Cyber-fiziksel sistemler (CPS) dijital kontrol sistemleri ile fiziksel süreçleri entegre eder, üretim, ulaşım ve enerji gibi çeşitli endüstrilerde otomasyon sağlar. Bu sistemlerin güvenliğini ve güvenilirliğini sağlamak, özellikle de CPS'de birbiriyle ve karmaşık hale gelen temel zorluklardan biri, uygulama göz önünde bulundurulabilir ve yol önünde bulundurulabilir.

CPS'de Anomaly Tespit Anomaly Tespiti Anlamak

Anomaly algılama, beklenen davranışlara uymayan verilerdeki kalıpları tanımlamayı içerir. CPS'de, anomaliler belirli bir zaman diliminde olağandışı bir sensör okumaları, beklenmedik sistem yanıtları veya düzensiz ağ trafiği olarak ortaya çıkabilir. Erken algılama hataları önlemeye yardımcı olur, kesintileri azaltır ve CPS'deki bir kesintiye uğrayabilir (sudden çıkarlar), bağlamsal anomaliler (özellikle zamansal algılamada anormal olarak algılanabilir), ve kolektif anomaliler (normal kalıplardan dolayı eşitsizlikler).

Anomaly Tespit için Derin Öğrenme Teknikleri

Derin öğrenme, büyük veri kümelerinden karmaşık desenleri öğrenmek için modellerin tespitini devrime getirdi. Aşağıda, CPS'de uygulanan önemli teknikler, her biri ayrı güçlü ve kullanım vakaları ile.

Autoencoders

Autoencoders, giriş verilerini yeniden inşa etmek için eğitilmiş sinir ağlarıdır. Anomaliler yeniden yapılandırma hatasının bir eşiği aştığında tanımlanırlar.CPS'de, çok değişkenli sensör akışları konusunda yaygın olarak kullanılırlar; Normal davranışları ve bayrak duyarlılığı gibi farklı şekillerde öğrenirler.

Mevcut Neural Ağlar (RNNs) ve Uzun Kısa Süreli Bellek (LSTM)

RNN'ler, açık veri için tasarlanmıştır ve zamansal bağımlılıklar modelleyebilir. CPS'de, sensör okumaları zaman serisi, RNN'ler gelecekteki değerleri tahmin eder ve tahmin hataları artış olarak anomalileri tespit eder. LSTM ve GRU varyantları ortadan kaldırırken, LSTM'yi uzun vadeli bağımlılıklarla birleştirir. Örneğin, normal üretim döngüleri üzerinde eğitilmiş bir LSTM modeli, gerçek okumalardan gelen hataları tespit edebilir. Dikkat mekanizmaları, performansları ilgili zaman adımlarına odaklanarak daha iyileştirir.

Convolutional Neural Networks (CNNs)

CNNs, uzaysal veya zamansal verilerde yerel desenleri öğrenmekte fayda sağlamaktadır. CPS, 1D CNNs sürecinde zaman serisi sensör verileri, imarlıklar veya osilasyonlar gibi özellikleri çıkarmak için zaman serisi sensörü verileri hesaplanabilir, 2D CNNs hem yerel hem de görüntülerini (örneğin, termal kameralardan) yakalamak için uygulanabilir.

Variational Autoencoders (VAEs)

VAEs, bir olasılıksal geç uzayı öğrenerek standart otomatik kodlayıcıları genişletir.Tek bir yeniden yapılandırma hatası yerine, VAEs hesap yeniden yapılandırma log benzeri ve KL farklılıkları, belirsizliği ölçmek için bir ilke sağlar.Bu, onları nadir veya roman anomalilerini tespit etmek için etkili kılar. CPS, VAEs endüstriyel makinelerde ince bir bozulmayı tespit etmek ve alışılmadık kontrol komutlarını tanımlamak için uygulandı.

Generative Adversarial Networks (GANs)

GANs bir jeneratör ve bir ayrımcı eğitim veren bir reklamdan oluşur. anomali algılama için, GANs normal verilerin dağılımını öğrenir; anormallikler jeneratörün doğru bir şekilde yeniden inşa edemeyeceği veya ayrımcı sınıflandırılmasının sahte olabileceğini belirtir. AnoGAN ve Verimli GAN (EGBAD) popüler modları CPS'de hata tespiti ve saldırı tespiti için başarıyla kullanılır.

Graph Neural Networks (GNNs)

Birçok CPS (örneğin, güç şebekeleri, su dağıtım ağları) altta temsiller ve mahalle modellerinde bayrak sapmaları öğrenerek bilgi paylaşımı arasındaki bağımlılıkları tespit edebilir.Bu yaklaşım, doğru sistem grafikleri inşa etmek ve büyük ölçekli ağları yönetmek için zor.

Uygulamayı Değerlendirme

CPS'de anomali tespit için derin öğrenme, veri kalitesinin, model eğitiminin ve gerçek zamanlı işlemenin dikkatli bir şekilde dikkate alınması gerekir. Anahtar faktörler şunlardır:

Data Collection and Preprocessing

Yüksek kaliteli, sensörlerden temsilci verileri, eylemciler ve ağ logları önemlidir. Normalleşme, eksik değerleri ele almak ve gürültüyü artırmak model sağlamlığı geliştirmek. Data augmentation (e.g., sentetik anomaliler ekleyerek) sınıf dengesizliğine yardımcı olabilir. Zaman serisi hizalama ve kaya segmentasyonu sequential modeller için kritiktir.

Özel Mühendislik

Derin öğrenme özellikleri otomatik olarak öğrenebilse de, alan özel mühendisliği hala performans artırabilir. İstatistik anları, frekans alanı transformleri (FFT, dalgalet) ve yuvarlanma istatistikleri, grafik tabanlı modeller için, eşgüdüm matrisleri ve düğüm özellikleri dikkatlice tanımlanmalıdır.

Model Eğitimi ve Geçerlilik

Eğitim genellikle etiketli anomalilerin beslenmesi nedeniyle denetimsiz veya yarı denetimli programları kullanır. Common yaklaşımlar bir sınıf sınıflandırma, yeniden yapılandırma hatası minimizasyon ve tahmin hatası minimizasyon gerektirir. Validation sentetik veya etiketli anomaly setler gerektirir; F1-print, ve alan ROC eğrisi standarttır. Cross-validation, veri sızıntılarından kaçınmak için zaman zaman zaman zaman zaman zaman zaman zaman zaman zaman zaman zaman zaman zaman zaman zaman zaman zaman zaman zaman zamanlaması gerekir.

Gerçek zamanlı Deployment

CPS uygulamaları düşük gecikme gerektirir. Model sıkıştırma teknikleri, pruning, ölçümleme ve bilgi kesintisi, kenar dağıtımına uyum sağlamalarına olanak sağlar. Donanım hızlandırma (GPUs, BTCs, FPGAs) ve verimli model mimarileri (örneğin, MobileNet, Tiny) gerçek zamanlı inference mimarisine olanak sağlar.

Değerlendirme Metrikleri ve Thresholds

Yeniden yapılandırma veya tahmin eşlerini doğrudan yanlış pozitif oranları etkiler. Adaptif eşler (örneğin, ortalama hataları, dinamik yüzdeil) sabit olmayan ortamlarda sağlamlığı artırabilir. Ek olarak, örneğin yanlış alarmlar (MTBFA) arasındaki zaman algılayabilmeli ve operasyonel değerlendirme için yararlı olacaktır.

Meydanlar ve Gelecek Yollar

Derin öğrenme sözlerine rağmen, zorluklar kalır. Imbalanced datasets (anomalies are rare) normal davranışlara karşı önyargılı hale gelme modellerine neden olabilir. Yorumlama büyük bir engeldir: mühendisler özellikle kritik altyapıda modellemeye ihtiyaç duyar.SavP, LIME ve dikkat görüntüleri kabul edilir, ancak CPS'ye daha fazla adaptasyon gerektirir.

Future yönler şunları içerir:

  • [FONT:0]Zizmetli öğrenme[[[Dönetici:0) Katı verileri paylaşmadan birçok CPS yüklemesinde gizlilikten tasarruf modelleri eğitmek için[Döneticileri).
  • [FONT:0) Açıklanabilir AI (XAI)), bir veri noktasının neden bayraklı olduğunu dikkate alan operatörler sağlamak için.
  • [FONT:0)Continual learning[[[Dönsel öğrenme[[Döntgen:0) Gerçekleştirme olmadan modeller yeni normal kalıpları adapte etmek için izin vermek.
  • [FONT:0) Fizik tabanlı modeller ile Integration with Physics-based model) Bilinen sistem dinamikleri ile veri odaklı desenleri bir araya getirmek, genelleme geliştirmek ve veri gereksinimleri azaltmak.
  • [FONT=0)Edge AI[DÜT:1), on-device anomaly algılaması için, iletişim yükünü ve geç kalmışlığı azaltın.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Derin öğrenme teknikleri, siber-fiziksel sistemlerde anormal bir algılama için güçlü yöntemler sunar, erken hata algılama ve gelişmiş güvenlik sağlar.Her teknik - otoencoders'dan grafik sinir ağları - farklı CPS mimarisine ve veri türlerine uygun olarak benzersiz avantajlar getirir. Başarılı uygulama, güvenilir veri hazırlama, modelleme doğrulama ve gerçek zamanlı dağıtım stratejilerine bağlıdır.

Bu konu hakkında daha fazla okuma için, kapsamlı bir ankete göre:0)Chalapathy ve Chawla (2019)) ek olarak, NIST kılavuzuna ) endüstri kontrol sistemi güvenlik) ve son çalışma CPS ile ilgili olarak.