分布式CPS异常检测的无监督时空图建模方法
机器学习
2016-05-23 v2
摘要
现代分布式信息物理系统（CPSs）遇到多种多样的物理故障和网络异常，并且在许多情况下，由于子系统间的强连接性，它们易受灾难性故障传播场景的影响。本文提出一种新的数据驱动框架，用于系统级异常检测以解决此类问题。该框架基于建立在符号动力学概念上的时空特征提取方案，用于发现和表示 CPS 子系统间的因果交互。提取的时空特征随后通过受限玻尔兹曼机（RBM）用于学习系统级模式。结果表明：(1) 非标称条件下的 RBM 自由能与标称条件下不同，并可用于异常检测；(2) 该框架可用一个图模型捕获多种标称模式；(3) 基于模拟数据和集成建筑系统的案例研究验证了所提方法。
引用
@article{arxiv.1512.07876,
title = {An unsupervised spatiotemporal graphical modeling approach to anomaly detection in distributed CPS},
author = {Chao Liu and Sambuddha Ghosal and Zhanhong Jiang and Soumik Sarkar},
journal= {arXiv preprint arXiv:1512.07876},
year = {2016}
}
备注
ICCPS 2016