本研究评估了深度学习模型在多变量时间序列数据方面的稳健性和泛化性能，发现某些 DL 模型体系结构和训练技术在处理各种干扰和超出分布样本时表现更为出色，这为开发在实际 CPS 应用中能够提供可靠且鲁棒性能的 DL 模型带来了重要的启示。

Jun, 2023

本文提出了基于深度学习的异常检测（Deep Learning-based Anomaly Detection，DLAD）方法，对当前 CPS 领域内的 DLAD 现有方法进行了分类和总结，探讨了其设计特点、局限性和未来研究方向。

Mar, 2020

本论文研究了如何在物理控制系统中高效检测数据分布的异常点，提出了利用归纳式一致性预测和异常检测方法进行检测的方案，并通过仿真实验在自动驾驶和紧急制动系统中得到了良好的实验结果。

Jan, 2020

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

通过检查以测试为基础的验证和验证作为最实用的方法，并总结当前先进的方法学，在确保学习能力的 CPS 的形式安全方面，确定了当前测试方法的局限性，并提出了从基础概率测试过渡到更严格方法的路线图，以提供正式保证。

Nov, 2023

本文介绍了采用 DRL 技术来缩短模拟验证在 CPS 中缺陷检测和 falsification 过程中所需的时间的方法，并给出了初步的评估结果。

May, 2018

在基于深度学习的异常检测的基础上，提出了一种用于一体化诊断的方法，通过生成输入数据来解决在网络物理系统研究中的异常检测和诊断问题。针对模拟和真实的网络物理系统数据集进行评估，结果表明该模型相对于其他最新技术模型表现出较强的性能。

Nov, 2023

本文提出了基于原型网络和对比学习的少样本异常检测模型 (FSL-PN)，以应对工业网络攻击对工业网络安全的威胁。实验结果表明，FSL-PN 模型在少样本检测场景下能够显著提高异常信号的 F1 值和降低误报率 (FAR)。

Feb, 2023

本文综述了在建立机器学习 (Machine Learning) 算法时如何考虑建立安全的弹性型的 Cyber Physical Systems (CPS) 框架，为探测和应对 CPS 的威胁提供新方向。

Feb, 2021

本文研究了在因传感器攻击导致的物理损害巨大的情况下，监测传感器攻击的重要性，利用有监督回归来检测异常传感器读数，并通过史塔克伯格博弈来选择最优的检测阈值，提高系统韧性而不增加误报率。

Apr, 2018