Аномалии временных рядов

Обнаружение аномалий в кибербезопасности промышленных систем критически важно для обеспечения автоматизированного принятия решений. Существующие подходы часто не справляются с обработкой сложных, неизвестных топологических временных рядов, что требует повышения точности обнаружения аномалий. В данной статье представлена новая двухуровневая структура обнаружения аномалий, сочетающая обобщенный лапласиан графа (GGL), вейвлет-разложение (WAVE) и усовершенствованную сверточную нейронную сеть (CNN). На первом уровне предлагаемый метод использует GGL для эффективного выявления аномальных окон в промышленных временных рядах. На втором уровне разрабатывается точный метод обнаружения аномалий для анализа аномальных окон, выявленных GGL, с использованием вейвлет-разложения для извлечения признаков и усовершенствованной CNN для классификации. Эффективность предлагаемого подхода GGL-WAVE-CNN подтверждена на основе реального набора данных, содержащих сетевой трафик SCADA-системы на предприятии в Китае. Экспериментальные результаты демонстрируют истинно положительный процент (TPR) 97,54%, что подтверждает надежность и точность предлагаемого метода при решении сложных задач промышленной кибербезопасности. - An Anomaly Detection Method for Industrial System Cybersecurity Based on GGL-WAVE-CNN