深度图流SVDD：信息物理系统中的异常检测
机器学习
2023-02-28 v1
摘要
我们的工作聚焦于信息物理系统中的异常检测。已有文献存在三点局限：（1）未能捕捉系统异常中的长延迟模式；（2）忽略传感器连接的动态变化；（3）高维数据样本的维数灾难。这些限制了现有工作的检测性能与实用性。为应对上述局限，我们提出一种称为深度图流支持向量数据描述（SVDD）的异常检测新方法。具体而言，我们首先使用transformer在时序嵌入中保留监测数据的短程与长程时间模式。随后按传感器类型对这些嵌入聚类，并借以估计各传感器间连接性的变化，从而构建新的加权图。时序嵌入作为节点属性映射到新图以形成加权属性图。我们将该图输入变分图自编码器模型以学习最终的时空表示。最后，我们学习一个包纳正常嵌入的超球面，并通过计算超球面与数据样本间的距离预测系统状态。大量实验验证了本模型的优越性：其F1-score提升35.87%、AUC提升19.32%，且在训练与推理上比最佳基线快32倍。
引用
@article{arxiv.2302.12918,
title = {Deep Graph Stream SVDD: Anomaly Detection in Cyber-Physical Systems},
author = {Ehtesamul Azim and Dongjie Wang and Yanjie Fu},
journal= {arXiv preprint arXiv:2302.12918},
year = {2023}
}
备注
Accepted to The Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD 2023)