Hệ thống vật lý mạng (CPS) hợp nhất các tiến trình vật lý với hệ thống điều khiển kỹ thuật số, cho phép tự động hóa trong nhiều ngành công nghiệp khác nhau như sản xuất, giao thông và năng lượng. Để đảm bảo an ninh và đáng tin cậy của hệ thống này là quan trọng, đặc biệt khi chúng trở nên liên kết với nhau hơn và phức tạp hơn. Một trong những thách thức then chốt là phát hiện lỗi hoặc tấn công mạng. Việc học sâu cung cấp các công bằng cách học các mẫu phức tạp từ dữ liệu cảm biến lớn và bản ghi. Bài này khám phá kỹ thuật học sâu sắc để phát hiện sự bất thường trong CPS, xem xét và các con đường phía trước.

Hiểu được sự phát hiện không có u ở CPS

Phát hiện không rõ bao gồm những mẫu nhận diện trong dữ liệu không phù hợp với hành vi mong đợi. Trong CPS, dị thường có thể hiển thị như đọc cảm biến bất thường, phản ứng bất thường của hệ thống, hoặc giao thông mạng không đều đặn. Phát hiện sớm giúp ngăn chặn sự thất bại, giảm thời gian xuống và tăng cường an ninh. Có thể ẩn tích trong ống dẫn bị rò rỉ, trong khi từ từ từ đọc nhiệt độ phân biệt nhiệt độ bị nhiễu (sự kiện thô), có thể phát hiện các điểm khác thường trong một bối cảnh thời gian nhất định, và các điểm khác thường (sự kiện tập thể làm lệch thời gian từ các mẫu thường). Lấy thí dụ, một sự giảm áp lực trong đường ống có thể chỉ ra sự rò rỉ, trong khi một nhiệt độ giảm nhiệt độ nhạy cảm biến động có thể gây ra dấu hiệu quả cho các quan hệ phụ thuộc, tính chất thời gian phụ thuộc và dữ liệu thời gian cố định.

Học kỹ thuật sâu để phát hiện một cách vô sinh

Việc học hỏi sâu đã cách mạng hóa sự phát hiện bất thường bằng cách cho phép mô hình phức tạp học từ các bộ dữ liệu lớn.

Các tự động mã hóa

Các mạng tự động được huấn luyện để tái tạo dữ liệu nhập. Các tổ hợp bị lỗi khi tái tạo vượt quá ngưỡng. Trong CPS, chúng được sử dụng rộng rãi để phát hiện không có giám sát bất thường trên các luồng cảm biến đa biến. Nhiều loại như máy tự động, giảm tự động mã, và cấu hình tự động tự động cải tiến cải tiến độ mạnh để tạo nhiễu và mẫu không gian. Một lợi thế quan trọng là các máy tự động mã không cần thiết nhãn; chúng học tính chất dị thường và độ lệch cờ. Tuy nhiên, sự lựa chọn và độ nhạy cảm của mô hình để thay đổi.

Mạng thần kinh hiện thời (RNNs) và bộ nhớ ngắn gọn (LSTM)

RN được thiết kế để tạo ra dữ liệu thời gian và mô phỏng quan hệ phụ thuộc thời gian. Trong CPS, khi đọc thông tin cảm biến dạng chuỗi thời gian, RN dự đoán giá trị tương lai và phát hiện dị thường như sự cố dự đoán. LSTM và GU biến thể giảm dần các vấn đề chuyển đổi thời gian, làm cho chúng hiệu quả đối với các phụ thuộc lâu dài. Ví dụ, mô hình LSTM được đào tạo trên chu kỳ sản xuất thường có thể phát hiện sự khác biệt khi dự đoán giá trị cảm biến đổi từ việc đọc thực sự. Các cơ chế chú ý cải tiến hơn nữa việc tập trung vào các bước thời gian thích hợp. Mô hình bộ bộ bộ bộ bộ bộ đệm kết hợp với các mô hình LSTS.S.S.S.S.S.S.S.S.S.S.

Mạng thần kinh tiến hóa (CNNNs)

CNN xuất sắc trong việc học các mẫu địa phương trong dữ liệu không gian hay thời gian. Trong CPS, 1D CNNs xử lý dữ liệu cảm biến thời gian để lấy tính năng như gai hay dao động, trong khi các CNN 2D có thể được áp dụng cho các ảnh quang phổ hoặc ảnh (v. d. từ camera nhiệt). CNN là khả năng tính toán và có thể được sử dụng để phát hiện sự phân loại và tái tạo. Chúng thường được kết hợp với RN (v. d. CNN- LSTM) để thu các mẫu địa phương và sequent. Khả năng nâng cao và khả năng xử lý chuỗi dài.

Các mã tự động đa dạng (VAEs)

VEE mở rộng tự động mã chuẩn bằng cách học một không gian xác suất xác suất hay tiểu thuyết. Thay vì chỉ tái tạo lỗi, VEs tính toán sự tái tạo lại bản ghi giống như và KL, cung cấp một cách phân tách nguyên tắc để đo lường sự không chắc chắn. Điều này làm cho chúng hiệu quả để phát hiện sự bất thường hiếm hay mới lạ. Trong CPS, VAEE được áp dụng để phát hiện sự thoái hóa tinh vi trong cơ chế công nghiệp và để xác định lệnh bất thường. Tính chất sáng tạo của chúng cũng có thể mô phỏng các trường hợp ngược lại, phân tích nguồn gốc.

Mạng định hướng

GNN là một máy phát điện và một máy kích hoạt đĩa được huấn luyện một cách máy tính. Để phát hiện bất thường, GN học sự phân phối của dữ liệu bình thường; các điểm khác thường được xác định là các điểm dữ liệu không thể tái tạo chính xác hoặc phân loại đĩa là giả. AnoGAN và Effic GND (EBAD) là các biến thể phổ biến. GNN đã được sử dụng thành công trong việc phát hiện và xác định lỗi, đặc biệt khi dữ liệu thông thường là rất hiếm. Tuy nhiên, việc huấn luyện GNN có thể không ổn định, và cần thiết siêu thanh quản lý siêu thanh.

Mạng thần kinh đồ thị (GNNs)

Nhiều CPS (v. d. mạng điện, mạng phân phối nước) có cấu trúc đồ thị ẩn. Các GN có thể mô phỏng quan hệ phụ thuộc giữa các bộ nhạy và bộ kích hoạt bằng cách truyền tải thông tin theo cạnh. Mạng đa chiều (GCN) và mạng lưới tập trung chú ý (GAT) phát hiện dị thường bằng cách học đại diện nút và độ lệch theo mẫu khu vực. Cách tiếp cận này rất hiệu quả để phát hiện các cuộc tấn công phối hợp hay lỗi. Thử thách nằm trong đồ thị hệ thống cấu trúc và mạng mạng lớn.

Suy xét

Để nghiên cứu sâu hơn về phát hiện bất thường ở CPS cần xem xét kỹ lưỡng chất lượng dữ liệu, đào tạo mô hình, và xử lý thời gian thực.

Bộ sưu tập dữ liệu và tiến trình sẵn

Tính chất chất chất lượng cao, dữ liệu đại diện từ bộ nhạy, bộ kích hoạt và bản ghi mạng là thiết yếu. Việc xử lý trước như bình thường, xử lý các giá trị còn thiếu, và lọc nhiễu cải tiến độ mạnh của mô hình. Tăng cường dữ liệu (v. d. thêm dị thường tổng hợp) có thể giúp đỡ khả năng phân đoạn sắp xếp lớp học. Việc sắp xếp thời gian và việc trượt cửa sổ là quan trọng cho mô hình gây nhiễu.

Kỹ thuật tính năng

Trong khi việc học tập sâu có thể tự động học tính năng, kỹ thuật đặc trưng miền vẫn có thể tăng hiệu suất. Tính năng như thời điểm thống kê, biến đổi tần số (FFT, fwavelet), và các thống kê lăn cung cấp có ích trước. Đối với mô hình đồ thị, ma trận độ phân giải và các tính năng nút phải được xác định cẩn thận.

Dạy dỗ và kiểm tra kỹ lưỡng

Việc huấn luyện thường sử dụng các bộ máy không giám sát hoặc giám sát bán giám sát do tính chất bất thường có nhãn. Cách tiếp cận thông thường bao gồm phân loại một hạng, tái tạo lỗi nhỏ, và cách thức dự đoán lỗi nhỏ. Tính thẩm tra đòi hỏi bộ bất thường tổng hợp hoặc nhãn; số đo như độ chính xác, nhớ lại, F1- scre, và khu vực dưới đường cong ROC là tiêu chuẩn.

Triển khai thời gian thực

Ứng dụng CPS đòi hỏi độ phân giải thấp. Các kỹ thuật nén kiểu như việc cắt tỉa, định lượng và cách chưng cất kiến thức là thiết yếu để tăng tốc độ. Gia tốc phần cứng (GPUs, TPUs, FPGAs) và kiến trúc kiểu mẫu hiệu quả (v. d., MobileNet, TinyML) cho phép khả năng inference thực sự. Việc tạo ra các mô hình phát triển tăng cường kiến trúc cho phép thích ứng với khái niệm bị trôi dạt mà không cần điều chỉnh lại từ đầu.

Đo lường và tìm kiếm

Chọn một ngưỡng tái tạo hoặc dự đoán có thể tác động trực tiếp đến tỷ lệ dương. Ngưỡng thích ứng (v. d., di chuyển trung bình của lỗi, tích động phân) có thể cải thiện độ mạnh trong môi trường không phải trạm. Hơn nữa, các số đo như thời gian để phát hiện (MTTD) và có nghĩa là thời gian giữa các báo động giả (MTBFA) hữu ích cho việc đánh giá hoạt động.

Thử thách và sự hướng dẫn trong tương lai

Mặc dù việc học hỏi sâu sắc hứa hẹn, nhưng thử thách vẫn còn. Các bộ dữ liệu cân bằng (không chắc chắn là hiếm) có thể gây ra những mô hình thiên vị đối với hành vi thông thường. Khả năng thẩm thấu là một trở ngại lớn: kỹ sư cần tin tưởng các kết quả xuất, đặc biệt là trong cơ sở hạ tầng quan trọng. Kỹ thuật viên thiên tài như pulP, LIME, và sự chú ý được chấp nhận nhưng cần phải thích nghi thêm với CPS. Tính năng tăng cường là một mối quan tâm khác — những người tấn công có thể tạo ra những kết quả không thể tránh được. Cuối cùng, để thích ứng với hành vi hệ thống (nhận biết) và di chuyển các mô hình khác nhau nhưng có liên quan đến các khu vực nghiên cứu liên quan đến CPS.

Hướng đi tương lai bao gồm:

  • Học tập để đào tạo các mô hình dành riêng tư qua nhiều cài đặt CPS mà không chia sẻ dữ liệu thô.
  • AI (XAI) ) để cung cấp cho các nhà điều hành với sự hiểu biết có thể hoạt động để hiểu tại sao một điểm dữ liệu đã được đánh dấu.
  • Học thuộc lòng) để cho phép mô hình thích ứng với những mẫu hình bình thường mới mà không quên một cách tai họa.
  • Hợp nhất với các mô hình dựa trên vật lý (LT phương pháp tiếp cận ướt) để kết hợp các mẫu dữ liệu có độ điều chỉnh hệ thống động lực đã biết, cải thiện và giảm các yêu cầu dữ liệu.
  • Edge Al cho việc phát hiện bất thường trên mạng, giảm chi phí liên lạc và độ trễ.

Kết luận

Kỹ thuật học sâu cung cấp phương pháp học tập hiệu quả cho phát hiện bất thường trong hệ thống sinh học ảo, cho phép phát hiện lỗi sơ bộ và cải tiến hệ thống. Mỗi kỹ thuật — từ tự động mã hóa đến mạng lưới thần kinh — mang lại những lợi thế độc đáo phù hợp với cấu trúc CNP và loại dữ liệu khác nhau. Thành công thực hiện hing trên chuẩn bị dữ liệu cẩn thận, cấu hình thiết lập mô hình kiểm tra và các chiến lược thời gian thực. Trong khi những thử thách như khả năng giải thích và độ mạnh của sự đối kháng vẫn còn, tiếp tục các lời hứa mạnh mẽ hơn và đáng tin cậy hơn. Khi các nghiên cứu tiếp tục tăng cường, việc học tập sẽ đóng vai trò quan trọng hơn trong việc bảo vệ tính chất và bảo vệ tính chất an toàn của chúng.

Để đọc thêm về đề tài này, xin xem cuộc thăm dò toàn diện của [FLT:] Bảo mật hệ thống điều khiển công nghiệp , và công việc gần đây [FL:4] phát hiện các loại giấy có liên quan đến mạng . Ngoài ra, các [FLT: 6]