បញ្ហា (The Problem)៖ ការធ្វើឌីជីថលនីយកម្មនៃបណ្តាញចែកចាយទឹក (WDNs) បានធ្វើឱ្យប្រព័ន្ធទាំងនេះប្រឈមនឹងការវាយប្រហារតាមប្រព័ន្ធសាយប័រ ប៉ុន្តែការអភិវឌ្ឍម៉ូដែលរកឃើញភាពមិនប្រក្រតីដែលមានភាពរឹងមាំ ត្រូវបានរារាំងដោយកង្វះទិន្នន័យប្រតិបត្តិការជាក់ស្តែង។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានបង្កើតទិន្នន័យតម្រូវការទឹកសំយោគដោយប្រើវិធីសាស្រ្តចៃដន្យ (Stochastic) និងបានវាយតម្លៃម៉ូដែលម៉ាស៊ីនរៀនចំនួនបីសម្រាប់ការរកឃើញភាពមិនប្រក្រតី។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Support Vector Data Description (SVDD) ចំណាត់ថ្នាក់ទិន្នន័យ Support Vector Data Description |
ជាម៉ូដែលងាយស្រួលយល់ និងទាមទារការកំណត់ប៉ារ៉ាម៉ែត្រតែពីរ (C និង R) សម្រាប់បង្កើតព្រំដែនចំណាត់ថ្នាក់ទិន្នន័យធម្មតា។ | មានភាពខ្សោយក្នុងការទាញយកលក្ខណៈពិសេសនៃទិន្នន័យ និងផ្តល់សញ្ញាប្រកាសអាសន្នខុស (False Positives) ច្រើនពេក។ | ទទួលបានលទ្ធផលអន់ក្នុងការរកឃើញភាពមិនប្រក្រតី ហើយត្រូវបានចាត់ទុកថាជាវិធីសាស្ត្រដែលមិនជោគជ័យសម្រាប់ការសិក្សានេះ។ |
| Autoencoder (AE) បណ្តាញសរសៃប្រសាទ Autoencoder |
អាចរៀនពីទំនាក់ទំនងស្មុគស្មាញនៃទិន្នន័យ (Non-linear) ដោយមិនត្រូវការទិន្នន័យដែលរងការវាយប្រហារសម្រាប់បណ្តុះបណ្តាល និងមានភាពប្រសើរឡើងនៅពេលប្រើទិន្នន័យ Stochastic។ | មានភាពរសើបខ្លាំងទៅនឹងការកំណត់កម្រិតវាយតម្លៃ (Threshold) និងមានភាពប្រែប្រួលខ្ពស់ (High Variance) ក្នុងដំណើរការនីមួយៗ។ | ទទួលបានពិន្ទុ F1 មធ្យមចន្លោះពី 0.74 ដល់ 0.77 ដោយអាស្រ័យលើប្រភេទនៃទិន្នន័យបណ្តុះបណ្តាល។ |
| Structural Convolutional Neural Networks (SCNN) បណ្តាញសរសៃប្រសាទ SCNN សម្រាប់រចនាសម្ព័ន្ធបណ្តាញ |
អាចចាប់យកទំនាក់ទំនងទាំងលំហ (Spatial) នៃបណ្តាញបំពង់ទឹក និងពេលវេលា (Temporal) ព្រមទាំងមានស្ថេរភាពខ្ពស់និងភាពប្រែប្រួលទាប។ | ទាមទារឱ្យមានការបង្កើតម៉ាទ្រីសភាពជាប់គ្នា (Adjacency Matrix) ដែលទាមទារការយល់ដឹងស៊ីជម្រៅពីស្ថាបត្យកម្មនៃបណ្តាញទឹក។ | ផ្តល់ដំណើរការល្អបំផុតដោយទទួលបានពិន្ទុ F1 ខ្ពស់រហូតដល់ ~0.84 និងកាត់បន្ថយការផ្តល់សញ្ញាខុសបានយ៉ាងល្អ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រទាំងនេះទាមទារឱ្យមានការប្រើប្រាស់ធនធានកុំព្យូទ័រ និងកម្មវិធីជាក់លាក់ ជាពិសេសសម្រាប់ដំណើរការ Deep Learning និងការក្លែងធ្វើទិន្នន័យ។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យក្លែងធ្វើដែលផ្អែកលើបណ្តាញ C-Town ពីកម្មវិធីប្រកួតប្រជែង BATADAL ដែលជាបណ្តាញនៅបស្ចិមប្រទេស។ សម្រាប់ប្រទេសកម្ពុជា បណ្តាញទឹកមានភាពខុសគ្នាលើអត្រាលេចធ្លាយ សម្ពាធទឹក និងការគ្របដណ្តប់នៃសេនស័រ (Sensors) ដែលទាមទារឱ្យមានការប្រមូលទិន្នន័យជាក់ស្តែងក្នុងស្រុកដើម្បីឱ្យម៉ូដែលដំណើរការបានត្រឹមត្រូវ។
វិធីសាស្ត្រទាំងនេះពិតជាមានប្រយោជន៍ និងទាន់ពេលវេលាសម្រាប់ប្រទេសកម្ពុជា ខណៈដែលហេដ្ឋារចនាសម្ព័ន្ធកំពុងធ្វើបរិវត្តកម្មទៅរកប្រព័ន្ធឌីជីថល។
ការធ្វើសមាហរណកម្មប្រព័ន្ធ AI សម្រាប់ការរកឃើញការវាយប្រហារ នឹងធានាបាននូវនិរន្តរភាពនិងសុវត្ថិភាពនៃការផ្គត់ផ្គង់ទឹកស្អាតនៅកម្ពុជា ក្នុងយុគសម័យសេដ្ឋកិច្ចឌីជីថល។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Autoencoder | វាជាប្រភេទបណ្តាញសរសៃប្រសាទដែលរៀនចម្លងទិន្នន័យបញ្ចូលទៅជាទិន្នន័យបញ្ចេញ។ នៅក្នុងការសិក្សានេះ គេប្រើវាដើម្បីរៀនពីទម្រង់ដំណើរការធម្មតានៃបណ្តាញទឹក។ ពេលមានការវាយប្រហារ ទម្រង់នោះប្រែប្រួល ធ្វើឱ្យប្រព័ន្ធបង្កើតកំហុសចម្លង (Reconstruction Error) ខ្ពស់ ដែលផ្តល់ជាសញ្ញាព្រមាន។ | ដូចជាជាងចម្លងគំនូរដែលធ្លាប់តែចម្លងរូបទេសភាពធម្មតា ពេលគេឱ្យគូររូបចម្លែកខុសពីធម្មតា គាត់គូរខុសច្រើនដែលធ្វើឱ្យយើងដឹងថារូបនោះមានបញ្ហា។ |
| Structural Convolutional Neural Networks (SCNN) | ជាម៉ូដែល Deep Learning មួយប្រភេទដែលត្រូវបានរចនាឡើងដើម្បីយល់ពីទិន្នន័យដែលមានទម្រង់ជាបណ្តាញក្រាហ្វ (Graph)។ វាអាចចាប់យកទំនាក់ទំនងទាំងពេលវេលា និងទីតាំងលំហ (Spatial-temporal) ដូចជាទំនាក់ទំនងនៃសម្ពាធទឹក និងលំហូរតាមបណ្តាញបំពង់ទឹកនីមួយៗក្នុងពេលតែមួយ។ | ដូចជាប្រព័ន្ធកាមេរ៉ាសុវត្ថិភាពចរាចរណ៍កម្រិតខ្ពស់ ដែលមិនត្រឹមតែមើលថាតើឡានមួយរត់លឿនប៉ុណ្ណាទេ តែមើលពីរបៀបដែលចរាចរណ៍ផ្លូវមួយជះឥទ្ធិពលដល់ផ្លូវខ្វាត់ខ្វែងផ្សេងទៀតក្នុងទីក្រុង។ |
| Mahalanobis distance | ជារង្វាស់ស្ថិតិមួយប្រើសម្រាប់គណនាចម្ងាយរវាងចំណុចទិន្នន័យមួយ ទៅកាន់ចំណុចកណ្តាលនៃរបាយទិន្នន័យរួម ដោយគិតបញ្ចូលទាំងកម្រិតប្រែប្រួលនៃទិន្នន័យ (Variance)។ នៅក្នុងការស្រាវជ្រាវនេះ វាត្រូវបានប្រើដើម្បីរង្វាស់កម្រិតនៃភាពមិនប្រក្រតីសម្រាប់ការរកឃើញការវាយប្រហារ។ | ដូចជាការវាយតម្លៃភាពខុសប្លែកគ្នារបស់សត្វមួយក្បាលចេញពីហ្វូងរបស់វា ដោយមិនត្រឹមតែវាស់ចម្ងាយជាម៉ែត្រនោះទេ តែគិតថាតើជាធម្មតាហ្វូងនោះចូលចិត្តដើរនៅផ្តុំគ្នាឬនៅរាយប៉ាយ។ |
| Support Vector Data Description (SVDD) | ជាក្បួនចំណាត់ថ្នាក់ទិន្នន័យមួយប្រភេទ (One-class classification) ដែលព្យាយាមគូសបន្ទាត់ព្រំដែនជារាងស្វ៊ែរ ដើម្បីក្តោបយកចំណុចទិន្នន័យធម្មតាទាំងអស់។ ប្រសិនបើមានទិន្នន័យថ្មីណាមួយធ្លាក់នៅក្រៅរង្វង់នេះ វានឹងត្រូវចាត់ទុកជាភាពមិនប្រក្រតី ឬការវាយប្រហារ។ | ដូចជាការបោះតង់សុវត្ថិភាពជារង្វង់ដើម្បីការពារហ្វូងចៀម សត្វណាដែលនៅក្រៅតង់នោះ ត្រូវបានសន្មតថាជាសត្វព្រៃកាចសាហាវ។ |
| Stochastic demand generation | ជាវិធីសាស្រ្តនៃការបង្កើតទិន្នន័យតម្រូវការទឹកសំយោគ ដោយផ្អែកលើរូបមន្តប្រូបាប៊ីលីតេ និងស្ថិតិ ដើម្បីក្លែងធ្វើភាពចៃដន្យ (Stochastic) និងភាពមិនប្រាកដប្រជានៃការប្រើប្រាស់ទឹកពិតប្រាកដរបស់មនុស្សក្នុងបណ្តាញទឹក។ | ដូចជាការទស្សន៍ទាយថាមានមនុស្សប៉ុន្មាននាក់នឹងចូលហាងកាហ្វេជារៀងរាល់ម៉ោង ដោយប្រើការចាក់ឡុកឡាក់ដែលបានកំណត់ទម្ងន់ត្រឹមត្រូវតាមស្ថិតិអតិថិជនប្រចាំថ្ងៃ។ |
| Deception attacks | ជាប្រភេទនៃការវាយប្រហារតាមប្រព័ន្ធសាយប័រ ដែលហេក័រធ្វើការផ្លាស់ប្តូរទិន្នន័យពិតប្រាកដរបស់សេនស័រ (Sensors) មុនពេលវាត្រូវបានបញ្ជូនទៅកាន់ប្រព័ន្ធកណ្តាល ដើម្បីលាក់បាំងសកម្មភាពបំផ្លិចបំផ្លាញ (ដូចជាការបើកវ៉ានបញ្ចេញទឹកចោល) មិនឱ្យប្រតិបត្តិករដឹង។ | ដូចជាចោរដែលចូលលួចធនាគារ ហើយយកវីដេអូចាស់ដែលអត់មានមនុស្ស ទៅចាក់បញ្ចាំងក្នុងកាមេរ៉ាសុវត្ថិភាពដើម្បីបន្លំភ្នែកសន្តិសុខកុំឱ្យមានការសង្ស័យ។ |
| SCADA (Supervisory Control And Data Acquisition) | ជាប្រព័ន្ធកុំព្យូទ័រកណ្តាលដែលប្រមូលទិន្នន័យពីសេនស័រ និងឧបករណ៍បញ្ជាផ្សេងៗពីចម្ងាយ (PLCs) ហើយប្រើទិន្នន័យទាំងនោះដើម្បីតាមដាន និងគ្រប់គ្រងប្រតិបត្តិការនៃហេដ្ឋារចនាសម្ព័ន្ធធំៗ ដូចជារោងចក្រផលិតទឹកស្អាត។ | ដូចជាខួរក្បាល និងប្រព័ន្ធសរសៃប្រសាទកណ្តាលរបស់មនុស្ស ដែលទទួលសញ្ញាពីរាងកាយ ហើយបញ្ជាសាច់ដុំឱ្យធ្វើការត្រឹមត្រូវ។ |
| Adjacency matrix | ជាម៉ាទ្រីសគណិតវិទ្យាដែលត្រូវបានប្រើដើម្បីតំណាងឱ្យរចនាសម្ព័ន្ធនៃបណ្តាញក្រាហ្វ (Graph) ដែលក្នុងទីនេះតំណាងឱ្យបណ្តាញបំពង់ទឹក។ វាបង្ហាញជាលេខ 0 ឬ 1 ថាតើចំណុចពីរ (Nodes) មានការតភ្ជាប់គ្នាដោយផ្ទាល់ដែរឬទេ។ | ដូចជាតារាងកត់ត្រាការហោះហើររបស់យន្តហោះ ដែលបង្ហាញសញ្ញាគ្រីសប្រសិនបើមានជើងហោះហើរតភ្ជាប់ផ្ទាល់ពីទីក្រុងមួយទៅទីក្រុងមួយទៀត។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
