Jul, 2022

深度学习异常模型的需求获取和规范化：以无人机飞行控制器应用为例

PDF
TL;DR该研究提出了 RESAM，它是一种集成领域专家知识、讨论论坛和正式产品文档的需求过程，用于发现和指定构建有效深度学习异常检测器的时间序列属性的需求和设计定义。以小型无人机飞行控制系统为案例进行了研究，并演示了 RESAM 的使用在构建有效异常检测模型的同时，提供了可解释性的支持。
cyberphysical systemsmultivariate time-series datadeep learning modelslstm networksanomaly detection
发现论文，激发创造
  • 自监督学习的自适应记忆网络用于无监督异常检测

    本研究提出了一种名为 AMSL 的新方法，通过自身监督学习模块和适应性记忆融合模块，增强了无监督异常检测的泛化能力，并且在四个公共基准测试集上取得了显著的性能改进。

    Jan, 2022

  • 数据流的自动模型监控

    本文提出了一种自动模型监测系统 SAMM，它使用了时间和空间有效的无监督流算法来检测概念漂移，并自动生成解释，针对骗局检测模型，对 SAMM 系统进行了五个真实数据集的测试并获得了领域专家的验证。

    Aug, 2019

  • 使用 LSTM 和非参数动态阈值检测航天器异常

    使用 LSTM 网络对遥测数据进行异常检测，结合一种无监督检测方法并提供假阳性减缓策略，以降低操作风险和减轻工程师的监测负担。

    Feb, 2018

  • IT 运维序列预测与异常检测联合模型

    本研究提出了预测器和异常检测器联合模型，使用变分自动编码器和长短期记忆网络来解决 IT 系统监控中的状态预测和异常检测问题，并通过实验证明了其优越性。

    Oct, 2019

  • 使用生成对抗网络进行多元时间序列异常检测

    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

  • 基于长短期记忆循环神经网络的集体异常检测

    本文提出了一种实时的基于神经网络学习和特征操作的集体异常检测模型，该模型训练了一个 LSTM 循环神经网络来侦测网络数据的集体异常，实验结果表明该模型能够提供可靠和高效的集体异常检测方案。

    Mar, 2017

  • 基于重构的 LSTM 自编码器用于多变量时间序列数据的异常 DDoS 攻击检测

    本研究提出了一种基于 LSTM-Autoencoder 模型的异常检测方法，可以识别 DDoS 攻击的深层模式并获得高精度的检测结果，尤其是在 LDAP 攻击方面表现出了 99% 以上的准确度。

    Apr, 2023

  • 一种基于异常检测 LSTM 框架的不对称损失方法用于电力消耗预测

    通过应用多种 LSTM 模型和基于密度的空间应用噪声聚类（DBSCAN）异常值检测方法，剔除异常值，考虑到气象和社会因素，对三个考虑了每小时用电量，天气和日历特征数据集进行季节性划分，在所有季节性数据集中有效地减少了低估和高估误差，降低用电消耗的低估预测对于防止对社区造成损害的电力中断至关重要。

    Feb, 2023

  • 通过无监督机器学习提高汽车 AMS 电路的功能安全性

    基于无监督机器学习的 AMS 电路早期异常检测新框架通过在多个电路位置和组件注入异常、提取观测电路信号特征、应用聚类算法实现异常检测，并利用时间序列框架提高检测性能，从而为确保汽车 SoCs 的功能安全铺平道路。实验结果表明，该方法实现了 100% 的异常检测准确率，并将相关延迟优化了 5 倍，凸显了该解决方案的有效性。

    Apr, 2024

  • 基于 SAM 引导的轻量级双流模型用于异常检测

    我们提出了一种以 Segment Anything（SAM）为导向的双流轻量级模型，用于无监督异常检测（STLM），在工业异常检测中取得了与最先进方法相媲美的性能，并在更困难的数据集上进一步验证了它的有效性和通用性。

    Feb, 2024