ្រងនិងការពារ (ដូចជា Sandbox) ដើម្បីតាមដានមើលពីអាកប្បកិរិយា និងផលប៉ះពាល់របស់វាទៅលើប្រព័ន្ធ។ | ដូចជាការដាក់សត្វល្អិតចម្លែកមួយនៅក្នុងប្រអប់កញ្ចក់បិទជិត ហើយតាមដានមើលសកម្មភាពរបស់វាដើម្បីចង់ដឹងថាវាស៊ីអ្វី ឬមានគ្រោះថ្នាក់កម្រិតណា។ |
| Yara Rules | គឺជាកូដបញ្ជាដែលប្រៀបដូចជាទម្រង់នៃការសរសេរ (Signatures) ប្រើសម្រាប់កំណត់អត្តសញ្ញាណ និងចាត់ថ្នាក់ប្រភេទមេរោគដោយផ្អែកលើលក្ខណៈជាក់លាក់នៃកូដរបស់វា។ | ប្រៀបដូចជាសៀវភៅបញ្ជីវ័យឆ្លាតដែលកត់ត្រាភិនភាគរបស់ចោរ (មានស្នាមសាក់ កម្ពស់ ប៉ុន្មាន) ដើម្បីងាយស្រួលប្រៀបធៀបនិងចាប់ខ្លួននៅពេលក្រោយ។ |
| Local Optimum | គឺជាចំណុចខ្សោយនៅក្នុងការគណនាបែប Optimization ដែលម៉ូដែលមួយគិតថាវាបានរកឃើញចម្លើយល្អបំផុតហើយ ប៉ុន្តែតាមពិតវានៅមានចម្លើយដែលល្អជាងនេះទៀតនៅក្នុងទិន្នន័យទាំងមូល។ | ដូចជាអ្នកកំពុងឡើងភ្នំនៅពេលយប់ ហើយអ្នកគិតថាអ្នកបានដល់កំពូលភ្នំហើយ ព្រោះអ្នកមិនអាចឡើងខ្ពស់ជាងនេះបានទៀត ប៉ុន្តែតាមពិតអ្នកគ្រាន់តែនៅលើទួលមួយនៃភ្នំដ៏ធំប៉ុណ្ណោះ។ |
| Industrial Espionage | គឺជាសកម្មភាពចារកម្មតាមប្រព័ន្ធអ៊ីនធឺណិត ដែលភាគច្រើនគាំទ្រដោយរដ្ឋ ឬស្ថាប័នធំៗ ដើម្បីលួចយកអាថ៌កំបាំងរដ្ឋ ព័ត៌មានយោធា ឬកម្មសិទ្ធិបញ្ញាពីសត្រូវ ឬដៃគូប្រកួតប្រជែង។ | ដូចជាការបញ្ជូនអ្នកស៊ើបការណ៍សម្ងាត់ចូលទៅក្នុងក្រុមហ៊ុនដៃគូប្រកួតប្រជែង ដើម្បីលួចចម្លងឯកសារយុទ្ធសាស្ត្រលក់ដោយខុសច្បាប់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
