CN119520165B 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码并整合得到潜在特征空间矩阵S(L)，然后通过频率增强注意模块和时空预测解码器捕获在时空自监督学习分支内，引入时空数据的掩蔽算法，用时出S".将重构的数据与时空特征分析分支中时空编码器Ⅰ计算出的S(L)置于潜在空间进行步骤3、传感器数据时空特征分析：将步骤1输出的数据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(l_1)在时间维度上，将传感器数据信号的时间T9向量yt,"eR'"定义为第l个时空注意力终生成节点v的时间编码表示时间注意力模块并行处理每个节点的输入，用Tl∈RPXNX2d表示所有节点的时间编码表示；32.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3.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f(·)为频率增强注意模块的傅里叶变换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45.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6.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为_∞,掩蔽的时空重构解码器的输入记为".由两部分组成，一部分是时空自监督学习分支的时空7.根据权利要求6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)计算掩码补丁数量nm=αmxNpatch；8.基于时空编解码器的工控网络无监督异常检测系统，其要求1_7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56[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特征空间矩阵s)中的时空动态；[0014]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公式，E为输入传感器数据信号矩阵序列的时空嵌入矩阵，E'为输出传感器数据信号矩阵预测解码器堆叠L'个时空注意力模块，捕获潜在空间中的时空动态，最后[0024]b.将输入传感器数据信号张量X'和时空嵌入STE沿着特征维度拼接起来，得到新的张量X´´;8[0027]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，得出表示为；将其与输入传感器数据矩阵序列的时空嵌入矩阵连接，得到[0029]在时间维度上，将传感器数据信号的时间r向量定义为第l个时空；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信表示所有节点的时间编码表示；；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[0039]时空重构解码器的输入记为s"，由9[0069]本发明以自监督学习和频率增强注意力机制为理论基础[0072]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，day_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[0082]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。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时空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合起来，生成融合时空信息的嵌入表示，输出传感器数据信号矩阵序列的时空嵌入矩阵[0094]b.将输入传感器数据信号张量X'和时空嵌入STE沿着特征维度拼接起来，得到新[0097]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[0098]为更好地编码传感器数据的广义全局模式，对空间将第(l-1)个时空注意力模块的输出表示为；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，并将z(-)输入第l个时空注意力模块；用表示所有时间片上关于节点的输入，使用表示时[0099]在时间维度上，将传感器数据信号的时间r向量定义为第l个时空；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信表示所有节点的时间编码表示。；[0113]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，[0114]解码器也采用多层结构其中peN表示解码器层[0120]其中，H⃞",T:",ae(1,2,3}分别表示第p层第a个分解块后传感器数据的季节分[0122]结合图3所示，傅里叶增强结构的输入首先用weROO线性投影即是一个随机初始化的参数化核；设Y=QOR且，换回到时域。[0131]value=x·w,；作为传感器数据的长期时空动态信息嵌入到sey中（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且s)eRd；公式，E为输入传感器数据信号矩阵序列的时空嵌入矩阵，E'为输出传感器数据信号矩阵预测解码器堆叠L'个时空注意力模块，捕获潜在空间中的时空动态，最后空自监督学习分支的时空编码器中，通过将softmax函数[0164]时空重构解码器的输入记为s"，由[0174]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[0179]实验是在NVIDIAGeForceRTX3090显卡的计算机上进行，实验环境基于Python的传感器数据信号矩阵为，其中传感器数据网络G由一组传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。