Aprendizaje profundo basado en fusión de características ciberfísicas para detección de anomalías en sistemas de control industrial
Autores: Du, Yan; Huang, Yuanyuan; Wan, Guogen; He, Peilin
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Aprendizaje profundo basado en fusión de características ciberfísicas para detección de anomalías en sistemas de control industrial
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Método propuesto
Detección de anomalías
LSTM-Autoencoder
GAN
Características de fusión ciberfísica
Conjuntos de datos desequilibrados
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
En este documento, proponemos un método de detección de anomalías no supervisado basado en el Autoencoder con Memoria a Corto y Largo Plazo (LSTM-Autoencoder) y la Red Generativa Adversaria (GAN) para detectar anomalías en sistemas de control industrial (ICS) utilizando características de fusión ciberfísica. Este método mejora la recuperación de la detección de anomalías y supera los desafíos de conjuntos de datos desequilibrados y muestras etiquetadas insuficientes en ICS.
Descripción
En este documento, proponemos un método de detección de anomalías no supervisado basado en el Autoencoder con Memoria a Corto y Largo Plazo (LSTM-Autoencoder) y la Red Generativa Adversaria (GAN) para detectar anomalías en sistemas de control industrial (ICS) utilizando características de fusión ciberfísica. Este método mejora la recuperación de la detección de anomalías y supera los desafíos de conjuntos de datos desequilibrados y muestras etiquetadas insuficientes en ICS.