摘要
工业水处理厂越来越依赖信息物理系统（CPS）和自动化控制流程来确保其运营的安全性和效率。然而，数字控制网络的嵌入使这些关键基础设施容易受到复杂的信息物理攻击，包括对化学加药单元和物理执行器的恶意篡改。本文提出了一种基于人工智能的异常检测框架，该框架利用真实的工业数据集来识别水处理系统中的多阶段恶意活动。该系统在“Secure Water Treatment (SWaT)”数据集上进行了开发和验证，该数据集包含了从完全运作的物理测试平台在正常运营和有针对性的信息物理攻击情况下收集的多变量传感器和执行器时间序列数据。首先，通过基于卡尔曼滤波器的传感器融合模块过滤掉高频传感器噪声，并最大化跨通道测量的可靠性。随后，使用针对高维边界隔离优化的无监督隔离森林算法分析融合后的状态向量。为了消除由隐蔽的低幅度数据注入引起的误阴性结果（这些数据注入能够绕过纯统计模型），引入了一个基于物理过程控制的确定性规则验证层。通过将离散线性卡尔曼滤波器与无监督隔离森林和确定性物理规则结合使用，该框架有效抑制了高频传感器噪声，使均方根误差（RMSE）降低了67.8%，同时在复杂的工业攻击场景中保持了高检测精度。实验结果表明，所提出的混合框架具有出色的检测能力，精度约为95%，召回率约为93%，场景级F1分数为94.1%（样本级F1分数为21.5%），边缘推理延迟为0.6毫秒，充分证明了其在模拟的实时工业边缘计算环境中的适用性。研究结果进一步证实，将统计机器学习、状态空间传感器融合和不变的物理过程逻辑结合起来，可以为关键工业基础设施提供抵御现代信息物理威胁的强韧防御机制。
