បញ្ហា (The Problem)៖ ធម្មជាតិជាប្រអប់ខ្មៅ (black-box) នៃប្រព័ន្ធស្វែងរកការជ្រៀតចូលដោយប្រើ AI (IDS) បង្កើតឱ្យមានកង្វះខាតការបកស្រាយ ដែលរារាំងដល់ទំនុកចិត្តរបស់អ្នកប្រើប្រាស់ និងបង្កជាក្តីបារម្ភផ្នែកក្រមសីលធម៌លើការប្រើប្រាស់ទិន្នន័យនៅក្នុងសន្តិសុខអ៊ីនធឺណិត។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្រចម្រុះ ដោយរួមបញ្ចូលការវិភាគទ្រឹស្តី ការសិក្សាករណីក្នុងវិស័យសំខាន់ៗ និងការវាយតម្លៃជាក់ស្តែង។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Traditional IDS (Signature-based or heuristic) ប្រព័ន្ធស្វែងរកការជ្រៀតចូលបែបប្រពៃណី (ផ្អែកលើហត្ថលេខា ឬ Heuristic) |
មានប្រសិទ្ធភាពក្នុងកម្រិតជាក់លាក់សម្រាប់ការគំរាមកំហែង និងការវាយប្រហារដែលគេស្គាល់ទម្រង់រួចហើយ។ | ជួបការលំបាកក្នុងការសម្របខ្លួន និងស្វែងរកការគំរាមកំហែងថ្មីៗដែលកំពុងវិវឌ្ឍ (Zero-day attacks)។ | មិនអាចទប់ទល់នឹងការគំរាមកំហែងកម្រិតខ្ពស់បានល្អ និងមិនមានភាពបត់បែនគ្រប់គ្រាន់។ |
| Black-box AI-based IDS (ML and DL) ប្រព័ន្ធស្វែងរកការជ្រៀតចូលដោយប្រើ AI បែបប្រអប់ខ្មៅ (ML និង DL) |
មានភាពសុក្រឹតខ្ពស់ អាចវិភាគទិន្នន័យក្នុងបរិមាណដ៏ធំ និងអាចទស្សន៍ទាយការគំរាមកំហែងបានយ៉ាងល្អ។ | ខ្វះតម្លាភាព និងពិបាកបកស្រាយអំពីដំណើរការនៃការសម្រេចចិត្ត (Black-box) ដែលធ្វើឱ្យអ្នកប្រើប្រាស់ខ្វះទំនុកចិត្ត។ | ផ្តល់នូវភាពសុក្រឹតខ្ពស់ក្នុងការរកឃើញ (Detection accuracy) ប៉ុន្តែបង្កក្តីបារម្ភផ្នែកក្រមសីលធម៌ និងទំនុកចិត្ត។ |
| XAI-integrated IDS ប្រព័ន្ធស្វែងរកការជ្រៀតចូលរួមបញ្ចូលជាមួយ XAI (បញ្ញាសិប្បនិម្មិតដែលអាចពន្យល់បាន) |
ផ្តល់ការពន្យល់ដែលអាចអានបានដោយមនុស្ស បង្កើនទំនុកចិត្ត និងជួយសម្រួលដល់ការស្វែងរកកំហុស (Troubleshooting)។ | បង្កើនបន្ទុកដល់ដំណើរការកុំព្យូទ័រ (Computational overhead) និងប្រឈមនឹងការថយចុះនៃភាពសុក្រឹតនៅពេលប្រៀបធៀបជាមួយម៉ូដែល DL ស្មុគស្មាញ។ | បង្កើនទំនុកចិត្តយ៉ាងខ្លាំងពីសំណាក់បុគ្គលិកព័ត៌មានវិទ្យា (IT staff) តាមរយៈការធ្វើឱ្យការសម្រេចចិត្តមានតម្លាភាព។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះទាមទារឱ្យមានការវិនិយោគលើធនធានកុំព្យូទ័រ ក៏ដូចជាធនធានមនុស្សដែលមានជំនាញច្បាស់លាស់ដើម្បីធានាបាននូវតម្លាភាព និងប្រសិទ្ធភាពខ្ពស់។
ការសិក្សានេះប្រើប្រាស់ការវិភាគលើករណីសិក្សានៅក្នុងវិស័យហិរញ្ញវត្ថុ ថែទាំសុខភាព និងរដ្ឋាភិបាល ដោយមិនបានបញ្ជាក់ពីទីតាំងភូមិសាស្ត្រ ឬលក្ខណៈប្រជាសាស្ត្រច្បាស់លាស់នៃទិន្នន័យនោះទេ។ សម្រាប់ប្រទេសកម្ពុជា សំណុំទិន្នន័យនៃការវាយប្រហារតាមអ៊ីនធឺណិត (Cyberattack datasets) ក្នុងស្រុកនៅមានកម្រិតនៅឡើយ ដែលបញ្ហានេះអាចបណ្តាលឱ្យ AI ដែលហ្វឹកហាត់ពីទិន្នន័យបរទេស មានភាពលម្អៀង ឬមិនសូវសុក្រឹតនៅពេលជួបការគំរាមកំហែងជាក់ស្តែងក្នុងតំបន់។
បច្ចេកវិទ្យា និងក្របខណ្ឌ XAI ដែលបានស្នើឡើងនៅក្នុងឯកសារនេះមានសារៈសំខាន់ និងអាចយកមកអនុវត្តបានសម្រាប់ស្ថាប័ននៅកម្ពុជាដែលកំពុងធ្វើបរិវត្តកម្មឌីជីថល និងជួបប្រទះការវាយប្រហារតាមអ៊ីនធឺណិត។
ការរួមបញ្ចូលគ្នារវាងបច្ចេកវិទ្យា XAI និងការអនុវត្តប្រកបដោយក្រមសីលធម៌ នឹងជួយកម្ពុជាក្នុងការកសាងហេដ្ឋារចនាសម្ព័ន្ធសន្តិសុខអ៊ីនធឺណិតដែលរឹងមាំ និងបង្កើនទំនុកចិត្តខ្ពស់សម្រាប់ការអភិវឌ្ឍសេដ្ឋកិច្ចឌីជីថលប្រកបដោយចីរភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Intrusion Detection Systems (IDS) | ប្រព័ន្ធសុវត្ថិភាពបណ្តាញដែលតាមដាននិងវិភាគចរាចរណ៍ទិន្នន័យជាប្រចាំ ដើម្បីស្វែងរកសកម្មភាពគួរឱ្យសង្ស័យ ឬការប៉ុនប៉ងជ្រៀតចូលដោយខុសច្បាប់ពីសំណាក់ហេគឃ័រ (Hackers) មកក្នុងប្រព័ន្ធកុំព្យូទ័រ។ | វាប្រៀបដូចជាសន្តិសុខយាមច្រកទ្វារអគារ ដែលតែងតែពិនិត្យមើលរាល់អ្នកចេញចូលទាំងអស់ ដើម្បីចាប់មុខអ្នកដែលមានបំណងអាក្រក់។ |
| black-box models | ប្រព័ន្ធ ឬម៉ូដែលបញ្ញាសិប្បនិម្មិត (AI) ដែលទទួលទិន្នន័យនិងផ្តល់លទ្ធផលយ៉ាងសុក្រឹត ប៉ុន្តែមិនបានបង្ហាញ ឬមានភាពស្មុគស្មាញពេកក្នុងការបកស្រាយពីដំណើរការខាងក្នុងថាតើវាគិតនិងសម្រេចចិត្តដោយរបៀបណានោះទេ។ | ដូចជាម៉ាស៊ីនទាយអនាគតមួយ ដែលប្រាប់អ្នកពីអ្វីដែលនឹងកើតឡើងយ៉ាងត្រឹមត្រូវ ប៉ុន្តែវាមិនព្រមប្រាប់ពីមូលហេតុ ឬរបៀបដែលវាដឹងរឿងនោះឡើយ។ |
| Explainable AI (XAI) | បច្ចេកទេស ឬវិធីសាស្ត្រដែលត្រូវបានបន្ថែមទៅលើម៉ូដែល AI ដើម្បីធ្វើឱ្យម៉ូដែលនោះអាចបង្ហាញពីហេតុផលនៅពីក្រោយការសម្រេចចិត្តរបស់វា ក្នុងទម្រង់ដែលមនុស្សអាចអាន យល់ និងជឿទុកចិត្តបាន។ | ប្រៀបដូចជាគ្រូបង្រៀនគណិតវិទ្យាដែលតម្រូវឱ្យសិស្សបង្ហាញពី "របៀបគណនា" មួយជំហានម្តងៗ ជាជាងការសរសេរតែចម្លើយចុងក្រោយ។ |
| zero-day attacks | ការវាយប្រហារតាមប្រព័ន្ធអ៊ីនធឺណិតដោយប្រើប្រាស់ចន្លោះប្រហោងសុវត្ថិភាពថ្មីសន្លាង ដែលអ្នកបង្កើតកម្មវិធីមិនទាន់បានដឹង និងមិនទាន់មានដំណោះស្រាយការពារ (Patch) នៅឡើយ។ | ដូចជាចោរដែលរកឃើញផ្លូវសម្ងាត់ចូលផ្ទះអ្នក ដែលសូម្បីតែអ្នកជាម្ចាស់ផ្ទះ និងជាងសាងសង់ផ្ទះក៏មិនធ្លាប់ដឹងថាមានផ្លូវនោះដែរ។ |
| advanced persistent threats | ការវាយប្រហារតាមអ៊ីនធឺណិតដ៏ស្មុគស្មាញ និងមានរយៈពេលយូរ ដែលហេគឃ័រលួចជ្រៀតចូលក្នុងប្រព័ន្ធគោលដៅដោយជោគជ័យ ហើយសម្ងំលាក់ខ្លួនដើម្បីលួចទិន្នន័យបន្តបន្ទាប់ដោយមិនឱ្យគេដឹងខ្លួន។ | ដូចជាចារកម្មដែលលួចបន្លំខ្លួនចូលធ្វើការក្នុងក្រុមហ៊ុនរបស់អ្នក ហើយលួចចម្លងឯកសារសំខាន់ៗរាប់ខែឆ្នាំដោយគ្មាននរណាចាប់អារម្មណ៍សង្ស័យ។ |
| feature attribution | វិធីសាស្ត្រវិភាគក្នុង XAI ដែលវាស់ស្ទង់ និងបង្ហាញថា លក្ខណៈពិសេស (Features) នៃទិន្នន័យមួយណាដែលមានឥទ្ធិពលខ្លាំងជាងគេ ក្នុងការជំរុញឱ្យម៉ូដែល AI សម្រេចចិត្តបែបនោះ។ | ដូចជាការសួរគ្រូពេទ្យថា តើរោគសញ្ញាមួយណា (ក្តៅខ្លួន ឬក្អក) ដែលធ្វើឱ្យគាត់សន្និដ្ឋានច្បាស់ថាអ្នកមានជំងឺផ្តាសាយធំ។ |
| saliency maps | បច្ចេកទេសបង្ហាញរូបភាពក្នុង AI ដែលប្រើពណ៌ ឬពន្លឺដើម្បីរំលេចផ្នែកសំខាន់ៗនៃទិន្នន័យ ដែលម៉ូដែល Deep Learning ផ្តោតការយកចិត្តទុកដាក់ខ្លាំងបំផុតនៅពេលវាធ្វើការទស្សន៍ទាយ។ | ដូចជាការប្រើប៊ិចហ្វឺតពណ៌ (Highlighter) គូសបញ្ជាក់ពាក្យគន្លឹះសំខាន់ៗនៅក្នុងសៀវភៅ ដើម្បីដឹងថាចំណុចណាជាការសន្និដ្ឋាន។ |
| algorithmic bias | ភាពលម្អៀង ឬអយុត្តិធម៌ជាប្រព័ន្ធដែលកើតឡើងនៅពេលម៉ូដែល AI ត្រូវបានហ្វឹកហាត់លើទិន្នន័យដែលមិនមានតុល្យភាព ឬមានការរើសអើងពីអតីតកាល ដែលនាំឱ្យការសម្រេចចិត្តរបស់វាមានភាពលម្អៀង។ | ដូចជាក្មេងដែលរៀនទម្លាប់ និងពាក្យអាក្រក់ៗពីមនុស្សជុំវិញខ្លួន ហើយយកមកអនុវត្តតាមដោយមិនដឹងខ្លួនថាវាខុស។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
