用于工业控制系统和水处理系统的可扩展实时异常检测的巨步-小步分类器
密码学与安全
2026-04-09 v4 机器学习
摘要
对工业控制系统 (ICS) 中各类 cyber-physical 组件之间交互的持续监控是确保系统控制自动化、保证工厂过程安全可靠且保持在可接受的安全状态下的必需要求。通过管理执行动作（使用电信号触发物理运动），并依赖相应的传感器读数作为决策依据，以实现安全目标。及时检测 ICSs 中的异常（攻击、故障和未知状态）对于确保工厂安全运行、人员安全以及安全提供服务至关重要。我们提出一种异常检测方法，通过对传感器-执行器关系中产生的非线性形式进行精确线性化，主要原因在于求解线性模型更容易且已被广泛理解。我们选取一个著名的水处理测试环境作为案例。我们的实验表明，能够在毫秒级时间响应内检测异常，所有异常都可被解释和追踪；这种检测速度与可解释性的同步结合是其他基于人工智能 (AI)/机器学习 (ML) 模型与可解释 AI (XAI) 用于相同目的的其他方法所未曾实现的。我们的方法可解释性使我们能够定位检测到异常的传感器以及执行器状态。该算法达到了 97.72% 的准确率，通过将超出安全运行限制的偏差标记为非异常；这表明，对于安全边界提供安全限制余地的系统，速度较慢的检测器与最高检测分辨率并非必需。
引用
@article{arxiv.2504.20906,
title = {A Giant-Step Baby-Step Classifier For Scalable and Real-Time Anomaly Detection In Industrial Control Systems and Water Treatment Systems},
author = {Sarad Venugopalan and Sridhar Adepu},
journal= {arXiv preprint arXiv:2504.20906},
year = {2026}
}