FalsEye: זיהוי יזום של התקפות הזרקת נתונים כוזבים ברשתות חשמל חכמות בעזרת למידת אנסמבל מותאמת על ידי IceCube

שמירה על האורות בעולם דיגיטלי

רשתות החשמל המודרניות הופכות במהירות למערכות "חכמות" התלויות בזרמי נתונים דיגיטליים קבועים כדי לשמור על אספקת חשמל חלקה. אבל אותה קישוריות שהופכת אותן ליעילות גם פותחת פתח לפורצים שיכולים לשנות בשקט קריאות חיישנים ואותות בקרה. מאמר זה מציג את FalsEye, כלב שמירה אינטיליגנטי חדש שנועד לזהות התקפות נתונים נסתרות מוקדם, כך שניתן למנוע הפסקות חשמל, נזק לציוד והפרעות בשירות לפני שיתפשטו לבתים ולעסקים.

כשהנתונים הכוזבים מאיימים על כוח אמיתי

רשתות חכמות תלויות בחיישנים ובמכשירי בקרה שמדווחים למפעילים בזמן אמת על מה שקורה בקווי החשמל. התקפות הזרקת נתונים כוזבים (FDIAs) פועלות על ידי שינוי עדין של מדידות אלה כך שהרשת תיראה בריאה כשהיא למעשה תחת עומס, או על ידי הטעיית ציוד כדי שינקוט בצעדים שגויים. תקריות מהמציאות באוקראינה וניסיונות תקיפה בארצות הברית מראות שמדובר בסיכון ממשי ולא תיאורטי: נתונים זדוניים שנבנו בקפידה יכולים להשבית תחנות משנה ולגרום להפסקות בקנה מידה גדול. מכיוון שהתקפות בפועל נדירות יחסית לתפעול השוטף, ומכיוון שתוקפים יכולים לשנות כל הזמן את האסטרטגיות שלהם, אזעקות מבוססות כללים וכלי למידת מכונה סטנדרטיים לעתים קרובות מפספסים את המקרים המסוכנים ביותר.

מדוע ההגנות הקודמות לא הספיקו

חוקרים ניסו מגוון רחב של שיטות לזיהוי FDIAs, מבדיקות סטטיסטיות וטריקים בעיבוד אותות ועד רשתות עצביות מתקדמות. רבות מהשיטות עובדות היטב במבחנים מבוקרים, אך מתקשות בסביבת רשת אמיתית. בעיה מרכזית היא חוסר איזון בנתונים: יש דוגמאות רבות בהרבה להתנהגות נורמלית מאשר להתקפות, ולכן המודלים לומדים להכיר את השגרתי היטב אך חלשים בלכידת המקרים הנדירים והמסוכנים. גישות אחרות משתמשות בסוג בודד של מודל או מסתמכות על הגדרות קבועות שנבחרו ידנית, שאינן בהכרח מותאמות כאשר הרשת משתנה או שהתוקפים משנים את טקטיקותיהם. המחברים סקרו עשורים של עבודות קודמות ומצאו שלא קיים מערכת שמשלבת במלואה שלוש מרכיבים שידועים כמועילים: אנסמבל חזק של מודלים, איזון חכם של אירועים נדירים בנתונים וכיול שיטתי של הגדרות המודל.

בניית כלב שמירה חכם יותר

FalsEye משלב את חלקי החסר האלה בתוך צינור אחיד. הוא מתחיל במדידות ממערכת בדיקה לרשת חכמה הזמינה לציבור, הכוללת גם אירועים טבעיים וגם מגוון רחב של התקפות מדומות. באמצעות טכניקה של בחירת תכונות, המסגרת בוחרת תחילה את החלקים המידעיים ביותר בנתונים, כגון שינויים במתח, בזרם ובתדר שנוטים להשתנות במהלך התקפה. לאחר מכן היא מיישמת שיטה אדפטיבית של דגימה יתר בשם ADASYN, שיוצרת דוגמאות נוספות מציאותיות של תבניות התקפה נדירות, במיוחד באזורים שהכי קשה ללמוד מהם של מרחב הנתונים. זה עוזר למערכת ללמוד איך נראות התקפות מבלי להציפה ברעשים מלאכותיים.

שילוב מוח רב וכיול דק

בלב FalsEye נמצא אנסמבל הצבעה שמביא יחד כמה מודלים של למידת מכונה, כולל שיטות עץ מהירות כמו Extra Trees, LightGBM ו-CatBoost, יחד עם מסווגים מסורתיים יותר. במקום לסמוך על מודל יחיד, המערכת מערבבת את הערכות ההסתברות שלהם באמצעות "הצבעה רכה" (soft voting), כך שחולשות במודל אחד יכולות להיות מכוסות על ידי חוזקות במודל אחר. כדי לסחוט את הביצועים הטובים ביותר מהרכיבים האלה, המחברים מציגים גישה אופטימיזציה חדשה בהשראת האופן שבו חלקיקים מתפזרים ומקפאים בקרח, בשם אלגוריתם אופטימיזציה IceCube (IO). IO בודק שילובים שונים של הגדרות למודלים הבסיסיים, ומכוון אותם לקונפיגורציות שמזהות בצורה הטובה ביותר את מחלקת ההתקפה המיעוטית. שלב שני, המשתמש בחיפוש רשת סטנדרטי, מאזנן לאחר מכן בקפידה את ההגדרות המבטיחות האלה כדי לוודא שהן פועלות באמינות על פרוסות שונות של הנתונים.

כמה טוב זה עובד?

כדי לבדוק את FalsEye, החוקרים השתמשו במערך נתונים מתויג ממעבדת Oak Ridge National שמדמה רשת העברה אמיתית עם תרחישי תקלות והתקפות שונים. הם השוו את FalsEye מול מודלים נפוצים רבים של למידת מכונה וכמה סכמות זיהוי מתקדמות ממאמרים עדכניים. במדדים שחשובים לבטיחות — במיוחד ברקל (recall), המשקף כמה מהתקפות האמיתיות נתפסות — המסגרת החדשה עקבית הגיעה ראשונה. היא השיגה דיוק כללי של 99%, עם רקל גבוה עבור מקרים של התקפה גם כאשר ההתקפות היו נדירות באופן קיצוני, כמו התקפה אחת על כל אלף אירועים נורמליים. המערכת נשארה יציבה על פני טווח של רמות חוסר איזון, מה שמרמז שהיא יכולה להתמודד עם המציאות שבה התקפות סייבר נדירות אך עלולות להיות הרסניות.

מה משמעות הדבר עבור משתמשים יומיומיים

FalsEye מראה שבשילוב מודע של שיטות למידה מרובות, איזון נתוני התקפה נדירים וכיול מוקפד של הגדרות המערכת, אפשר לבנות שומר הרבה יותר ערני לרשתות חכמות. עבור לא-מומחים, המסקנה פשוטה: תוכנה חכמה יותר יכולה להפוך את תשתיות החשמל הדיגיטליות שלנו לקשות יותר להטעה באמצעות נתונים כוזבים. אם יוטמע ויתמזג במערכות ניטור בזמן אמת, גישות כמו FalsEye עשויות לסייע לשמור על אספקת חשמל אמינה ועמידה יותר, גם כאשר איומי הסייבר מתרבים ומסובכים יותר.

ציטוט: Sheta, A.N., Osman, S.F., Eladl, A.A. et al. FalsEye: proactive detection of false data injection attacks in smart grids using IceCube-optimised ensemble learning. Sci Rep 16, 9093 (2026). https://doi.org/10.1038/s41598-026-38723-0

מילות מפתח: אבטחת רשת חכמה, הזרקת נתונים כוזבים, זיהוי מתקפות סייבר, אנזמבל של למידת מכונה, נתונים בלתי מאוזנים