Nov, 2023

基于诊断的工控系统异常检测

PDF
TL;DR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。
cyber-physical systemsanomaly detectiondiagnosisdeep learningconsistency-based diagnosis
发现论文，激发创造
  • 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

  • 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

  • 基于时序因果发现的可解释在线无监督异常检测方法研究

    利用因果发现学习系统的正常因果图，通过实时传感器数据的因果连接持久性评估来及时检测异常。在两个基准异常检测数据集上，我们的方法具有更高的训练效率，超越了最先进神经网络架构的准确性，并准确地识别了 10 种以上不同的异常。

    Apr, 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

  • 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

  • 基于神经系统识别和贝叶斯滤波的物理系统时间序列异常检测

    本文提出一种使用神经系统识别 (NSI) 和贝叶斯滤波 (BF) 的时间序列异常检测方法，该方法可比已有方法在错误检测上具有更好的性能。

    Jun, 2021

  • 基于课程学习的数字孪生在网络物理系统中的异常检测

    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。

    Sep, 2023

  • 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