Feb, 2023

深度强化学习用于网络物理系统中的在线错误检测

PDF
TL;DR提出一种基于深度强化学习的错误检测方法，不仅可以高精度检测错误，而且检测时间非常短，并可以对不同类型的错误进行分类，评估结果表明该方法在准确性和推理时间方面的性能得到了显著提高。
cyber-physical systemsreliabilityerror detectiondeep reinforcement learningfault tolerance
发现论文，激发创造
  • 使用深度强化学习技术伪造网络物理系统

    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

  • 学习增强的网络物理系统中的实时异常检测

    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

  • 数据驱动和知识驱动的物理网络系统异常检测的鲁棒性测试

    本文旨在评估基于机器学习方法的异常检测算法对于两种意外和恶意干扰的鲁棒性，在结合领域知识的前提下实验结果表明，基于领域知识训练的机器学习算法能够有效地降低鲁棒性误差并提高透明度。

    Apr, 2022

  • 基于深度学习的物联网系统异常检测：进展与机遇

    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

  • 深度学习模型在网络物理系统中的鲁棒性和泛化性能比较研究

    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

  • 通过动作空间对抗训练强化学习智能体的鲁棒性提升

    研究了机器学习在具备恶意状态 / 执行机构攻击下的表现，介绍了深度强化学习在决策和控制任务中存在漏洞的问题，提出了通过对抗训练来提高深度强化学习代理的抗干扰性以实现系统的稳定性和鲁棒性。

    Jul, 2020

  • 使用大型语言模型进行测试学习能力的网络物理系统：一种形式化方法

    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

  • 通过敌对回归检测网络物理系统中的攻击

    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

  • 面向网络化物理系统的弹性机器学习：机器学习安全性调研，以保护 CPS 的机器学习

    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

  • 机器学习方法用于离散事件系统的在线故障诊断

    本文提出了一种基于机器学习的在线诊断系统，用于预测自动生产系统的状态和故障类型，并可将其分类为多类别。

    Oct, 2022