自动化深空网络数据系统；基于智能体 AI 的自适应异常检测案例研究
机器学习
2025-09-01 v1 人工智能
摘要
深空网络 (DSN) 是 NASA 最大的天线设施网络，产生大量多变量时间序列数据。这些设施中的 DSN 天线和发射设备会在长期运行后发生退化，可能导致数据流出现高额 disruption，并威胁依赖深空网络进行生存 lifeline 的数十颗航天器。本研究旨在实验不同方法，帮助 JPL 工程师通过收集的数据直接定位异常和设备退化，并继续进行 DSN 的维护和运营，以服务未来围绕宇宙的空间任务。因此，我们研究了各种机器学习技术，这些技术可以通过预测分析完全重构数据，并通过统计计算和阈值确定实时数据集中的异常数据条目。在所有fully训练和测试的机器学习模型之上，我们还集成了强化学习子系统，用于根据严重程度级别对识别的异常进行分类，并使用大型语言模型为每条异常数据条目标记解释，所有这些都可以通过人类反馈/输入进行改进和微调。 Specifically，对于 DSN 发射机，我们还实现了一个完整的数据管道系统，将数据提取、解析和处理工作流程全部连接在一起，因为此前没有任何连贯的程序或脚本用于执行这些任务。使用这个数据管道系统，我们能够将来自 DSN 天线数据的训练模型连接起来，完成 DSN 异常检测的数据工作流程。这一切被包裹在进一步由智能体 AI 系统中，利用复杂推理来确定异常数据的分类和预测。
引用
@article{arxiv.2508.21111,
title = {Automating the Deep Space Network Data Systems; A Case Study in Adaptive Anomaly Detection through Agentic AI},
author = {Evan J. Chou and Lisa S. Locke and Harvey M. Soldan},
journal= {arXiv preprint arXiv:2508.21111},
year = {2025}
}