لماذا يرصد الذكاء الاصطناعي التهديدات في الشبكات الصناعية حيث يعجز مضاد الفيروسات

يتولى الذكاء الاصطناعي حماية الشبكات الصناعية، بعدما لم تعد مضادات الفيروسات التقليدية قادرة على هذه المهمة. وباتت نماذج تعلّم الآلة العاملة في الوقت الفعلي هي التي تكشف الشذوذ في التقنيات التشغيلية (OT) وأنظمة التحكم الصناعية.

لماذا لا تنجح التوقيعات

صُمّمت مضادات الفيروسات وأنظمة كشف التسلل القائمة على التوقيعات لبيئات تقنية المعلومات. ومنطقها بسيط: مقارنة الشيفرة بقاعدة بيانات التهديدات المعروفة. لكن الصورة في القطاع الصناعي مختلفة جذريًا. فالهجمات على أنظمة التحكم الآلي في العمليات التقنية (АСУ ТП) فريدة في كثير من الأحيان، ومصمَّمة بدقة لمعدات بعينها، ولا تترك «بصمات» مألوفة في قواعد بيانات مضادات الفيروسات. وإلى أن يحدّث المطوّر القاعدة، يكون الهجوم قد انتهى.

وفي البنية التحتية الحيوية، كالطاقة وتكرير النفط وإمدادات المياه، يعني التأخر ساعات قليلة خسائر هائلة أو تهديدًا فعليًا لسلامة الناس. كما أن البروتوكولات الصناعية، مثل Modbus وDNP3 وOPC-UA، صُمّمت في الأصل دون أخذ الأمن السيبراني في الحسبان، ما يجعل التحليل التقليدي للتهديدات أقل فاعلية.

كيف يرصد الذكاء الاصطناعي التهديدات الخفية

لا تبحث الأنظمة القائمة على ML عن شيفرة خبيثة محددة. بل تبني نموذجًا سلوكيًا للحالة «الطبيعية» للشبكة، وترصد أي انحراف مهم عنها. فحركة بيانات غير معتادة بين وحدة التحكم ونظام SCADA، أو تكرار غير نمطي للأوامر، أو وصول غير متوقع إلى سجل الجهاز، كلها تتحول إلى إنذار قبل وقت طويل من اكتمال تنفيذ الهجوم.

وتتمتع تحليلات السلاسل الزمنية بقيمة خاصة: إذ ترصد نماذج ML أنماطًا تمتد ساعات، بل أيامًا. وهكذا تعمل مجموعات APT بالضبط: بأسلوب منهجي وبطيء، وتحرص على ألا تتجاوز عتبات الكشف. ويلاحظ الذكاء الاصطناعي هذه الشذوذات البطيئة في حين يكون المشغّل البشري قد انصرف منذ وقت طويل إلى مهام أخرى.

ويغيّر هذا النهج منطق حماية المنشآت الصناعية جذريًا:

• يكشف تعلّم الآلة متجهات هجوم مجهولة سابقًا دون الحاجة إلى توقيع جاهز
• يعمل التحليل السلوكي حتى ضد تهديدات اليوم الصفري (zero-day)
• يجري رصد الشذوذ في الوقت الفعلي، أي قبل وقوع الضرر
• يعزّز الذكاء الاصطناعي الشفافية على امتداد دورة حياة النظام الصناعي بأكملها
• تخفّف المراقبة الآلية العبء عن المشغّلين وتقلّل خطر الخطأ البشري

التحدي الرئيسي: بيانات OT المشوّشة

إدخال الذكاء الاصطناعي إلى بيئات OT مهمة أصعب بكثير مما تبدو للوهلة الأولى. فقد صُمّمت الأنظمة الصناعية على مدى عقود مع التركيز على الموثوقية واستمرارية العمل، لا على جودة البيانات المخصصة للتحليل. ونتيجة لذلك، تولّد المستشعرات ووحدات التحكم المنطقية القابلة للبرمجة (PLC) وأنظمة SCADA تدفقات بيانات غير منظّمة وناقصة و«مشوّشة». وقبل تدريب النموذج، لا بد من ترشيح هذه البيانات وتنقيتها بعناية، بالاستناد إلى خبرة معمّقة في المجال الصناعي.

ومن دون ذلك، سيتفاعل نظام ML مع «أشباح» بدل التهديدات الحقيقية، وسيغرق المشغّلين بإنذارات كاذبة.

وثمة مشكلة مستقلة تتعلق بعمر المعدات وحجم البيانات. فكثير من أنظمة SCADA تعمل منذ تسعينيات القرن الماضي، في حين تولّد المنشأة الصناعية الكبيرة تيرابايتات من البيانات يوميًا. ويتطلب دمج هذه «الأجهزة» القديمة مع منصات ML الحديثة محوّلات خاصة ومتخصصين نادرين، قادرين على العمل في عالمي تقنية المعلومات وOT في آن واحد.

«بيانات بيئة OT ذات طبيعة مختلفة تمامًا، فهي ليست مجرد تقنية معلومات

بعتاد مختلف»، يؤكد متخصصون في الأمن السيبراني الصناعي.

ماذا يعني ذلك

الانتقال من الحماية القائمة على التوقيعات إلى الذكاء الاصطناعي السلوكي في الشبكات الصناعية واقع قائم بالفعل، وليس مجرد تصوّر للمستقبل. وبالنسبة إلى المنشآت التي تعتمد أنظمة АСУ ТП، يعني ذلك إعادة نظر شاملة في استراتيجية الأمن: فهي تحتاج إلى الأدوات المناسبة، وبيانات عالية الجودة، وفرق تمتلك خبرة عند نقطة التقاء تقنية المعلومات وOT.

والشركات التي ستُنجز هذا الانتقال قبل غيرها ستكسب ميزة جوهرية في حماية البنية التحتية الحيوية من تهديدات لا تراها مضادات الفيروسات التقليدية.