信息物理系统中基于数字孪生与课程学习的异常检测
机器学习
2023-09-29 v1 密码学与安全
软件工程
摘要
异常检测对于确保信息物理系统（CPS）的安全至关重要。然而，由于攻击与 CPS 本身日益复杂，CPS 中的异常检测正变得愈发具有挑战性。在我们之前的工作中，我们提出了一种基于数字孪生的异常检测方法，称为 ATTAIN，其利用了 CPS 的历史与实时数据。然而，此类数据在难度上差异显著。因此，类似于人类学习过程，深度学习模型（例如 ATTAIN）可从由易到难的课程中获益。为此，本文中我们提出一种新方法，命名为 digitaL twin-based Anomaly deTecTion wIth Curriculum lEarning（LATTICE，基于数字孪生与课程学习的异常检测），其通过引入课程学习扩展 ATTAIN 以优化其学习范式。LATTICE 在将每个样本送入训练调度器之前为其赋予难度分数。训练调度器基于这些难度分数对训练数据批次进行采样，从而能够实现从易到难数据的学习。为评估 LATTICE，我们使用了采集自五个真实世界 CPS 测试平台的五个公开可用数据集。我们将 LATTICE 与 ATTAIN 及另外两种最先进的异常检测器进行比较。评估结果表明，LATTICE 在 F1 分数上优于三个基线及 ATTAIN 达 0.906%–2.367%。LATTICE 还平均在五个数据集上将 ATTAIN 的训练时间减少 4.2%，并且在检测延迟时间上与基线相当。
引用
@article{arxiv.2309.15995,
title = {Digital Twin-based Anomaly Detection with Curriculum Learning in Cyber-physical Systems},
author = {Qinghua Xu and Shaukat Ali and Tao Yue},
journal= {arXiv preprint arXiv:2309.15995},
year = {2023}
}