时空注意力图神经网络：通过注意力机制解释因果关系
机器学习
2026-03-12 v1 计算工程、金融与科学
摘要
工业控制系统（ICS）支撑着关键基础设施，因运营技术与网络环境的融合面临日益增长的网络-物理威胁。尽管机器学习在 ICS 中的异常检测方法表现出强大的理论性能，但部署常受限于解释性差、误报率高以及对动态系统行为的敏感性，即基线漂移。我们提出时空注意力图神经网络（STA-GNN）用于 ICS 的无监督且可解释的异常检测，建模系统的时序动态与关系结构。传感器、控制器和网络实体作为动态学习图的节点，使模型能够捕捉物理过程和通信模式之间的相互依赖。注意力机制提供影响性关系，支持检查检测事件背后的相关性及潜在因果路径。该方法支持多种数据模态，包括 SCADA 点测量值、网络流量特征和负载特征，从而实现统一的网络-物理分析。为满足运营要求，我们引入保守预测策略以控制误报率并监控环境漂移下的性能退化。我们的发现凸显了模型评估与 ICS 异常检测中常见陷阱的可能性与局限性，强调可解释、漂移感知的评估对可靠部署学习型安全监控系统的重要性。
引用
@article{arxiv.2603.10676,
title = {Spatio-Temporal Attention Graph Neural Network: Explaining Causalities With Attention},
author = {Kosti Koistinen and Kirsi Hellsten and Joni Herttuainen and Kimmo K. Kaski},
journal= {arXiv preprint arXiv:2603.10676},
year = {2026}
}
备注
33 pages, 7 figures