ကမ္ဘာကြီးပေါ်မှာ လျှပ်စစ်ကားတွေ ခေတ်ရောက်လာတာနဲ့အမျှ လူသားတွေမှာ အကျိုး သာမက အပြစ်ပါ ရောထွေးပြီး ကြုံရနိုင်ချ မြင့်မားပုံနှင့် ဘယ်ပုံဘယ်လိုမျိုး အန္တရာယ်ရှိနိုင်လဲ ဆိုတာကို အကျဉ်း ဖော်ပြသွားပါမည်။ အထူးသဖြင့်တော့ လက်ရှိအချိန် စိုးရိမ်စရာ ကောင်းတဲ့အချက်တွေမှာ ဆိုရင်တော့ လျှပ်စစ် အားပြန်ဖြည့်သည့် စနစ်ကနေ တိုက်ခိုက်မှုမျိုးကို ပညာရှင်များက ဇောင်းပေးဖော်ပြထားကြတာကို တွေ့ရပါသည်။ ၎င်းကို EV Supply Equipment (EVSE) လို့ခေါ်သလို မြန်မာလိုဆိုရင်တော့ အထောက်အပံ့ပစ္စည်း လို့ခေါ်နိုင်သော ဥပမာ – အားသွင်းပေါက် နှင့် ဘက်ထရီ တွေလို့ဆိုနိုင်သလို၊ ကွန်ပျူတာမှာဆိုရင်တော့ Hardware လို့ ခေါ်ကြသလိုပါပဲ။ 

လက်ရှိကမ္ဘာပေါ်၌ လျှပ်စစ်မော်တော်ယာဉ် (EV) များနှင့် အားသွင်းအခြေစိုက်စခန်း အသုံးပြုမှု မြင့်တက်လာခြင်းသည် ဆိုက်ဘာလုံခြုံရေး စိန်ခေါ်မှုအသစ်များကိုလည်း တိုး၍ ရင်ဆိုင်နိုင်လာနိုင်သည်။ EV Supply Equipment (EVSE) များတွင် ဆိုက်ဘာခြိမ်းခြောက်မှုများ ကြုံတွေ့နေရခြင်းများသည် လူသားများ၏ လုံခြုံရေးကို အရေးတကြီး ကာကွယ်ရန် လိုအပ်လာခြင်းကို မီးမောင်းထိုးပြမှုအဖြစ် ရှုမြင်နိုင်ပါသည်။

လက်ရှိ၌ EVSE စနစ်များသည် အောက်ပါဆိုက်ဘာတိုက်ခိုက်မှုများကို ကြုံတွေ့နေရပါသည်။ ၎င်းတို့မှာ Spoofing (အယောင်ဆောင်တိုက်ခိုက်မှု)၊ Tampering (ဒေတာများကို ပုံတူပွားခိုးယူမှု)၊ Denial of Service (DoS) လို့ခေါ်တဲ့ ပုံမှန်မဟုတ်တဲ့ ချိုးဖောက်မှု၊ Ransomware (အတင်းအဓမ္မ ခြိမ်းခြောက်မှု)၊ Privilege Escalation (မိမိ ဒစ်ဂျစ်တယ်ဘုံကို သိမ်းခံရခြင်း) မျိုးကဲ့သို့ အန္တရာယ်ကို ချိုးဖောက်သူများ ပြုလုပ်ခြင်း ကြုံတွေ့ရနိုင်ပါသည်။ ဤကဲ့သို့သော ချိုးဖောက်ခံရမှုများကို လျှပ်စစ်ကားများ စတင်အသုံးပြုသော အချိန် ၂၀၁၈ မှ ယနေ့အချိန်ထိတိုင် ရင်ဆိုင်ဖြေရှင်းနေရဆဲဖြစ်သည်။

ဤကဲ့သို့သော တိုက်ခိုက်မှုများအတွက် ပညာရှင်များနှင့် ကျွမ်းကျင်သူများမှ ဖြေရှင်းနည်းများကိုလည်း ရှာဖွေလေ့လာလျက်ရှိကြသည်။ ၎င်းလေ့လာမှုများတွင် Generative Adversarial Networks (GANs) လို့သိကြသော ML Framework တစ်ခုဖြစ်သော နည်းလမ်းဖြင့် တိုက်ခိုက်မှုများကို အသုံးချကာ ရှာဖွေ ဖော်ထုတ်သော နည်းလမ်း၌ အသုံးပြုနေကြသည်ကို လေ့လာတွေရသည်။ ဤနည်းသည် Unsupervised (ထိန်းသိမ်းစောင့်ကြည့်ခြင်းမရှိသော) ဒေတာ သင်ယူမှု ဖြစ်သောကြောင့် ပိုသင့်တော်သောအခြေအနေ နှင့် ဘက်လိုက်မှုမရှိသော ဒေတာ အချက်အလက်များကို ထုတ်ယူထောက်ပံ့ ပေးနိုင်စွမ်းရှိသည်။ သည့်အပြင် တခြား နည်းများဖြစ်သော GRU, CNN, LSTM ကဲ့သို့သော နည်းများလည်း အသုံးပြုရှာဖွေမှု၌ အပါအဝင်ဖြစ်သည်။ ဤကဲ့သို့သော ML Framework များကို အသုံးပြုခြင်းကြောင့် နောက်ထပ် လျှပ်စစ်ကားများ ဆိုက်ဘာတိုက်ခိုက်မှု မဖြစ်မီ  Remaining Useful Life (RUL) လို့ ခေါ်တဲ့ အချိန်အခါပေါ်ကြည့်ပြီး ဆုံးဖြတ်နိုင်သော တန်ဖိုးရှိ ဒေတာများကို ပညာရှင်များအနေဖြင့် တိုက်ခိုက်ခြင်းမခံရမီကပင် ခန့်မှန်း အသုံးချ သိနိုင်သည်။ လက်ရှိဖော်ပြပါနည်းများ၌ GRU နှင့် CNN သည် အကျိုးဖြစ်ထွန်းဆုံး နည်းများအဖြစ် ပြသနေပါသည်။ ဤနည်းများကို အသုံးပြုခြင်းဖြင့် မဖြစ်ပေါ်လာသေးသော တိုက်ခိုက်မှုများကို ခန့်မှန်းတွက်ဆထားခြင်းသည် တိုက်ခိုက်ခံရနိုင်သည့် စနစ်၏ ခံနိုင်ရည် နှင့် အဆင့်သင့်ဖြစ်မဖြစ်ကို အလွယ်တကူ သိရှိနိုင်ခြင်းကဲ့သို့ အကျိုးကျေဇူးများရှိသည်။ 

တိုက်ခိုက်မှုများကို ခန့်မှန်းရှာဖွေသောနည်းအပြင် ကာကွယ်သော နည်းများကိုလည်း မျက်ကွယ်ပြု၍ မရချေ။ လက်ရှိ၌ ကျွမ်းကျင်သူများ အကြံပေးထားသော နည်းများမှာ Encryption (ဝှက်စာစနစ်)၊ Multi-Factor Authentication ခေါ် နှစ်ဆင့်ခံဝင်ရောက်ခွင့်၊ Intrusion Detection and Prevention Systems (IDPS) (ချိုးဖောက်ဝင်ရောက်မှု ရှာဖွေကာကွယ်ခြင်း)၊ ဘလော့ခ်ချိန်းစနစ်၊ အေအိုင်ဖြင့် ထောက်လှမ်းသိရှိခြင်း၊ လုံခြုံရေးအခြေခံစနစ် (Security-by-Design) နှင့် တိုက်ခိုက်မှုတန်ပြန်စနစ်စီမံ ခြင်း တို့က အစ ပါဝင်သည်။

အချုပ်ဆိုရသော် EVSE စနစ်များသည် ခေတ်သစ်လျှပ်စစ်ယာဉ်စနစ်၏ မရှိမဖြစ် အရေးပါသော အစိတ်အပိုင်းဖြစ်သော်လည်း ဆိုက်ဘာတိုက်ခိုက်မှုများအတွက် အားနည်းချက်ရှိနေသေးသည်။ ထို့ကြောင့် လက်ရှိမျက်မှောက်ခေတ် AI နှင့်အတူ ဆိုက်ဘာလုံခြုံရေး ကြိုတင်ကာကွယ်ရေးဆိုင်ရာ ဗျူဟာများသည် အနာဂတ်အတွက် အဖြေတစ်ရပ်ဟုဆိုနိုင်သည်။ နောင်လေ့လာမှုများတွင် စဉ်ဆက်မပြတ် စောင့်ကြည့်ခြင်း နှင့် လုပ်ငန်းတစ်ခွင်လုံး လုံခြုံရေးစံသတ်မှတ်ချက်များ ပြုလုပ်ရန် လိုအပ်ပါသည်။