隨著工業 4.0 和智慧製造的快速發展，製造執行系統 (MES) 在連線企業資源規劃 (ERP) 和現場控制系統中扮演著關鍵角色，其安全性也日益受到重視。智慧製造執行系統 (SMES) 整合了資通訊技術，大幅提升生產效率和靈活性，但也擴大了潛在的攻擊面。因此，SMES 資安研究對於保障智慧製造系統的穩定執行至關重要，需要探討相關威脅、漏洞和防禦機制。
智慧製造執行系統資安之文獻計量分析
摘要
本文針對智慧製造執行系統（Smart Manufacturing Execution Systems, SMES）的資安領域進行文獻計量分析。研究使用Web of Science（WoS）作為檢索工具，蒐集2010年至2020年間相關文獻，並對其進行多導向分析，包括出版趨勢、研究領域、機構、作者、重要出版商、高被引文章及關鍵字頻率等。研究結果顯示，德國、中國和義大利在該領域居於領先地位，而紐西蘭奧克蘭大學和瑞典皇家理工學院則表現突出。在出版商方面，IEEE Journals發表了最多的相關文章。
1. 緒論
隨著工業4.0和智慧製造的發展，製造執行系統（Manufacturing Execution System, MES）在工業界的重要性日益增加。MES作為聯結企業資源規劃（ERP）系統與現場控制系統的重要環節，其資安問題逐漸受到關注。
2. 文獻回顧與研究方法
本研究採用文獻計量分析方法，透過WoS資料函式庫檢索2010年至2020年間與SMES資安相關的文獻。檢索結果顯示，該領域的研究始於2014年，並在隨後幾年呈現快速增長趨勢。
3. 分析結果
3.1 出版趨勢
研究發現，SMES資安領域的出版物自2014年開始出現，並在隨後幾年呈現指數級增長。這表明該領域正在受到越來越多的關注。
3.2 研究領域與機構
透過對研究領域的分析，我們發現SMES資安涵蓋了多個子領域，包括工業控制系統（Industrial Control System, ICS）、物聯網（Internet of Things, IoT）、雲端運算（Cloud Computing）等。在機構方面，來自德國、中國和義大利的研究機構表現突出。
3.3 作者與出版商
本研究亦對作者和出版商進行了分析。結果顯示，來自不同國家和機構的學者均有貢獻，其中IEEE Journals作為主要學術出版商，在該領域發表了大量高品質論文。
3.4 關鍵字分析
透過對關鍵字的分析，我們發現了一些高頻詞彙，如「Automation」、「CPS」、「IOT」、「Cloud」等。這些關鍵字反映了SMES資安領域的研究熱點。
圖表翻譯： 此圖示呈現了SMES資安領域的主要研究方向及其相互關聯。其中，資安是核心主題，與SMES、工業控制系統等緊密相關，而這些領域又進一步與物聯網、雲端運算等新興技術相連。
FPGA 在 IIoT 中的應用
FPGA（現場可程式門陣列）技術因其靈活性、高效能和低功耗等特點，在IIoT領域得到了廣泛應用。特別是在機器學習演算法的實作方面，FPGA提供了優異的加速能力 [32-35]。
FPGA 的優勢
- 靈活性：FPGA可以根據特定的應用需求進行重新組態，實作最佳的效能和功耗平衡。
- 高效能：FPGA能夠提供比傳統CPU更高的計算效能，特別是在平行計算方面。
- 低功耗：FPGA在功耗方面相比GPU等其他加速器具有明顯優勢。
內容解密：
本段闡述了FPGA在IIoT領域的優勢，特別是在機器學習演算法實作方面的應用價值。
未來研究方向
- 最佳化FPGA上的機器學習演算法：進一步提高演算法在FPGA上的執行效率和能效比。
- 探索新的應用場景：將FPGA和機器學習技術應用於更多的IIoT場景中，如智慧製造、預測性維護等。
內容解密：
本結論總結了機器學習在IIoT中的角色以及FPGA的重要性，並提出了未來的研究方向。
@startuml
skinparam backgroundColor #FEFEFE
skinparam componentStyle rectangle
title 智慧製造執行系統資安文獻計量分析
package "物聯網架構" {
package "感知層" {
component [感測器] as sensor
component [執行器] as actuator
component [嵌入式裝置] as device
}
package "網路層" {
component [閘道器] as gateway
component [MQTT Broker] as mqtt
component [邊緣運算] as edge
}
package "平台層" {
cloud "IoT Platform" as platform
database [時序資料庫] as tsdb
component [規則引擎] as rules
}
package "應用層" {
component [監控儀表板] as dashboard
component [告警系統] as alert
component [數據分析] as analytics
}
}
sensor --> device : 資料採集
device --> gateway : 資料傳輸
gateway --> mqtt : MQTT 協議
mqtt --> edge : 邊緣處理
edge --> platform : 雲端上傳
platform --> tsdb : 資料儲存
platform --> rules : 規則處理
rules --> alert : 觸發告警
tsdb --> analytics : 資料分析
analytics --> dashboard : 視覺化
@enduml圖表翻譯： 此圖示展示了工業物聯網（IIoT）與機器學習的關聯，以及FPGA在加速機器學習演算法方面的作用，最終實作高效能運算和低功耗設計。
工業物聯網（IIoT）中的機器學習角色探討
隨著工業物聯網（IIoT）技術的進步，工業界正經歷著前所未有的變革。透過IIoT，各種先進概念如機器學習、人工智慧、機器間通訊、分散式運算、雲端運算、邊緣運算以及資料分析等，正在被廣泛應用於工廠的機器、材料和方法中。因此，IIoT被視為是上述技術的綜合體。
工業物聯網（IIoT）的定義與目標
近年來，隨著工業無線網路（IWNs）、大資料、雲端/霧運算等領域的進步，為工業改進提供了更多機會，並促成了第四次工業革命的定義，即工業物聯網（IIoT），也稱為工業4.0。工業4.0的目標是為工業界提供智慧、可互操作、實時自主的製造環境。
為了實作這些目標，工業4.0根據物聯網（IoT）和雲端運算。因此，一個IIoT系統包含了所有與IoT和雲端運算相關的子裝置和定義，如感測器和執行器、智慧系統應用、微控制器等。這吸引了學術界和工業界對眾多應用的研究興趣。工業4.0被認為能夠在品質要求範圍內提供競爭力、靈活性、自我最佳化、自動化以及完成複雜的物理和數字任務。
IIoT面臨的挑戰
隨著科技的發展和數位連線世界的形成，裝置和終端使用者將持續相互通訊。目前，大多數工業界組織都渴望在其業務中實施IIoT，因為IIoT能夠提高效率、改善效能和生產力。然而，這也為科學家和企業主帶來了新的挑戰。
1.2.1 安全問題
IIoT的安全挑戰源於其架構的兩個部分：一是將物理裝置和工業系統連線到網際網路，二是IoT中的安全挑戰事實上也是工業IoT中的挑戰。安全挑戰被分為感知層、傳輸層和應用層三個層面。最大的挑戰是安全性，因為對其架構元件的最小警告都可能導致整個業務的中斷。
1.2.2 連線問題
在IIoT中，確保所有工業機器和裝置之間的連線至關重要，以提高製造產出。因此，不良的連線會導致關鍵挑戰。在電力故障、網際網路斷線和技術或物理錯誤的情況下，不同IIoT機器單元之間的管理困難可能會出現。
1.2.3 IIoT整合
另一個挑戰是資訊技術的整合。為了提供IIoT和資訊技術之間的整合，連線性和同步性至關重要。在執行IIoT系統中的流程時，工業和IT部門的機器所收集的資料需要相互協調，以及內部組織之間的協調。
1.2.4 資料儲存
另一個重要的挑戰是公司和/或企業的資料儲存。安全的資料儲存是採用IIoT於工業中的基本部分。研究人員探討了儲存資料的挑戰以及如何保護所產生的資料以供後續使用，並提出了根據霧運算和雲端運算的安全資料儲存和檢索系統框架。
1.2.5 分析挑戰
在IoT架構中執行流程時，資料分析至關重要，包括資料處理、清理和表示。研究人員調查了與大資料分析相關的IIoT研究，並提出了框架，涵蓋了大資料分析的幾個挑戰和機會，以及在IIoT系統中使用的大資料分析案例研究。
工業物聯網中機器學習的角色與FPGA的應用
機器學習在工業物聯網中的重要性
工業物聯網（IIoT）產生了大量的資料，這些資料為工業營運、生產和服務帶來了挑戰和機遇。機器學習技術能夠有效地處理和分析這些資料，從而提高工業營運的效率和生產力。
機器學習技術的分類別
機器學習技術可以分為以下幾類別：
- 監督式學習：使用已知結果的資料進行訓練，以進行分類別和迴歸分析。常見的演算法包括人工神經網路（ANN）和支援向量機（SVM）。
- 非監督式學習：在未知資料集中發現模式，常見的演算法包括主成分分析（PCA）。
- 強化學習：透過試錯來最佳化特定的效能指標。
- 深度學習：使用多層神經網路來處理大量資料，常見的演算法包括卷積神經網路（CNN）、受限玻爾茲曼機（RBM）和自動編碼器（AE）。
機器學習分類別詳解
此圖示展示了機器學習的不同分類別及其關鍵特徵。 圖表翻譯： 此圖表呈現了機器學習的主要分類別，包括監督式學習、非監督式學習、強化學習和深度學習。每個分類別都有其特定的應用場景和演算法。
機器學習在工業物聯網中的應用
機器學習技術在工業物聯網中的應用包括：
- 特徵選擇：使用機器學習演算法來選擇重要的特徵。
- 資料評估和預測：使用機器學習演算法來評估和預測工業過程和產品的資料。
- 智慧決策：使用機器學習演算法來訓練和測試資料集，以進行智慧決策。
# 使用Python實作簡單的監督式學習
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm
# 載入資料集
iris = datasets.load_iris()
X = iris.data
y = iris.target
# 分割資料集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 使用SVM演算法進行訓練
clf = svm.SVC()
clf.fit(X_train, y_train)
# 進行預測
y_pred = clf.predict(X_test)
程式碼解密：
此段程式碼展示瞭如何使用Python的scikit-learn函式庫實作簡單的監督式學習。首先，載入了鳶尾花資料集，然後將資料集分割為訓練集和測試集。接著，使用SVM演算法對訓練集進行訓練，並對測試集進行預測。
FPGA在機器學習中的應用
現場可程式設計門陣列（FPGA）是一種可程式設計的硬體平台，能夠提供高效的計算能力和靈活性。在機器學習中，FPGA可以用於加速機器學習演算法的計算，從而提高工業物聯網的效率和生產力。
FPGA在工業物聯網中的動態可重構架構研究
FPGA的簡介與應用
現場可程式化門陣列（Field Programmable Gate Arrays, FPGA）是一種通用型多層級可程式化邏輯裝置，可由終端使用者自定義[57]。FPGA允許使用者根據不同的處理需求隨時更改其邏輯功能。
為了提供分散式智慧以克服諸如即時反應、離線作業、服務多使用者、減少傳輸至雲端的資料量以及提高靈活性等挑戰，人們定義了新的概念和方法，如感測器功能虛擬化（Sensor Function Virtualization, SFV）[58-61]。
FPGA能夠根據執行時的需求動態重新組態其架構，以執行特定的處理任務或演算法，這些任務或演算法通常以VHDL/Verilog程式語言編寫。在工業物聯網（IIoT）的不同層級中，根據對所取得資料的特定處理需求，可以利用先前編寫的程式碼來組態FPGA。此外，還可以在執行時更改FPGA的組態[62-66]。
內容解密：
FPGA的動態可重構特性使其能夠在IIoT的不同層級中發揮重要作用，例如在監控系統、生產線上的感測器旁、閘道器、存取點等。透過在這些位置佈署FPGA，可以實作獨立於雲端及其處理資源的機器學習（ML）演算法處理。因此，邊緣裝置上的原始資料可以被預處理，並將提取的知識傳送到其他層級。這樣，可以減少傳輸資料的大小，降低通訊網路的流量。
FPGA在IIoT中的應使用案例項
在IIoT的監控系統中，可以利用FPGA實作ML或深度學習（DL）演算法，以處理攝影機的實時影像等[67]。例如，一項研究展示瞭如何為影片應用實作部分FPGA組態，利用部分FPGA組態功能處理影片輸入，並執行部分重新組態，從而提高影片流處理的多樣性和速度。
在[63]中，研究人員提出了一種改進不同組態中使用的演算法管理方法，並建立了一個函式庫來儲存和呼叫這些演算法，同時自動化了必要的操作。這樣可以避免手動執行部分組態過程，並加快執行速度。
FPGA動態部分重新組態的研究
在[68]中，研究人員探討了在執行時實作FPGA動態部分重新組態的不同方法，從而透過嵌入式軟體處理器加快FPGA的部分動態組態。
分散式智慧與FPGA在IIoT中的角色
在[69]中，研究人員試圖在物聯網（IoT）中實作分散式智慧，以克服現有的挑戰，包括裝置之間的通訊能力、邊緣裝置的低處理能力等。雖然由於IoT裝置的通訊和處理能力限制，無法在所有IoT裝置上分配必要的處理任務，但研究人員建議將智慧和知識分配到路由器、閘道器、具有高連線性和處理能力的鄰近裝置以及雲端。
內容解密：
這項研究強調了在IoT中實施分散式智慧的重要性，並提出了將知識和智慧分配到不同層級的方法，以克服現有的挑戰。
FPGA在IIoT中的未來發展
透過利用FPGA的動態部分重新組態特性，可以克服諸如即時回應服務、回應多個同時需求、在多使用者和多處理情況下運作等問題，並透過在FPGA上實施ML來實作自動化決策[70-72]。
內容解密：
未來的IIoT系統可以透過採用FPGA的動態可重構架構來提高其靈活性和處理能力，從而更好地應對各種挑戰。
