Sep, 2023

基于课程学习的数字孪生在网络物理系统中的异常检测

PDF
TL;DR基于数字孪生的课程学习的异常检测方法 LATTICE 通过引入课程学习来优化 ATTAIN 的学习过程，并在五个真实世界的 CPS 测试平台上的评估结果显示，LATTICE 在 F1 得分方面优于三个基准模型和 ATTAIN，并且平均减少 4.2% 的 ATTAIN 训练时间和检测延迟时间与基准模型相当。
anomaly detectioncyber-physical systemsdigital twincurriculum learningf1 score
发现论文，激发创造
  • 知识蒸馏增强的数字孪生在异常检测中的应用

    提出了一种名为 KDDT 的新方法用于列车控制和管理系统 (TCMS) 的异常检测，该方法利用语言模型 (LM) 和长短期记忆 (LSTM) 网络来提取背景和时间特征，在实证研究中，KDDT 表现出了卓越的性能。

    Sep, 2023

  • 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

  • 基于诊断的工控系统异常检测

    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

  • ECATS: 基于概念的可解释度异常检测方法用于时间序列

    通过 ECATS 的概念化神经符号架构，利用核函数方法对信号时序逻辑公式进行学习，实现了对复杂性网络的类别预测和有意义解释的提取。

    May, 2024

  • 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

  • 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

  • 基于原型网络和对比学习的工业网络物理系统少样本异常检测

    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

  • 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

  • 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