基于神经系统辨识与贝叶斯滤波的信息物理系统时间序列异常检测
机器学习
2022-01-10 v2 密码学与安全
机器学习
摘要
AIoT 技术的最新进展使得利用机器学习算法检测信息物理系统（CPS）运行故障日益流行。其基本形式为：异常检测模块监控来自物理设备的传感器测量值与执行器状态，并检测这些测量中的异常以识别异常运行状态。然而，为 CPS 构建有效的异常检测模型颇具挑战，因为模型必须在高度复杂的系统动态和未知量的传感器噪声下准确检测异常。本工作中，我们提出一种称为神经科学系统辨识与贝叶斯滤波（NSIBF）的新型时间序列异常检测方法，其中专门设计的神经网络架构用于系统辨识，即在动态状态空间模型中捕捉 CPS 的动态；随后在该“辨识出”的状态空间模型上自然应用贝叶斯滤波算法，通过随时间递归跟踪系统隐状态的不确定性来实现鲁棒异常检测。我们在合成及三个真实世界 CPS 数据集上对所提方法进行了定性与定量实验，表明 NSIBF 优于最先进的方法，在 CPS 异常检测上取得显著提升。
引用
@article{arxiv.2106.07992,
title = {Time Series Anomaly Detection for Cyber-Physical Systems via Neural System Identification and Bayesian Filtering},
author = {Cheng Feng and Pengwei Tian},
journal= {arXiv preprint arXiv:2106.07992},
year = {2022}
}
备注
Appeared in KDD 2021