បញ្ហា (The Problem)៖ បណ្តាញអ៊ីនធឺណិតនៃវត្ថុ (IoT) កំពុងរីកដុះដាលយ៉ាងខ្លាំងក្នុងវិស័យសុខាភិបាល ទីក្រុងឆ្លាតវៃ និងឧស្សាហកម្ម ប៉ុន្តែប្រឈមមុខនឹងហានិភ័យខ្ពស់នៃការវាយប្រហារតាមអ៊ីនធឺណិត ការលួចទិន្នន័យ និងបញ្ហាឯកជនភាព ដែលវិធីសាស្ត្រសុវត្ថិភាពប្រពៃណីមិនអាចការពារបានពេញលេញ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះគឺជាការស្ទង់មតិ និងវិភាគឯកសារស្រាវជ្រាវបែបជាប្រព័ន្ធ (Systematic Literature Review) ចន្លោះឆ្នាំ ២០២០ ដល់ ២០២៤ ដើម្បីវាយតម្លៃប្រសិទ្ធភាពនៃបច្ចេកទេស AI ផ្សេងៗក្នុងការការពារប្រព័ន្ធ IoT។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Supervised Learning (SVM, Random Forest) ការរៀនដោយមានការត្រួតពិនិត្យ (ប្រើសម្រាប់ស្វែងរកការវាយប្រហារដែលស្គាល់) |
មានភាពជាក់លាក់ខ្ពស់ក្នុងការរកឃើញការវាយប្រហារដែលធ្លាប់បានជួបប្រទះ និងប្រើប្រាស់ធនធានតិចជាង Deep Learning។ | ទាមទារទិន្នន័យដែលមានស្លាក (Labeled Data) និងមានកម្រិតក្នុងការរកឃើញការវាយប្រហារថ្មីៗ (Zero-day attacks)។ | ម៉ូដែល Random Forest អាចសម្រេចបាននូវភាពត្រឹមត្រូវដល់ទៅ ៩៩% ក្នុងការរកឃើញការវាយប្រហារប្រភេទ DoS លើឧបករណ៍ IoT។ |
| Deep Learning (CNN, LSTM, Autoencoders) ការរៀនស៊ីជម្រៅ (ប្រើសម្រាប់ទាញយកលក្ខណៈពិសេសដោយស្វ័យប្រវត្តិ) |
មានសមត្ថភាពខ្ពស់ក្នុងការវិភាគទិន្នន័យស្មុគស្មាញ និងអាចរកឃើញការវាយប្រហារដែលមិនធ្លាប់ស្គាល់ (Anomaly detection) បានល្អ។ | ត្រូវការថាមពលគណនាខ្លាំង (High Computational Cost) និងទិន្នន័យបណ្តុះបណ្តាលយ៉ាងច្រើនសន្ធឹកសន្ធាប់។ | ម៉ូដែល LSTM សម្រេចបានភាពត្រឹមត្រូវ ៩៩.៥% ក្នុងការការពារបណ្តាញ Internet of Vehicles (IoV)។ |
| Federated Learning (FL) ការរៀនបែបសហព័ន្ធ (ប្រើសម្រាប់ការពារឯកជនភាព) |
ការពារឯកជនភាពទិន្នន័យដោយរក្សាទិន្នន័យនៅលើឧបករណ៍ (On-device) និងកាត់បន្ថយហានិភ័យនៃការលេចធ្លាយទិន្នន័យ។ | ប្រឈមនឹងបញ្ហាការទំនាក់ទំនងយឺតយ៉ាវ (Communication overhead) និងភាពស្មុគស្មាញក្នុងការអនុវត្តលើឧបករណ៍ដែលមានធនធានតិច។ | ម៉ូដែល FL អាចរកឃើញការវាយប្រហារដោយជោគជ័យជាង ៩០% ដោយមិនចាំបាច់ចែករំលែកទិន្នន័យរសើប។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធសុវត្ថិភាពផ្អែកលើ AI ក្នុង IoT ទាមទារធនធានខ្ពស់ ជាពិសេសសម្រាប់ម៉ូដែល Deep Learning និង Federated Learning ដែលត្រូវការផ្នែករឹងខ្លាំង និងទិន្នន័យស្តង់ដារ។
ការសិក្សានេះពឹងផ្អែកលើទិន្នន័យស្តង់ដារអន្តរជាតិ (Benchmark Datasets) ដូចជា NSL-KDD និង CICIDS ដែលឆ្លុះបញ្ចាំងពីចរាចរណ៍បណ្តាញនៅបរទេស។ សម្រាប់កម្ពុជា នេះជាចំណុចខ្វះខាតមួយ ដោយសារទម្រង់នៃការប្រើប្រាស់អ៊ីនធឺណិត និងប្រភេទនៃការវាយប្រហារក្នុងស្រុកអាចមានលក្ខណៈខុសប្លែកពីទិន្នន័យពិសោធន៍ទាំងនោះ។
វិធីសាស្ត្រទាំងនេះមានសារៈសំខាន់ខ្លាំងណាស់សម្រាប់កម្ពុជា ខណៈដែលប្រទេសកំពុងជំរុញសេដ្ឋកិច្ចឌីជីថល និងការកសាងទីក្រុងឆ្លាតវៃ។
ការដាក់ឱ្យប្រើប្រាស់ប្រព័ន្ធទាំងនេះនឹងជួយពង្រឹងសន្តិសុខសាយប័រកម្ពុជា ប៉ុន្តែទាមទារឱ្យមានការកែសម្រួលម៉ូដែលឱ្យស្របនឹងបរិបទធនធាន និងហេដ្ឋារចនាសម្ព័ន្ធក្នុងស្រុក។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Federated Learning (FL) | ជាបច្ចេកទេសបណ្តុះបណ្តាលម៉ូដែល AI បែបវិមជ្ឈការ ដែលអនុញ្ញាតឱ្យឧបករណ៍ជាច្រើនរៀនពីទិន្នន័យរៀងៗខ្លួន ហើយបញ្ជូនតែចំណេះដឹង (Model updates) ទៅកាន់ម៉ាស៊ីនមេ ដោយមិនចាំបាច់បញ្ជូនទិន្នន័យដើមឡើយ ដើម្បីការពារឯកជនភាព។ | ដូចជាសិស្សម្នាក់ៗរៀននៅផ្ទះ ហើយផ្ញើតែលទ្ធផលសង្ខេបទៅគ្រូ ដោយមិនបាច់យកសៀវភៅកត់ត្រាផ្ទាល់ខ្លួនទៅបង្ហាញគេ។ |
| Intrusion Detection Systems (IDSs) | ជាប្រព័ន្ធសុវត្ថិភាពដែលឃ្លាំមើលចរាចរណ៍បណ្តាញ ឬសកម្មភាពក្នុងប្រព័ន្ធ ដើម្បីស្វែងរកសញ្ញានៃការវាយប្រហារ ឬការបំពានគោលការណ៍ ហើយផ្តល់ដំណឹងដល់អ្នកគ្រប់គ្រង។ | ប្រៀបដូចជាកាមេរ៉ាសុវត្ថិភាព និងសន្តិសុខដែលអង្គុយចាំមើលសកម្មភាពគួរឱ្យសង្ស័យ ហើយចុចកណ្ដឹងអាសន្នពេលឃើញចោរចូល។ |
| Adversarial Attacks | ជាការវាយប្រហារដោយចេតនាដែលបញ្ចូលទិន្នន័យដែលបានកែប្រែបន្តិចបន្តួច (Noise) ទៅក្នុងប្រព័ន្ធ AI ដើម្បីធ្វើឱ្យម៉ូដែលវិភាគច្រឡំ ឬធ្វើការសម្រេចចិត្តខុស។ | ដូចជាការតុបតែងមុខ ឬពាក់ម៉ាស់បន្លំ ដើម្បីកុំឱ្យកាមេរ៉ាស្គាល់មុខរបស់អ្នកថាជាអ្នកណា។ |
| Explainable AI (XAI) | ជាវិធីសាស្ត្រដែលធ្វើឱ្យលទ្ធផលនៃការសម្រេចចិត្តរបស់ប្រព័ន្ធ AI អាចត្រូវបានបកស្រាយ និងយល់បានដោយមនុស្ស ដើម្បីបង្កើនទំនុកចិត្តថាហេតុអ្វីបានជា AI ជ្រើសរើសចម្លើយនោះ។ | ដូចជាគ្រូពេទ្យដែលពន្យល់ប្រាប់អ្នកជំងឺថា 'ហេតុអ្វី' បានជាគាត់ចេញថ្នាំនេះឱ្យ មិនមែនគ្រាន់តែហុចថ្នាំឱ្យលេបដោយគ្មានការពន្យល់នោះទេ។ |
| Edge Computing | ជាការកែច្នៃទិន្នន័យនៅកន្លែងដែលទិន្នន័យត្រូវបានបង្កើតឡើង (ដូចជានៅលើកាមេរ៉ា ឬឧបករណ៍ IoT ផ្ទាល់) ជាជាងបញ្ជូនទៅកែច្នៃនៅ Cloud ឆ្ងាយៗ ដើម្បីកាត់បន្ថយភាពយឺតយ៉ាវ។ | ដូចជាការចម្អិនអាហារនៅលើតុបរិភោគផ្ទាល់ (ស៊ុប ឬសាច់អាំង) ជាជាងរង់ចាំចុងភៅធ្វើនៅផ្ទះបាយហើយលើកមកឱ្យ។ |
| Internet of Vehicles (IoV) | ជាបណ្តាញនៃយានយន្តដែលភ្ជាប់អ៊ីនធឺណិត ដែលអនុញ្ញាតឱ្យរថយន្តអាចផ្លាស់ប្តូរទិន្នន័យជាមួយរថយន្តផ្សេងទៀត ផ្លូវថ្នល់ និងប្រព័ន្ធគ្រប់គ្រងចរាចរណ៍ ដើម្បីសុវត្ថិភាព និងប្រសិទ្ធភាព។ | ដូចជាបណ្តាញសង្គមសម្រាប់ឡាន ដែលឡានមួយអាចប្រាប់ឡានមួយទៀតថា 'ខាងមុខមានគ្រោះថ្នាក់ សូមបន្ថយល្បឿន'។ |
| Deep Learning (DL) | ជាផ្នែកមួយនៃ AI ដែលប្រើបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (Neural Networks) ច្រើនជាន់ ដើម្បីរៀនលក្ខណៈពិសេសពីទិន្នន័យស្មុគស្មាញដោយស្វ័យប្រវត្តិ។ | ដូចជាក្មេងដែលរៀនស្គាល់សត្វឆ្កែដោយខ្លួនឯង បន្ទាប់ពីបានឃើញរូបឆ្កែរាប់ពាន់ ដោយមិនចាំបាច់មានគេប្រាប់ថាឆ្កែមានត្រចៀកពីរ និងកន្ទុយមួយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
