面向智能卫星物联网系统的异常检测任务

设备工作时，实时采集环境传感器数据进行异常检测，是预防工业过程事故和网络攻击、确保系统安全的关键环节之一。然而，在具有特定实时性要求的环境下，环境传感器的异常检测仍面临以下困难：（1）环境传感器数据变量间复杂的非线性相关特性缺乏有效的表达方法，数据间的分布难以捕捉。（2）使用复杂的机器学习模型难以保证实时监测要求，且设备成本过高。（3）样本数据过少导致监督学习中标记数据不足。本文提出了一种无监督深度学习异常检测系统。该系统基于生成对抗网络和自注意力机制，考虑局部子序列所包含的不同特征信息，自动学习环境传感器变量间复杂的线性和非线性依赖关系，并使用结合重构误差和判别误差的异常分数计算方法。该系统能够以高实时性监测真实传感器数据的异常点，并可运行于智能卫星物联网系统上，适用于真实工作环境。在多数情况下，其异常检测性能优于基线方法，并具有良好的可解释性，可用于监测环境传感器以预防工业事故和网络攻击。