في عصر تتزايد فيه الهجمات السيبرانية على الشبكات الكهربائية، يبرز البحث العلمي كدرع واقٍ يعزز من أمان هذه الأنظمة الحيوية. تقدم دراسة جديدة إطار عمل مبتكراً يهدف إلى تحسين أداء نماذج التعلم العميق (Deep Learning) في كشف الأنماط الشاذة باستخدام إشارات زمنية عالية الدقة.

تتضمن الدراسة تقييم ثمانية معماريات شبكة عصبية، بدءاً من الشبكات متعددة الطبقات (MLPs) وصولاً إلى نماذج الـ Transformers، حيث تم اختبار هذه النماذج على مجموعات بيانات حية تمثل كلاً من الأخطاء المادية والهجمات السيبرانية في شبكات تعتمد على المحولات (Inverters).

المثير في الأمر أن جميع النماذج تمكنت من تصنيف تسلسلات متعددة الأحداث في الوقت الحقيقي، مع أوقات استجابة تقل عن 15 مللي ثانية. ومع ذلك، تستمر المفارقة، حيث أن زمن الاستجابة النهائي لتلك النماذج تجاوز ثلاث دورات، ويتراوح بين 50 إلى 90 مللي ثانية.

تسلط هذه النتائج الضوء على الفجوة الحاسمة بين القدرات الحسابية للنماذج واحتياجات تطبيقات الحماية الفعلية، مما يشير إلى ضرورة تحسين الأداء وتسريع معالجة الأجهزة.

تعمل هذه التحديثات على وضع معيار موثوق لكشف الأنماط الشاذة من خلال زمن استجابة دون دورة واحدة، مما يوفر دليلاً للتحول من النماذج البحثية إلى التطبيقات الحقيقية لحماية الشبكات الكهربائية.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.