学习未知相互依赖关系以实现非线性动态系统中的分布式根因分析

在供应链和电力网络等网络化工业系统中，由于地理上分布的客户端之间存在未知且动态演变的相互依赖关系，根因分析（RCA）极为困难。这些客户端代表异质的物理过程和工业资产，配备有生成大量非线性、高维且异质物联网数据的传感器。经典RCA方法需要系统依赖图的局部或全部知识，而这在复杂网络中很少可用。虽然联邦学习（FL）为分布式设置提供了自然框架，但大多数现有FL方法假设同质特征空间和可重训练的客户端模型。这些假设与我们的问题设置不兼容。不同客户端具有不同的数据特征，并且通常运行固定的、专有的、无法修改的模型。本文提出了一种用于特征分区、非线性时间序列数据的联邦式跨客户端相互依赖关系学习方法，无需访问原始传感器流或修改专有客户端模型。每个专有本地客户端模型都附加一个机器学习（ML）模型，用于编码跨客户端相互依赖关系。这些ML模型通过一个全局服务器进行协调，该服务器在通过校准的差分隐私噪声保护隐私的同时，强制表示一致性。RCA使用模型残差和异常标志执行。我们建立了理论收敛保证，并在大量仿真和真实世界工业网络安全数据集上验证了我们的方法。