المقدمة

يشير مصطلح أنظمة التحكم الصناعية (ICS) إلى جميع الأجهزة التي تمكّن أتمتة العمليات الصناعية، بما في ذلك أنظمة التحكم وأجهزة القياس والشبكات والأنظمة الأخرى. تُستخدم أجهزة ICS بشكل متكرر في البنى التحتية الحيوية للتحكم في العمليات الفيزيائية الحرجة. وتضمن هذه الأجهزة التشغيل السلس والموثوق للبيئات الصناعية والطاقة والتجارية مثل خطوط التجميع، ومحطات التحلية، وشبكات الطاقة الذكية، ومحطات المعالجة الكيميائية، والبنية التحتية للتعدين. ووفقًا لتقرير صادر عام 2021 عن Research and Markets، من المتوقع أن تصل القيمة السوقية العالمية لأنظمة التحكم الصناعية إلى 49.6 مليار دولار أمريكي بحلول عام 2025.

مع ظهور الثورة الصناعية الرابعة (Industry 4.0)، بدأت الصناعات في الاستفادة من أجهزة تكنولوجيا المعلومات (IT) في قطاع تكنولوجيا العمليات (OT)، مما أتاح تحسين الإنتاجية في الوقت الفعلي، والمراقبة والتحكم عن بُعد، والصيانة التنبؤية، وزيادة الأتمتة، وغير ذلك الكثير. كان يُعتقد سابقًا أن قطاع OT آمن بسبب عزله عن الشبكات الخارجية (air-gapped)، إلا أن Industry 4.0 أزال الحدود بين قطاعي IT وOT، مما جعل الأخير عرضة لهجمات الشبكات عن بُعد. فعلى سبيل المثال، أثرت ثغرة Log4j (CVE-2021-44228)، التي اعتُبرت في البداية مشكلة تخص مجال IT، على العديد من موردي ICS، حيث أثرت على أكثر من 100 منتج من Siemens، و8 أجهزة من Rockwell مثل Plex IIoT وغيرها، وبرمجيات Smart Script من WAGO، والعديد من الشركات الأخرى. ونتيجة لذلك، يمكن للمهاجمين استغلال ثغرات في بنية IT للانتقال إلى شبكة OT وشن هجمات قد تؤدي إلى أضرار جسيمة بالبنية التحتية الحيوية.

مع تزايد عدد أجهزة OT المتصلة بالإنترنت، وارتفاع الحوافز مثل زيادة العوائد المالية وإمكانية التسبب بأضرار جسيمة بسبب كثرة الثغرات، أصبح قطاع OT هدفًا متزايد الجاذبية للهجمات. ووفقًا لـ Packetlabs، تعرض 33.8% من حواسيب ICS عالميًا لهجمات خلال النصف الأول من عام 2021. كما زادت الثغرات في ICS بنسبة 41% مقارنة بالنصف الثاني من عام 2020، وكان 71% من هذه الثغرات قابلة للاستغلال عن بُعد.

شهد مجال ICS العديد من الهجمات البارزة: فقد أصاب فيروس Stuxnet أكثر من 200,000 حاسوب وتسبب في تلف عدد كبير من أجهزة الطرد المركزي المستخدمة في تخصيب اليورانيوم. أما هجوم شبكة الكهرباء الأوكرانية عام 2015، فقد بدأ بسرقة بيانات VPN، وتمكن المهاجمون من فتح القواطع الكهربائية وإخراج محطات فرعية عن الخدمة وكتابة برمجيات خبيثة لتعطيل الأوامر عن بُعد، مما أدى إلى انقطاع الكهرباء عن حوالي 230,000 شخص. كما تم إحباط هجمات أخرى، مثل الهجوم على محطة معالجة المياه في أولدسمار بولاية فلوريدا، حيث حاول المهاجمون زيادة تركيز هيدروكسيد الصوديوم في المياه إلى 100 ضعف الكمية الطبيعية.

تمت دراسة الهجمات على ICS في الأدبيات، وتشمل الهجمات على وحدات التحكم المنطقية القابلة للبرمجة (PLC) لتغيير منطق التحكم أو معلمات العملية، وتعديل البرمجيات الثابتة، أو تزوير قراءات الحساسات كجزء من هجمات حقن بيانات زائفة (FDI) لجمع البيانات وإرسالها إلى PLC بهدف مهاجمة العملية الفيزيائية المتحكم بها. كما تم دراسة اكتشاف الثغرات في برمجة PLC، وتطوير حلول تصحيحية، واكتشاف البرمجيات الخبيثة. كما شملت الدفاعات حماية PLC باستخدام ثوابت التحكم (العلاقة بين قراءات الحساسات وأوامر PLC)، واستخراج قواعد منطق التحكم، واكتشاف انتهاكات السلامة. وبالمثل، تم توظيف حلول معتمدة على التعلم الآلي (ML) لاكتشاف هجمات FDI.

علاوة على ذلك، لا تقتصر استخدامات ML في مجال ICS على كشف الهجمات فقط، بل يمكن أن تساهم بشكل كبير في الرؤية الحاسوبية للفرز واللوجستيات والتعبئة، والصيانة التنبؤية من خلال مراقبة حالة الآلات للتنبؤ بالأعطال وجدولة الإصلاحات، وتحسين النماذج لضبط استراتيجيات التحكم تلقائيًا، وتحمل الأعطال واكتشاف الأخطاء.

غالبًا ما تُبنى هذه الحلول المعتمدة على ML باستخدام لغات عالية المستوى، ولا يمكن تنفيذها إلا على PLCs التي تدعم أنظمة تشغيل قادرة على تشغيل برامج عامة. ولسوء الحظ، فإن العديد من هذه الأجهزة تعمل دون أنظمة تشغيل أو بأنظمة تشغيل خاصة، مما يمنع تنفيذ مثل هذه الحلول. علاوة على ذلك، غالبًا ما تعمل هذه الحلول خارج الجهاز إما في وضع جمع البيانات عبر الإنترنت أو دون اتصال، وبالتالي لا يمكن نشرها عمليًا بسبب الحاجة إلى جهاز إضافي لكل PLC للوصول إلى مدخلات الحساسات المستخدمة في الحل المعتمد على ML. يوضح الشكل [fig:traditional_setup] الوضع الحالي: يجب أن تتلقى أي حل معتمد على ML مدخلات العملية (عادةً تناظرية) بشكل منفصل عن PLC، وتنفذ الاستدلال وتكتشف الشذوذ المحتمل. كما يجب أن يتصل هذا الجهاز الخارجي (عادةً حاسوب عادي) بشبكة OT لنقل نتائج الاستدلال، مما يزيد من سطح الهجوم وإمكانيات الضرر.

لإزالة الحاجة إلى دمج حاسوب عادي في دفاعات الأمان المعتمدة على ML، نقدم في هذا العمل إطار ICSML؛ وهو إطار استدلال ML مُنفذ محليًا بلغة Structured Text (ST)، وبالتالي متوافق مع جميع الأجهزة المتوافقة مع معيار IEC 61131-3. وبما أن الإطار مبني بلغة ST، فإنه يندمج مع أي مشروع IEC ويمكّن من تنفيذ دفاعات معتمدة على ML على الجهاز نفسه دون الحاجة إلى أجهزة خارجية إضافية، ويبقى مرتبطًا مباشرة بمدخلات الحساسات المرسلة إلى PLC. يتيح ICSML، كما هو موضح في الشكل [fig:icsml_setup]، تنفيذ الاستدلال داخل PLC دون 1) التضحية بدقة الاستدلال، 2) التأثير على التشغيل الاعتيادي لـ PLC، و3) الحاجة إلى دعم الشركة المصنعة. يمكن تلخيص مساهماتنا كما يلي:

• قمنا بصياغة مشكلة تنفيذ الاستدلال بكفاءة على PLCs باستخدام لغات IEC 61131-3 من خلال دراسة قيود التعبير في اللغات المتاحة، وأخذنا في الاعتبار قيود عتاد PLC، بالإضافة إلى متطلبات الزمن الحقيقي التي تفرضها بيئات تشغيل ICS.

• طورنا إطار استدلال تعلم آلي يتجاوز قيود لغات IEC 61131-3 المتخصصة ويوفر مجموعة كاملة من مكونات ML.

• قدمنا منهجية شاملة لتنفيذ استدلال ML على PLCs، تشمل تشكيل مجموعة البيانات، وبناء وتدريب النموذج على أطر ML المعتمدة، ونقل النموذج إلى ICSML، وتنفيذه على PLC.

• قمنا بتقييم أداء إطار ICSML من خلال سلسلة من اختبارات الأداء التي تبرز متطلبات الذاكرة وتدرج الأداء بالنسبة لحجم النموذج، بالإضافة إلى سلسلة من التحسينات الخاصة بـ PLC.

• أظهرنا كفاءة وعدم تدخل ICSML من خلال دراسة حالة لدفاع حقيقي على PLC لمحطة تحلية مياه بتقنية Multi-Stage Flash (MSF).

المبادئ الأساسية

صياغة المشكلة

في هذا العمل، نستكشف قدرة وحدات PLC على تنفيذ الاستدلال بكفاءة باستخدام لغات IEC 61131-3 للاستفادة من مزايا الاستدلال المعتمد على ML محليًا على PLC. ويُعد تنفيذ الاستدلال على PLC تحديًا للأسباب التالية:

1. تُكتب تطبيقات PLC بلغات برمجة متخصصة ذات تعبيرية محدودة وتُترجم إلى ملفات تنفيذية غير قياسية. وتفتقر هذه اللغات إلى إدارة ديناميكية للذاكرة، ولا تدعم الاستدعاء الذاتي (recursion)، وغير ذلك من القيود التي تتطلب حلولًا مبتكرة لدعم الاستدلال المعتمد على ML بشكل صحيح. سيتم توضيح ذلك في القسم 3.1.

2. تتوفر PLCs بتكوينات متنوعة من حيث القدرة الحاسوبية، حيث تحتوي الغالبية على ذاكرة ومعالجات مدمجة محدودة، كما هو موضح في القسم 3.2. لذا يجب أن تكون الطرق المطورة خفيفة الوزن ولا تتداخل مع الهدف الأساسي لـ PLC وهو التحكم والمراقبة.

3. تتطلب العمليات الصناعية عادةً استجابة في الزمن الحقيقي، حيث قد تكون دورة المسح (حلقة الاستشعار-الحساب-التنفيذ) في حدود أجزاء من الثانية. لذا يجب تطوير الاستدلال بعناية مع مراعاة دورة المسح، كما سيناقش في القسم 3.3.

الخلاصة

في هذا العمل، درسنا الحاجة إلى تنفيذ الاستدلال المعتمد على التعلم الآلي محليًا على وحدات التحكم المنطقية القابلة للبرمجة (PLCs). استعرضنا المتطلبات والقيود لتطبيقات التعلم الآلي في أنظمة التحكم الصناعية عند تشغيلها على PLCs، وبناءً على ذلك طورنا إطار عمل للتعلم الآلي باستخدام لغات IEC 61131-3. ثم قدمنا منهجية شاملة لبناء ونقل نماذج ML إلى الإطار المطور. بعد ذلك، استعرضنا أداء الإطار من خلال سلسلة من اختبارات الأداء، وقارناه بإطار الاستدلال TensorFlow Lite. وأخيرًا، عرضنا قدرات الإطار المقترح وأكدنا عدم تدخله في العملية الأساسية من خلال تطوير دراسة حالة لدفاع معتمد على ML لعملية تحلية المياه بتقنية MSF.