May, 2024

基于注意力的深度生成模型用于工业控制系统中的异常检测

PDF
TL;DR该论文提出了一种新颖的深度生成模型，采用变分自动编码器架构，利用卷积编码器和解码器从空间和时间维度提取特征，结合注意力机制增强相关特征的表示，改进异常检测准确性，并在安全水处理测试平台的六个阶段进行了全面的实验分析，实验结果表明该方法相比多个先进的基准技术具有更好的性能。
anomaly detectiondeep generative modelvariational autoencoderattention mechanismcyber-physical systems
发现论文，激发创造
  • 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

  • 用于异常检测的注意力生成对抗网络：网络安全威胁管理的前沿方法

    本研究提出了一种创新的关注力生成对抗网络框架，用于加强网络安全，并重点关注异常检测。该方法通过生成多样且逼真的合成攻击场景，丰富数据集并改善威胁识别，以应对不断演变的网络威胁。通过将关注机制与生成对抗网络相结合，该方法增强了模型对相关特征的关注能力，以便检测微妙和复杂的攻击模式。生成对抗网络通过生成更多各种已知和新兴威胁的攻击数据，解决了数据稀缺性的问题。该研究为网络安全提供了一种可扩展和适应性强的异常检测解决方案，同时探索了数据增强的潜力，为未来的研究提供了有希望的方向。

    Feb, 2024

  • 使用 GAN 进行视频异常检测

    通过使用生成对抗网络（GAN）等技术，本研究在监控场景中解决了自动异常事件检测的问题，从而避免了人力资源需要对监控系统记录中的异常活动进行监视。在四个基准数据集上进行的实证研究结果表明，与现有技术相比，我们的模型在所有数据集上表现良好。

    Nov, 2023

  • 发电厂中的异常检测与生成对抗网络

    使用生成对抗网络（GANs）进行电力发电厂异常检测的研究表明，GANs 在有效的异常检测方面表现出色，特别适用于使用大型数据集。

    Sep, 2023

  • 高效基于 GAN 的异常检测

    使用生成对抗网络（GANs）进行异常检测，取得了图像和网络入侵数据集方面的最新性能，并且测试时间比唯一已发布的基于 GAN 的方法快了数百倍。

    Feb, 2018

  • 文本中的深度异常检测

    利用自监督学习针对文本语料库制定预文本任务的方法，根据最新研究成果，大幅提高了半监督和无监督异常检测的效果，并证明了自监督异常检测在自然语言处理领域中的潜力。

    Dec, 2023

  • ABCD：基于信任增强的注意力卷积自编码器用于风险评估

    这篇研究提出了一种基于注意力机制的卷积自编码器（ABCD）方法，用于检测工业系统中的异常，并将风险值映射到维护计划中。模型通过学习真实工业冷却系统历史数据中电导率的正常行为，并重构输入数据，识别偏离预期模式的异常，提高了性能并减少误报，为冷却系统设计师和服务人员提供宝贵的洞见，并通过校准技术增强了模型的可信度，为维护策略决策提供了明智的选择。

    Apr, 2024

  • MTS-DVGAN：基于双变分生成对抗网络的网络物理系统异常检测

    提出了一种名为 MST-DVGAN 的新型无监督双变分生成对抗模型，用于对多变量时间序列数据进行 CPS 安全的异常检测，可以提高模型的鉴别能力并生成多样的样本，实验证明该模型比现有方法更稳定且性能一致提升。

    Nov, 2023

  • GAN 在异常检测中的应用综述

    本研究调查了基于 GAN 的异常检测方法，评价了其优缺点，并在不同数据集上实验证明了主要的 GAN 模型的性能。同时，提供了一个完整的开源工具箱来使用 GAN 进行异常检测。

    Jun, 2019

  • MAD-GAN：基于生成对抗网络的多元时序数据异常检测

    本文提出了一种基于生成对抗网络（GANs）的无监督多变量异常检测方法（MAD-GAN），并在 SWaT 和 WADI 数据集上进行了实验，结果表明该方法能够有效地检测这些系统中各种形式的入侵。

    Jan, 2019