論文の概要: Unsupervised Spatio-Temporal State Estimation for Fine-grained Adaptive Anomaly Diagnosis of Industrial Cyber-physical Systems

• arxiv url: http://arxiv.org/abs/2403.02616v1
• Date: Tue, 5 Mar 2024 03:11:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 16:17:41.007730
• Title: Unsupervised Spatio-Temporal State Estimation for Fine-grained Adaptive Anomaly Diagnosis of Industrial Cyber-physical Systems
• Title（参考訳）: 産業用サイバー物理システムの細粒度適応異常診断のための教師なし時空間状態推定
• Authors: Haili Sun, Yan Huang, Lansheng Han, Cai Fu, Chunjie Zhou
• Abstract要約: 本稿では, MTSの異常を同定し, 診断するための微粒化適応型異常診断法(MAD-Transformer)を提案する。 その結果,MAD-Transformerは短時間で微粒な異常を適応的に検出でき,ノイズの堅牢性や局所化性能の点で最先端のベースラインを上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 5.1571273635572235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate detection and diagnosis of abnormal behaviors such as network attacks from multivariate time series (MTS) are crucial for ensuring the stable and effective operation of industrial cyber-physical systems (CPS). However, existing researches pay little attention to the logical dependencies among system working states, and have difficulties in explaining the evolution mechanisms of abnormal signals. To reveal the spatio-temporal association relationships and evolution mechanisms of the working states of industrial CPS, this paper proposes a fine-grained adaptive anomaly diagnosis method (i.e. MAD-Transformer) to identify and diagnose anomalies in MTS. MAD-Transformer first constructs a temporal state matrix to characterize and estimate the change patterns of the system states in the temporal dimension. Then, to better locate the anomalies, a spatial state matrix is also constructed to capture the inter-sensor state correlation relationships within the system. Subsequently, based on these two types of state matrices, a three-branch structure of series-temporal-spatial attention module is designed to simultaneously capture the series, temporal, and space dependencies among MTS. Afterwards, three associated alignment loss functions and a reconstruction loss are constructed to jointly optimize the model. Finally, anomalies are determined and diagnosed by comparing the residual matrices with the original matrices. We conducted comparative experiments on five publicly datasets spanning three application domains (service monitoring, spatial and earth exploration, and water treatment), along with a petroleum refining simulation dataset collected by ourselves. The results demonstrate that MAD-Transformer can adaptively detect fine-grained anomalies with short duration, and outperforms the state-of-the-art baselines in terms of noise robustness and localization performance.
• Abstract（参考訳）: 多変量時系列(MTS)からのネットワーク攻撃などの異常行動の正確な検出と診断は、産業用サイバー物理システム(CPS)の安定かつ効果的な運用を保証するために重要である。 しかし、既存の研究はシステム作業状態間の論理的依存関係にほとんど注意を払わず、異常信号の進化機構を説明するのに困難である。 産業用CPSの作業状態の時空間関係と進化機構を明らかにするために,MTSの異常を識別・診断するための微粒化適応型異常診断法(MAD-Transformer)を提案する。 MAD-Transformerはまず時間状態行列を構築し、時間次元におけるシステム状態の変化パターンを特徴づけ、推定する。 そして、異常をよりよく特定するために、システム内のセンサ間状態相関関係を捉えるために、空間状態行列も構築される。 その後、これらの2種類の状態行列に基づいて、直列時空間アテンションモジュールの3分岐構造は、MSS間の時系列、時間、空間依存性を同時に捉えるように設計されている。 その後、3つのアライメント損失関数とレコンストラクション損失関数を併用してモデルを最適化する。 最後に、残差行列と元の行列を比較して異常を判定し、診断する。 我々は,3つのアプリケーションドメイン(サービス監視,空間・地球探査,水処理)にまたがる5つの公開データセットと,石油精製シミュレーションデータセットの比較実験を行った。 その結果,MAD-Transformerは短時間で微粒な異常を適応的に検出でき,ノイズの堅牢性や局所化性能の点で最先端のベースラインを上回っていることがわかった。

関連論文リスト

• MIXAD: Memory-Induced Explainable Time Series Anomaly Detection [21.208134038200203]
  MIXAD(Memory Explainable Time Series Atemporally Detection)は,異常検出を解釈可能なモデルである。 また,異常時のメモリアクティベーションパターンの著しい変化を検出する新しい異常スコアリング手法を提案する。 我々のアプローチは、適切な検出性能を保証するだけでなく、解釈可能性指標の34.30%と34.51%で最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2024-10-30T06:46:23Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• HCL-MTSAD: Hierarchical Contrastive Consistency Learning for Accurate Detection of Industrial Multivariate Time Series Anomalies [4.806959791183183]
  本稿では,産業用MSSにおける異常検出のための自己教師付き階層的コントラスト整合学習手法を提案する。 HCL-MTSADはマルチレイヤのコントラスト損失を発生させることで、データの一貫性とタイムスタンプと時間的関連を広範囲にマイニングすることができる。 HCL-MTSADの異常検出能力は、F1スコアの平均1.8%で最先端のベンチマークモデルを上回っている。
  論文  参考訳（メタデータ） (2024-04-12T03:39:33Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Electrical Grid Anomaly Detection via Tensor Decomposition [41.94295877935867]
  従来の研究では、SCADAシステム内の異常を正確に識別するために次元減少に基づくアプローチが利用できることが示されている。 本研究では,SCADAシステムにおける異常を識別するために,テンソル分解法であるCanonical Polyadic Alternating Poisson Regressionを確率的枠組みで適用する。 実験では,ロスアラモス国立研究所が運営する電力網から収集した実世界のSCADAシステムデータをモデル化した。
  論文  参考訳（メタデータ） (2023-10-12T18:23:06Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
  人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。 このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
  論文  参考訳（メタデータ） (2022-08-30T20:16:17Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Time Series Anomaly Detection for Cyber-physical Systems via Neural System Identification and Bayesian Filtering [1.9924944826583602]
  AIoT技術は、サイバー物理システム(CPS)の運用障害を検出するために機械学習アルゴリズムを活用する人気が高まっている。 本稿では,ニューラルシステム同定とベイズフィルタ (NSIBF) と呼ばれる新しい時系列異常検出手法を提案する。 NSIBFは最先端の手法と比較し,CPSにおける異常検出の大幅な改善を示した。
  論文  参考訳（メタデータ） (2021-06-15T09:11:35Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。