基于不确定性引导的 CPS 安全监控标签再平衡

安全监控是 Cyber-Physical 系统 (CPS) 中的关键环节。然而， unsafe 事件在实际 CPS 运行中相对稀少，导致极端类别不平衡，损害安全预测器的性能。标准的再平衡技术在处理时序 CPS 遥测数据时表现不佳，要么生成不真实的合成样本，要么在少数类上过拟合。与此同时，CPS 操作中的行为不确定性——即 CPS 决策的疑虑或不确定性程度——常与安全结果相关，但在安全监控领域尚未被探索。为此，我们提出了 U-Balance，一种基于行为不确定性的监督式方法，用于在训练安全预测器之前重新平衡不平衡数据集。U-Balance 首先训练一个基于 GatedMLP 的不确定性预测器，将每个遥测窗口概括为分布式运动特征，并输出不确定性得分。随后，它应用不确定性引导的标签再平衡 (uLNR) 机制，以概率方式将具有异常高不确定性的 $\textit{safe}$-标记窗口重新标签为 $\textit{unsafe}$，从而在不生成新数据的情况下，通过丰富信息性边界样本来增强少数类。最后，在重新平衡后的数据集上训练安全预测器，用于安全监控。我们在一个 safe-to-unsafe 比例为 46:1 的大规模 UAV 框架上评估了 U-Balance。结果确认了行为不确定性与安全性之间存在中等但显著的相关性。我们进一步比较了直接早期融合和晚期融合，确定 uLNR 是最有效的策略。U-Balance 获得了 0.806 的 F1 分数，超过最强基线 14.3 个百分点，同时保持了具竞争力的推理效率。消融研究确认，GatedMLP 基于不确定性预测器和 uLNR 机制均对 U-Balance 的有效性贡献显著。