工业控制系统异常检测的深度学习方法、装置、存储介质及计算机设备

    公开(公告)号:CN119066596B

    公开(公告)日:2025-04-08

    申请号:CN202411564038.1

    申请日:2024-11-05

    Applicant: 暨南大学

    Abstract: 本发明公开了一种用于工业控制系统异常检测的深度学习方法、装置、工作介质及计算机设备。该方法构建的神经网络模型利用一维卷积和线性层提取传感器节点的时间依赖特征。物理流程图将传感器节点划分为子图,并通过设置为完全图和图注意力网络提取局部依赖特征,池化生成物理流程嵌入,应用图注意力网络捕捉流程间的全局依赖。控制图通过图注意力网络提取控制器内传感器的通信特征,通过池化生成控制器嵌入,再应用图注意力网络捕捉控制器间的信息流动。通过物理流程图与控制器通信图的联合建模,有效捕捉多层次依赖。采用早停机制避免过拟合,支持基于异常分数的异常定位。该方法能够高效检测并定位工业控制系统中的异常,保障系统安全稳定运行。

    工业控制系统异常检测的深度学习方法、装置、存储介质及计算机设备

    公开(公告)号:CN119066596A

    公开(公告)日:2024-12-03

    申请号:CN202411564038.1

    申请日:2024-11-05

    Applicant: 暨南大学

    Abstract: 本发明公开了一种用于工业控制系统异常检测的深度学习方法、装置、工作介质及计算机设备。该方法构建的神经网络模型利用一维卷积和线性层提取传感器节点的时间依赖特征。物理流程图将传感器节点划分为子图,并通过设置为完全图和图注意力网络提取局部依赖特征,池化生成物理流程嵌入,应用图注意力网络捕捉流程间的全局依赖。控制图通过图注意力网络提取控制器内传感器的通信特征,通过池化生成控制器嵌入,再应用图注意力网络捕捉控制器间的信息流动。通过物理流程图与控制器通信图的联合建模,有效捕捉多层次依赖。采用早停机制避免过拟合,支持基于异常分数的异常定位。该方法能够高效检测并定位工业控制系统中的异常,保障系统安全稳定运行。

Patent Agency Ranking