Cyber-фізичні системи (CPS) інтегрують фізичні процеси з системами цифрового контролю, що дозволяє автоматизувати по всій галузі, такі як виробництво, перевезення та енергія. Забезпечення безпеки та надійності цих систем є критичним, особливо, оскільки вони стають більш взаємопов'язаними та складними. Однією з ключових завдань є виявлення аномалії, які можуть вказувати несправності або кібератак. Глибоке навчання пропонує потужні інструменти для вирішення цього завдання шляхом вивчення складних шаблонів з великих обсягів датчика та логічних даних. Ця стаття досліджує видатні методи глибокого навчання для аномалії виявлення в CPS, розгляди впровадження та дорога попереду.

Розуміння аномалії виявлення в CPS

Аномалі виявлення передбачає виявлення закономірностей в даних, які не відповідають очікуваній поведінки. У CPS аномалії можуть проявлятися як незвичайні зчитування датчиків, несподівані реакції системи, або нерегулярний мережевий трафік. Раннє виявлення допомагає запобігти збої, зниження часу і підвищення безпеки. Аномалі в CPS можуть бути класифіковані в точкові аномалії (посадкові проповіді), контекстні аномалії (значення даних, що аномалій в специфічному часовому контексті), а також колективні аномалії (послідки, які відхиляються від нормальних шаблонів). Наприклад, різка падіння тиску в трубопроводі може вказувати на витік, при цьому поступово деградації температури може залежати від часових значень.

Методика глибокого навчання для виявлення аномалі

Глибоке навчання має революцію аномалії, що дозволяє моделям вчитися складних шаблонів з великих даних. Нижче наведені основні методики, що застосовуються в CPS, кожен з відмінними міцностями і використанням випадків.

Автонавантажувачі

Автоенкодери є нейромережами, які навчаються реконструювати вхідні дані. Аномалі виявляються при похибці реконструкцій перевищує поріг. У СЕС вони широко використовуються для нездійснених аноматичних виявлення на багатоваріаційних сенсорних потоків. Варіанти, такі як спарозні автоенкодери, дезонімація автоенкодерів, і конвоуктивні автоенкодери покращують стійкість до шуму і просторових шаблонів. Ключовою перевагою є те, що автономери не вимагають маркування аномалії; вони вивчають нормальну поведінку і прапорські відхилення. Однак вибір поріжу і чутливість моделі до нормальних варіацій залишаються викликів.

Рекурентні неуралні мережі (RNNs) та довгого короткого рівня пам'яті (LSTM)

RNNs призначені для послідовних даних і може моделювати часові залежності. У CPS, де сенсорні читання утворюють часові серії, RNNs прогнозують майбутні значення і виявляють аномалії, як провокаційні помилки. LSTM і GRU варіанти пом'якшують ванішучі проблеми, роблячи їх ефективним для довгострокових залежностей. Наприклад, модель LSTM, що навчається на нормальних циклах виробництва, може виявити аномалії при прогнозованих значень датчика, що дівержуть від фактичних читання. Механізми уваги додатково покращують продуктивність, фокусуючись на відповідних часових кроках. Також популярні гібридні моделі, що поєднує LSTM з авторедкодери або CNN.

Конвоювати неуралні мережі (CNN)

CNNs виділяється при вивченні локальних шаблонів у просторових або часових даних. У CPS, 1D CNNs обробка даних датчиків часу для визначення функцій, таких як пропи або коливання, при цьому 2D CNN можуть застосовуватися до спектрограм або зображень (наприклад, з термічних камер). CNNs є обчислювально ефективними і можуть використовуватися як для класифікації, так і для реконструкції аномалії виявлення. Вони часто поєднуються з RNNs (наприклад, CNN-LSTM) для захоплення як місцевих, так і послідовних шаблонів. Усушені забруднення і залишкові з'єднання підвищують свою здатність обробляти довгі послідовності.

Варіативний Автоенкодери (VAEs)

VAEs продовжить стандартні автошифратори, навчаючи імовірнісний простір пізнання. Замість однієї помилки реконструкції, компраційне реконструкція VAEs і дивергенції KL, що забезпечує принципову можливість кількісного визначення невизначеності. Це робить їх ефективним для виявлення рідкісних або нових аномалії. У CPS VAEs було застосовано для виявлення тонкої деградації в промисловій машині і для виявлення незвичайних контрольних команд. Їх генеративний характер також може імітувати протифакційні сценарії, що допомагає аналізувати першопричини.

Генеративні мережі Adversarial (GANs)

GANs складається з генератора і дискримінатора, який навчається адвераріально. Для аномалії виявлення GANs дізнаються розподіл нормальних даних; аномалії визначаються як точки даних, які генератор не може точно реконструювати або що дискримінатор класифікує як підроблені. AnoGAN і Efficient GAN (EGBAD) є популярними варіантами. GANs успішно використовуються в CPS для виявлення несправностей і ідентифікації атак, особливо коли нормальні дані є рясними і аномалії є рідкісними. Однак навчання GANs може бути нестабільними, а ретельний перепараметровий тюнінг необхідний.

Графічні мережі (GNN)

Багато CPS (наприклад, мережі розподілу води, мережі розподілу води) мають основну структуру графіка. GNNs може моделювати залежності між датчиками і активаторами, пропагуючи інформацію по краях. Graph конвультації мереж (GCNs) і графічних мереж (GATs) виявляти аномалії шляхом представлення вузлів і відбиття відхилень у площинних візерунках. Цей підхід є потужним для виявлення координатних атак або каскадних збої. Завдання полягає в побудови точної системи графіків і управління масштабними мережами.

Впровадження

Впровадження глибокого навчання для виявлення аномалі в CPS вимагає ретельного розгляду якості даних, моделювання та обробки в режимі реального часу. Ключові фактори включають:

Збір даних та обробка даних

Якісні, представницькі дані від датчиків, приводів, мережевих колод є важливим. Довгові дії, такі як нормалізація, обробка відсутніх значень, а також фільтрування шуму поліпшення моделі надійності. Аугментація даних (наприклад, додавання синтетичних аномалії) може допомогти адресному класу дисбалансу. Терміново вирівнюється і висушне сегментування вікон є критичним для послідовних моделей.

Характеристика

Хоча глибоке навчання може автоматично вивчати функції, інженерія з доменом все ще може підвищити продуктивність. Особливості, такі як статистичні моменти, частотно-доменеві перетворення (FFT, Wavelet), і статистика рулонів забезпечують корисні доріжки. Для моделей на основі графа, акустичних матриць і атрибутів вузлів повинні бути ретельно визначені.

Модельне навчання та перевірка

Часто тренувальний використовується невибагливі або напіввишукані схеми, що обумовлені расою міток аномалії. Загальні підходи включають в себе однокласну класифікацію, мінімізацію помилок, прогнозування помилок і мінімізації помилок. Дія вимагає синтетичних або маркованих аномалізних наборів; метрики, такі як точність, згадка, F1-score і область під кривою ROC є стандартними. Крово-оцінка повинна поважати часовий порядок, щоб уникнути витоку даних.

Розгортання часу

CPS-додатки вимагають низької затримки. Методи стиснення моделі, такі як обрізка, квантизація та дистиляції знань, є вирішальним для розгортання краю. Апаратне прискорення (GPU, TPU, FPGA) та ефективні моделі архітектури (наприклад, MobileNet, TinyML) дозволяють в режимі реального часу. Потокові архітектури з внутрішньо переміщеним шляхом дозволяють моделі адаптуватися до концепції drift без перепідготовки з нуля.

Оцінка метрики та пороги

Вибір реконструкцій або прогнозу порогів безпосередньо впливає на помилкові позитивні ставки. Адаптивні пороги (наприклад, переміщення серед похибок, динамічний відсоток) можуть підвищити надійність в нестаціаційних середовищах. Крім того, метрики, такі як час виявлення (МТТД) і в середньому часу між помилковими тривогами (МТБФА) є корисним для оперативної оцінки.

Виклики та перспективи

Незважаючи на обіцянку глибокого навчання, проблеми залишаються. Необґрунтовані дані (аномалій є рідкісними) можуть викликати моделі, які можуть бути упереджені до нормальної поведінки. Міжперечність є основною перешкодою: інженери повинні довірити моделі виводів, особливо в критичній інфраструктурі. Методики, як SHAP, LIME, і візуальна обробка уваги, але вимагають подальшої адаптації до CPS. Adversarial Надійність є ще одним занепокоєнням – атакери можуть ремісничі вводи, які виявляються виявлення. Нарешті, адаптація до побудови системних поведінок (концепція дрифт) і передачі моделей по різних, але пов'язаних CPS є активними науковими напрямками.

До уваги:

  • Федерований навчання для підготовки моделей конфіденційності з підтримкою конфіденційності через кілька установок CPS без спільного використання сирих даних.
  • Explainable AI (XAI) для забезпечення операторів, які мають на увазі, чому було позначено точки даних.
  • Континуальна освіта для включення моделей для адаптації до нових нормальних моделей без катастрофічних забудь.
  • Інтеграція з моделями фізики (гібридні підходи) для об'єднання моделей даних з динамією системи, поліпшення узагальнення та зменшення вимог даних.
  • Edge AI для виявлення аномалії на основі розроблення, зменшення пропускної здатності зв'язку та затримки.

Висновок

Методи глибокого навчання пропонують потужні методи виявлення аномально в кіберфізичних системах, що дозволяють виявити несправності та покращену безпеку. Кожна техніка – від автокерів до графічних нейромереж – приносить унікальні переваги, придатні до різних архітектурних та типів даних. Успішні петлі реалізації на ретельному підготовці даних, перевірку моделі та стратегії розгортання в режимі реального часу. Під час таких завдань як інтерпретабельність та суміжна надійність залишаються, постійні дослідження обіцяє більш надійні та надійні рішення. Як CPS продовжують розширюватися, глибоке навчання відіграють все більш важливу роль у забезпеченні їх надійності та безпеки.

Для подальшого читання на цій темі див. всебічне опитування Халапатія та Чалава (2019), керівництво NIST на , безпека промислової системи контролю , а також останні роботи ]ографічно виявлення для електричних мереж. Крім того, MLSs конференц-провайдер часто зустрічаються папери, що відповідають CPS.