Sep, 2023

利用统计法和物理引导的过程模型检测网络物理系统中的未知未知因素

PDF
TL;DR提出了一种新颖的框架，用于分析安全关键的网络物理系统的操作输出特征的随机一致性，并可以发现未知的操作场景和评估潜在的安全隐患。
发现论文，激发创造
  • 高斯过程回归对未知动力系统的安全验证

    提出了一种使用高斯过程的验证框架来对不确定动态系统进行抽象，并利用已有方法对不确定马尔可夫过程进行安全验证，该方法在多个例子中得到了验证。

    Apr, 2020

  • 通过高斯过程回归形式化验证未知动态系统

    本文提出了一个基于高斯过程回归的验证框架，将连续空间系统抽象为有限状态不确定马尔可夫决策过程，利用模型检测工具验证抽象的不确定性，并将结果扩展到基础的部分可观测系统，有效地应用于线性、非线性和切换系统等多种情况下。

    Dec, 2021

  • 一个无监督的时空图模型方法用于分布式 CPS 中的异常检测

    本文提出了一种新的基于数据驱动的系统范围异常检测框架，其基于符号动力学的概念构建了一种时空特征提取方案，用于发现和表示 CPS 子系统之间因果相互作用，结果表明，该框架可以用于捕获多种正常模式并检测若干的从低级子系统到高级子系统的故障传播路径。

    Dec, 2015

  • 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

  • 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

  • 基于数据驱动的带有符合推理的随机动态系统可达性分析

    使用符合推断进行基于数据驱动的离散时间随机动态系统的可达性分析，将数据集转化为代理预测模型，通过符合推断量化预测模型的误差，从而提供概率可达性保证。该方法适用于复杂闭环动态难以使用符号模型建模的学习增强控制系统。

    Sep, 2023

  • 基于多目标物理引导循环神经网络的非自治动态系统识别

    本研究提出了一种基于物理引导的混合建模方法，通过在传统物理模型的基础上引入循环神经网络并使用复杂的多目标策略进行训练，以生成物理可行的非自治系统模型，进而与物理模型进行比较，在实验数据上取得了显著的准确性提升.

    Apr, 2022

  • 基于随机已知日志的符合性检查

    本文提出了一种基于随机过程观察的过程挖掘和确认方法，使用概率数据分类模型和算法来比较一个过程模型和事件日志，以发现最优匹配。

    Mar, 2022

  • 从变异体中学习：利用代码变异来学习和监控一个网络物理系统的不变量

    本文提出一种基于监督式机器学习的方法，结合系统故障注入技术，自动构建物理系统的模型，并经过完整性验证模拟各种攻击，从运行时生成的数据日志中可侦测出 85% 以上的网络和代码修改攻击。

    Jan, 2018

  • 在知识图谱中表示定时自动机和物理系统的时间异常

    基于模型的异常检测通过将学习到的时序自动机与系统相关的形式知识图谱相结合，提供了对模型和检测到的异常的更简单的解释和理解，并提出了必要概念的本体论，该方法在一个五罐混合 CPPS 上进行验证，并能正式定义自动机模型和自动机执行的时间异常。

    Aug, 2023