Ti-iLSTM：一种用于工业水处理系统逻辑层异常检测的微型深度学习方案
机器学习
2026-05-18 v1
摘要
工业水处理系统（IWTS）是安全关键的物理信息基础设施，由于连接性的增强，这些系统面临网络威胁，攻击者可以操纵过程行为而不产生明显的设备异常值。特别是，逻辑层欺骗异常可以保持数值上合理的测量值，同时破坏控制过程中预期的因果关系。这类攻击难以通过基于阈值的监控检测，或需要依赖繁重的服务器端异常检测模型。本文探讨了微型深度学习（TinyDL）的潜力，为资源受限的可编程逻辑控制器（PLC）提供轻量级的设备端逻辑层异常检测。我们提出了一种新颖的框架，即基于微型深度学习的增量式长短期记忆网络（Ti-iLSTM），它优化了长短期记忆网络（LSTM）的内存和空间占用，以检测基于可编程逻辑控制器（PLC）的工业水处理系统（IWTS）中的逻辑层不一致性。在公开的 SWaT 数据集上的实验表明，优化后的模型实现了高检测性能（F1 分数 = 0.983，ROC-AUC = 0.998）。在 WADI 数据集上进行的部署式验证证实，所提出的轻量级框架的适用性不限于单一数据集。这项研究表明，将逻辑感知监督与微型深度学习（TinyDL）序列学习相结合，可以创建一种高效且准确的异常检测方法，适用于工业环境中资源受限的可编程逻辑控制器（PLC）。
引用
@article{arxiv.2605.15874,
title = {Ti-iLSTM: A TinyDL Approach for Logic-Level Anomaly Detection in Industrial Water Treatment Systems},
author = {Mandar Joshi and Farzana Zahid and Judy Bowen and Matthew M. Y. Kuo and Valeriy Vyatkin and Emil Karlsson},
journal= {arXiv preprint arXiv:2605.15874},
year = {2026}
}
备注
NA