基于深度学习的异常检测技术在保障可持续工业自动化中的应用
《Process Safety and Environmental Protection》:Deep learning based anomaly detection for protection of sustainable industrial automation
【字体:
大
中
小
】
时间:2026年08月07日
来源:Process Safety and Environmental Protection 7.9
编辑推荐:
摘要:在当今现代社会,工业自动化及其可持续性对日常生活至关重要。然而,近年来网络攻击的激增影响了工业自动化系统的稳定运行,进而影响了其性能和效率。传统的防御系统由于依赖基于特征或启发式技术,已无法有效检测现代网络攻击。因此,网络威胁检测系统需要结合先进的预测能力和防御工具来识别这
摘要:在当今现代社会,工业自动化及其可持续性对日常生活至关重要。然而,近年来网络攻击的激增影响了工业自动化系统的稳定运行,进而影响了其性能和效率。传统的防御系统由于依赖基于特征或启发式技术,已无法有效检测现代网络攻击。因此,网络威胁检测系统需要结合先进的预测能力和防御工具来识别这类攻击。本文提出了一种新型异常检测系统,该系统采用人工智能驱动的网络威胁检测平台,结合混合LSTM自编码器与机器学习分类器,用于工业物联网及网络物理系统。所提出的方法利用基于时间序列数据训练的深度学习LSTM-AE模型来检测异常行为,同时通过LIME方法实现特征选择,并结合基于规则的分类树进行决策。研究通过自动网格搜索确定LSTM深度学习模型的最佳超参数。在两个公开的可用于测试的数据集SWaT和Edge-IIoT上进行了大量实验以验证该方法。在SWaT数据集上,该方法的分类准确率可达99.95%;在Edge-IIoT数据集上,则可实现99.95%的准确率、100%的精确度、99.90%的召回率以及99.95%的F1分数。LIME方法有助于识别影响检测的主要特征,从而在保持高准确率的同时降低计算成本。研究还建立了包括最先进的深度学习GRU-AE、TCN、Transformer、基于隔离的序列模型以及传统机器学习分类器在内的基准模型进行对比分析,结果发现所提模型表现优于所有这些模型。该异常检测平台具有强大且可扩展性,适合在实际的工业物联网环境中部署。
引言:现代数字革命也影响了关键基础设施,越来越多的工业物联网和网络物理系统,包括工业控制系统和SCADA系统,通过联网来实现工业自动化。这一现代化进程提升了工业自动化系统的运行与管理效率。但与此同时,它也为网络攻击创造了条件。随着对网络传感器、执行器和边缘设备的日益依赖,自动化和效率得到了提升。例如,著名的全自动化水处理厂——安全水处理测试平台(SwaT),能够模拟现代大城市中大规模水处理的运作模式(Goh等人,2016年)。图1展示了SwaT测试平台的运行流程,它包括与水处理和分配相关的六个步骤。
1. 第一步(P1):确定要供应给其他工序的原始水体积。
2. 第二步(P2):对水进行预处理,使其达到水处理和供应所需的质量标准。如果水质不达标(通过AIT201、AIT202和AIT203等传感器检测),则启动水泵并加入化学药剂来改善水质并消除缺陷(P201、P203和P205)。一旦水质达到标准,水就会被送入第三步。
3. 第三步(P3):通过过滤膜使用超滤技术去除水中残留的杂质。
4. 第四步(P4):利用紫外线灯进行脱氯处理,去除水中的剩余氯元素。
5. 第五步(P5):在脱氯之后,进一步去除水中残留的无机杂质。此步骤中,反渗透系统负责处理已脱氯的水。
6. 第六步(P6):最后,将处理后的水准备用于后续分配。
网络化数字技术也为新型网络攻击提供了机会。针对工业自动化系统的攻击,如在水处理、燃气供应和制造业领域的攻击,比针对传统IT网络的攻击更为危险,会对人类造成威胁(ENISA,2023年;AV-TEST研究所,2023年)。ENISA发布的《2030年网络安全威胁报告》指出了新的攻击面概念——“一切即服务”,以及人工智能在开发复杂网络攻击中的作用(ENISA,2023年)。仅2023年全球就发生了3.17亿起勒索软件攻击和60亿起恶意软件事件(AV-TEST研究所,2023年)。现有的安全机制,如基于规则的系统、基于特征的检测以及传统异常检测方法,在面对新威胁或零日攻击时效果不佳,尤其是当这些攻击表现为传感器行为中的细微异常时(Huet等人,2022年;Berman等人,2019年)。
在正常运行状态下,SwaT系统能高效利用资源,包括能源和化学药剂;但外部网络攻击可能会干扰正常运行,改变资源消耗情况,从而导致服务中断。需注意的是,各类网络攻击都可能影响工业系统的运行和可持续性,包括水处理厂,进而影响水的分配和合理利用。为解决这一问题,需要开发一种能够检测此类网络攻击的系统,使其能够无缝集成到工业环境中并安全地用于各项服务(Gómez等人,2023年)。
传统上,入侵检测与预防系统是一种常用的网络安全工具,它基于特征匹配的方式来检测网络攻击。但基于特征的攻击检测存在诸多局限,比如:首先,由于特征是基于历史攻击模式创建的,因此无法检测到未知或未曾出现过的攻击;其次,网络犯罪分子可以通过利用新的攻击传播途径轻易避开这种检测方式;第三,还需要定期更新特征数据库。网络犯罪分子深知这一点,他们会设法改变攻击传播途径以规避基于特征的检测方法。
在当前的数字世界中,为检测不断演变的网络攻击,研究人员提出利用人工智能来识别工业控制系统环境中的异常行为(Sukarno等人,2025年;Shi等人,2019年;Hemdan等人,2025年;Gómez等人,2023年;Nedeljkovic和Jakovljevic,2022年)。传统机器学习模型在监督学习场景中表现良好。而近期,基于LSTM的自编码器等无监督模型在学习正常行为的时间模式以及识别表明存在入侵的异常方面取得了成功(Malhotra等人,2016年;Inoue等人,2017年;Lin等人,2021年)。尽管LSTM自编码器功能强大,但它们通常被视为“黑箱”,这引发了人们对其在关键安全领域中透明度和可信度的担忧(Hemdan等人,2025年;Eltomy和Lalouani,2024年)。
不过,在现代工业自动化领域,异常检测系统虽能识别针对工业运营的特定网络攻击,但往往仍将检测模型视为黑箱。可解释性则是目前较少被关注的领域。在关键的工业环境中,仅仅检测到异常还不够,操作人员还需要了解异常产生的原因(Ribeiro等人,2016年;Eltomy和Lalouani,2024年)。一些研究人员提出了基于人工智能的异常检测模型(Cui等人,2021年;Zhao等人,2020年)。文献中也探讨了将深度学习与基于规则的机器学习分类树相结合,并提升其可解释性的方法(Shi等人,2019年;Hemdan等人,2025年;Eltomy和Lalouani,2024年;ENISA,2023年;Amodei等人,2016年;Jahromi等人,2023年)。
本文提出了一种适用于工业物联网环境的新型异常检测系统。该系统首次将混合深度学习LSTM-AE模型与LIME方法相结合以实现可解释性,而非将人工智能模型视为不可理解的“黑箱”。在工业运营中,可解释性对决策制定起着重要作用,这在实际操作环境中尤为关键。将模型的可解释性与决策过程相结合,能让操作人员更有信心地判断是哪个现场传感器导致了异常行为。通过将LIME方法融入所提出的异常检测系统中,可以从整体数据集中筛选出最具信息量的特征,从而构建出既高效又精准的模型。
此外,所提模型还支持事后分析,这对异常检测系统而言极为重要。该方法结合了基于规则的决策机制,以及基于深度学习LSTM-AE模型重建误差训练得到的分类树。通过这种方式,该算法借助“如果-那么”规则强化了人工决策的能力。研究通过自动网格搜索确定了LSTM深度学习模型的最佳超参数。并在SWaT和Edge-IIoT这两个公开的可测试数据集上进行了大量实验以验证该方法的有效性。最后,研究还建立了包括最先进的深度学习GRU-AE、TCN、Transformer、基于隔离的序列模型以及传统机器学习分类器在内的基准模型进行对比,结果发现所提模型表现最优。总体而言,这是一种强大且可扩展的异常检测平台,非常适合在实际的工业物联网环境中部署。
总体贡献:本文的主要贡献如下:
1. 提出了一种适用于工业物联网环境的新型异常检测系统,该系统结合了混合LSTM自编码器、LIME可解释性方法以及分类树分类器。它将深度学习LSTM-AE模型与LIME方法相融合,避免了将人工智能模型视为黑箱的问题。
2. 该系统采用分阶段训练方法来训练深度学习LSTM-AE模型。首先利用正常行为模式训练LSTM自编码器,且仅使用被标记为正常的序列数据进行训练。为了根据重建误差对序列进行分类,该方法采用了两阶段的分类树结构。第一阶段的分类树基于均方误差重建误差进行训练,而在后续的顺序处理中,第二个分类树则同时考虑均方误差以及第一个分类树的预测结果。训练集仅包含正常数据,而测试集则包含正常数据和被标记为攻击的序列数据。最终的分类准确率是指正确分类的序列所占的比例。在所有测试的模型配置中,所提模型表现最佳。
3. 采用网格搜索方法优化LSTM模型的超参数,包括时间步数、LSTM单元数量以及批量大小等参数。
4. 通过在SWaT和Edge-IIoT这两个公开数据集上开展大量实验,提升了模型的泛化能力。
5. 将所提方法与包括GRU-AE、TCN、Transformer、基于隔离的序列模型以及传统机器学习分类器在内的最先进基准模型以及其他类似方法进行了比较分析。结果表明,所提模型是一种强大且可扩展的异常检测平台,非常适合在实际的工业物联网环境中应用。
文献综述:过去十年间,由于网络物理系统面临的安全问题日益严峻,工业异常检测受到了广泛关注(Tu等人,2025年;Salman和Jain,2019年)。传统的基于特征的方法难以应对动态威胁,因此有必要采用数据驱动的方法(Cui等人,2021年;Lee和Lee,2015年)。许多研究人员探索了将机器学习技术应用于工业控制系统和工业物联网系统中的攻击检测领域(Sukarno等人,2025年;Shi……)
所提出的系统:本节介绍了专为工业控制系统数据集设计的混合异常检测框架。该框架将可解释的特征选择方法与基于序列的深度学习技术以及基于分类树的分类方法相结合。整个方法包括六个关键阶段:数据预处理、特征选择、序列构建、LSTM自编码器建模、异常分类以及性能评估。后续章节将详细介绍每个子模块的内容。
性能实验:如前所述,本文通过使用SWaT和Edge-IIoT这两个公开的可测试数据集来开展实验,以验证所提出的异常检测模型。此外,为防止过拟合并提升模型的泛化能力,实验采用了k折(k=5)交叉验证方法。表3列出了模型各阶段对应的数据集详情,包括训练集和测试集的情况。初始阶段,首先使用带有第一级决策功能的LSTM-AE模型……
讨论与局限性:在工业物联网和网络物理系统中检测异常时,需要采用轻量级且资源占用较低的检测系统,因为这些系统的计算能力有限。本研究提出的一种新型异常检测系统非常适合在工业物联网和工业控制系统环境中实际应用,因为在这些环境中,时间建模和可解释性对于支持基于决策的系统至关重要。该系统整合了深度学习LSTM-AE模型,并结合LIME方法以提高模型的可解释性……
结论与未来工作:网络攻击手段不断演变,电力行业、水及污水处理厂以及工业物联网领域的工业控制系统都已沦为攻击目标。本文提出了一种异常检测框架,该框架结合了深度学习与机器学习分类算法,旨在构建高效的异常检测系统。为了解决工业环境中的异常检测问题,所提出的方法融合了深度学习中的LSTM自编码器、基于LIME方法的局部特征解释技术。作者贡献声明:Sanjeev Kumar负责撰写初稿、验证、软件开发、方法设计、数据整理以及概念构思;Anil Kumar负责审稿与编辑、监督、研究以及概念构思。利益冲突声明:作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。Sanjeev Kumar|Anil Kumar
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号