CN119520165A 基于时空编解码器的工控网络无监督异常检测方法及系统 （中国海洋大学）

基于时空编解码器的工控网络无监督异常时空编解码器的工控网络无监督异常检测方法析，输出未来预定时段的传感器数据作为预测提高提高工业控制网络异常检测的识别率和泛2所述基于时空编解码器的无监督深度学习模型包括时空特征分析模步骤3、传感器数据时空特征分析：将步骤1输出的数据2.根据权利要求1所述的基于时空编解码器的工控网络无监督异常检测方法，其特征在时空特征分析分支内，通过时空编码器Ⅰ将传感器数据的长期潜在特征空间矩阵se)中的时空动态；在时空自监督学习分支内，引入时空数据的掩蔽算法，用时3.根据权利要求1所述的基于时空编解码器的工控网络无监督异常检测方法，其特征4.根据权利要求3所述的基于时空编解码器的工控网络无监督异常检测方法，其特征同作为传感器数据的长期时空动态信息，经过编码和整合得到潜在特征空间矩阵s)；;35.根据权利要求4所述的基于时空编解码器的工控网络无监督异常检测方法，其特征e.将注意力加权的结果h与输入张量x'进行多头注意力计算6.根据权利要求5所述的基于时空编解码器的工控网络无监督异常检测方法，其特征在于，对空间和时间注意力进行如下操作：将第(l-1)个时空注意力模块的输出表示为s(-1)eRxd；将其与输入传感器数据矩阵序列的时空嵌入矩阵E连接，得到z(-)eR2d，并将z(-)输入第l个时空注意力模块；用表示所在时间维度上，将传感器数据信号的时间向量定义为第个;;其中，MHSA()为多头自注意力公式，时间注意力模块首先通过注意输入将表示所有节点的时间编码表示；4;;为t时刻所有节点的空间编码表示，s'eR2d表示所有时间片上的空7.根据权利要求2所述的基于时空编解码器的工控网络无监督异常检测方法，其特征8.根据权利要求2所述的基于时空编解码器的工控网络无监督异常检测方法，其特征监督学习分支的时空编码器中，通过将softmax函数输入中的掩码值设置为与时空特征分析分支中时空编码器计算出的s)相匹配。9.根据权利要求8所述的基于时空编解码器的工控网络无监督异常检测方法，其特征5u中的第p,个补丁的所有元素设为0；要求1_9任一项所述的基于时空编解码器的工控网络无监督异常检测方法，所述系统包括所述样本构建模块，用于采集历史传感器数据得到传感器数据所述基于时空编解码器的无监督深度学习模型包括时空特征分析模块6[0002]传统的工业控制网络异常检测方法主要依赖于对通用互联网协议的异常通信行7捕获潜在特征空间矩阵se)中的时空动态；[0007]进一步的，步骤3中，传感器数据输入时空特征分析分支和时空自监督学习分支（1）首先通过线性变换将时空特征分析分支的原始传感器数据矩阵xeR"C;8e.将注意力加权的结果h与输入张量x'进行多头注意力计算，得得到z(-)eR2d，并将z(-)输入第l个时空注意力模块；用表示在时间维度上，将传感器数据信号的时间向量定义为第个;;将yt'"转换为yt,，更新后的时间参考点yt,包含原始长期输入的全局传感器数据用T'eR20表示所有节点的时间编码表示；;;9相同，在时空自监督学习分支的时空编码器中，通过将softmax函数输入中的掩码值设置时空重构解码器的输入记为s"，由两部分组成，一部分是时空自监督学习分支;u中的第p,个补丁的所有元素设为0；[0020]本发明以自监督学习和频率增强注意力机制为理论基础[0023]结合图1图4所示，本实施例的基于时空编解码器的工控网络无监督异常检测方,其中网络G由一组传感器组成，记为节点集V，并且W-Nday_of_week去建模一周中不同日期的行为模式和变化规律，捕捉数据随周几的周期性和[0032]所述时空特征分析分支和时空自监督学习分支均采用时空编码器_解码器结构。入到s)中（通过时空编码器Ⅰ将传感器数据的长期时空动态信息进行编码并整合得到潜在特征空间矩阵s)然后通过频率增强注意模块和时空预测解码器捕获潜在空间中的可以有效地为后续的时空特征分析分支和时空自监督学习分支提供高质量和输出层组成，传感器数据在网络中单向传递，对注意力头的输出进行非线性变换得到传感器数据信号矩阵序列，其中P为输入传感器数据矩阵序列的长度，N为传感e.将注意力加权的结果h与输入张量x'进行多头注意力计算，得[0042]为更好地编码传感器数据的广义全局模式，对空间阵序列的时空嵌入矩阵E连接，得到z(-)eR2d，并将z(-)输入第l个时空注意[0043]在时间维度上，将传感器数据信号的时间向量定义为第个;;其中，MHSA()为多头自注意力公式，时间注意力模块首先通过注意输入将v"转换为yt,，更新后的时间参考点yt,包含原始长期输入的全局传感器数据;;入的历史传感器数据序列，Encoder()为：;其中，分别表示第k层第j个分解块后的传感器数据季节分量，MOEDecomp()为混合专家分解块；FEB()为频率增强注意模块，通过离散傅里叶变换[0047]解码器也采用多层结构其中peN表示分别表示解码器第p_1层传感器数据的季节分量和趋势分量，Decoder()的形式化为：;;;分量和趋势分量，表示第a个提取的趋势的投影，MOEDecomp()为混FeedForward()为前馈层；最终的预测是这两个细化的分解分量的总和，其中ws是将深度转换的季节分量xu投影到目标维度。;为傅里叶变换，eco并且M远小于N；;其中，FEB-f()为频率增强注意模块的傅里叶变换公式，为傅里叶反变换，o即为其中，是输入通道即d=1,2,…,D并且里叶反变换回到时域。;;;;;;（1）首先通过线性变换将时空特征分析分支的原始传感器数据矩阵xeR"C得到潜在特征空间矩阵且s)eRd；;;u中的第p,个补丁的所有元素设为0；空自监督学习分支的时空编码器中，通过将softmax函数[0070]时空自监督学习分支通过掩蔽算法对数据进行自监督学习，提高模型的泛化能据集来开展工控网络的异常检测工作。Abilene数据集收集了某年包含12个节点的24周的[0075]实验是在NVIDIAGeForceRTX3090显卡的计算机上进行，实验环境基于Python窗口形式得到多个传感器数据子序列，并将归一化后的传感器数据子序列作为样本序列。