基于液态神经网络与连续时间ODE建模的SRv6智能电网拓扑感知与路径异常诊断框架

《Scientific Reports》：Liquid neural network-driven intelligent topology perception and path anomaly diagnosis for Ipv6 smart grids

　　

摘要

在智能电网中部署分段路由IPv6（SRv6）会引入高度动态的拓扑结构和连续时间遥测数据流。传统的离散时间循环神经网络（RNNs）难以在不经历严重离散化信息损失的情况下处理这些异步、不规则采样的数据流，从而限制了其实时诊断能力。为解决这一问题，本文提出了一种由液态神经网络（LNNs）驱动的智能拓扑感知与路径异常诊断框架。本工作的创新之处在于将网络状态转移建模为由常微分方程（ODEs）控制的连续时间动力学。该方法天然适用于不规则采样的遥测数据，无需离散化，允许网络的内部状态动态适应瞬态异常。此外，我们设计了一种多任务学习架构，将实时拓扑推断与概率性故障预测统一到一个端到端的框架中。在模拟的IPv6智能电网上的实验评估表明，所提出的模型在客观上优于当前最先进的基线模型。具体而言，LNN框架在拓扑感知方面达到了98.0%的F1分数（优于Informer 2.5%），将异常检测中的误报率（FPR）降低至4.7%，并提供了8.5秒的预警时间（EWT），比最佳基线模型提升了13.3%。全面的消融实验和可扩展性研究进一步验证了LNN框架在高数据缺失率下的计算可行性和鲁棒性，为关键电力网络提供了一种高度可靠的监控机制。