基于跨域表示学习的工业控制系统异常检测
密码学与安全
2025-09-16 v1
摘要
工业控制系统（ICS）广泛应用于工业领域，其安全性和稳定性非常重要。一旦 ICS 遭受攻击，可能造成严重损害。因此，检测 ICS 中的异常至关重要。ICS 可以利用通信网络远程监控和管理物理设备。现有的异常检测方法主要聚焦于分析网络流量或传感器数据的安全性。然而，ICS 中不同域（如网络流量和传感器物理状态）的行为是相关的，因此仅通过分析单一域难以全面识别异常。在本文中，我们提出了一种基于 ICS 中跨域表示学习的异常检测方法，该方法可以学习多域行为的联合特征并在不同域中检测异常。在构建了能够表示 ICS 中多域行为的跨域图之后，我们的方法通过利用图神经网络来学习它们的联合特征。由于异常在不同域中表现不同，我们采用多任务学习方法来分别识别不同域中的异常并进行联合训练。实验结果表明，我们的方法在识别 ICS 异常方面的性能优于现有方法。
引用
@article{arxiv.2509.11786,
title = {Anomaly Detection in Industrial Control Systems Based on Cross-Domain Representation Learning},
author = {Dongyang Zhan and Wenqi Zhang and Lin Ye and Xiangzhan Yu and Hongli Zhang and Zheng He},
journal= {arXiv preprint arXiv:2509.11786},
year = {2025}
}