面向网络的混合时序差一致性自编码器：高效可持续的异常检测
密码学与安全
2025-09-22 v2 人工智能
机器学习
摘要
由于快速的数字化化进程以及IoT 设备和工业控制系统（ICS）的集成，针对关键基础设施的网络攻击数量不断增加。这些网络-物理系统（CPS）引入了新的漏洞，需要 robust and automated 的入侵检测系统（IDS）来缓解潜在威胁。本研究通过利用传感器数据中的时间相关性，整合物理原理到机器学习模型中，并优化用于边缘应用的计算效率来解决异常检测中的关键挑战。我们在时序差一致性（TDC）损失的概念基础上进行构建，通过捕捉系统动态，确保动态状态之间的有意义关系。扩展这一基础，本文提出一种基于混合自编码器的方法，称为混合TDC-AE，通过结合确定性节点和常规统计节点来扩展TDC。这种混合结构使模型能够考虑非确定性过程。我们的方法在实现最先进分类性能的同时，将异常检测时间缩短3%，超过了BATADAL 挑战领袖，无需领域特定知识即可广泛适用。此外，它保持了常规自编码器的计算效率，同时减少了完全连接层的数量，形成更可持续和高效的解决方案。该方法展示了如何通过利用基于物理的一致性原理来增强异常检测并增强网络-物理系统的韧性。
引用
@article{arxiv.2504.06320,
title = {Hybrid Temporal Differential Consistency Autoencoder for Efficient and Sustainable Anomaly Detection in Cyber-Physical Systems},
author = {Michael Somma},
journal= {arXiv preprint arXiv:2504.06320},
year = {2025}
}