本文提出并评估了无监督机器学习在网络安全物理系统（CPS）中进行异常检测的应用，对比采用深度神经网络和一类支持向量机两种方法的性能，结果表明深度神经网络产生了更少的误报，但一类支持向量机检测到的异常略微更多。

Sep, 2017

本文介绍了一种针对河流传感器数据的异常检测解决方案，使用图神经网络模型 GDN + 来捕捉传感器之间的复杂时空关系，并针对河流网络数据中的高维数据进行评估，发现 GDN + 比基准方法表现更优越和提供更好的可解释性。同时，本文还介绍了 gnnad 软件。

Apr, 2023

本研究提出了一种工业控制系统（ICS）操作数据的异常检测方法，采用序列到序列的神经网络进行训练与预测，解读其时间序列特征。该方法仅需要正常数据集，即可了解 ICS 的正常状态并检测异常。使用 SWaT 数据集进行评估，并检测出了 36 次攻击中的 29 次和 53 个攻击点中的 25 个，对实验结果的误警与漏警进行了详细分析。

Nov, 2019

该论文提出了一种新颖的深度生成模型，采用变分自动编码器架构，利用卷积编码器和解码器从空间和时间维度提取特征，结合注意力机制增强相关特征的表示，改进异常检测准确性，并在安全水处理测试平台的六个阶段进行了全面的实验分析，实验结果表明该方法相比多个先进的基准技术具有更好的性能。

May, 2024

该论文介绍了一种称为统计聚合异常检测（SAAD）的新型异常检测方法。SAAD 方法将先进的统计技术与机器学习相结合，通过在汽车领域的硬件在环（HIL）环境中对真实传感器数据进行验证证明了其有效性。SAAD 的关键创新在于结合了全连接网络和辍学层，极大地提高了异常检测的准确性和健壮性。综合实验评估结果表明，单独的统计方法达到了 72.1% 的准确性，而单独的深度学习模型达到了 71.5% 的准确性。相比之下，聚合方法达到了 88.3% 的准确性和 0.921 的 F1 得分，优于单独的模型。这些结果强调了 SAAD 的有效性，并展示了其在各个领域，包括汽车系统中的广泛应用潜力。

Jun, 2024

本研究提出了一种新的基于预训练卷积神经网络的特征异常检测算法（FADS），它无需调整 CNN 权重就能表现出优秀的性能，能够准确地检测工业自动化和零部件质量保证中的异常情况，同时可以用于增材制造和过程参数变化检测。

Apr, 2022

在线自适应异常检测利用转移学习，选择视觉上相似的训练图像，并根据训练子集提取的 EfficientNet 特征在线拟合一个正常模型，通过计算测试图像特征与正常模型之间的马氏距离来进行异常检测，实验结果表明检测精度超过 0.975，优于现有的 ET-NET 方法。

Jun, 2024

本研究使用基于增量 SAM-kNN 分类器的残差型异常检测系统，针对水配管网络进行研究，以实现对各类变化的适应。

Apr, 2022

本文提出了一种混合模型用于警报系统，该模型将统计模型与白名单机制相结合，以解决大规模网络系统中可伸缩性、数据异构性、可泛化性和可维护性的挑战，从而减少假阳性警报。

Jun, 2023

利用生成对抗网络（GAN）进行复杂的网络型智能物理系统的异常检测，通过多个传感器和执行器的多元时间序列模型以及强化学习的方法识别出攻击行为，针对六级安全水处理系统实验结果表明在高检测率和低误报率方面具有较高的效率和准确性。

Sep, 2018