-
题名基于工业系统多维传感数据的异常检测与诊断
被引量：1
- 1
-
-
作者
蒋融融
顾国民
刘洋
周丹
周君良
-
机构
浙江开放大学教学中心
浙江工业大学计算机科学与技术学院(软件学院)
浙江浙石油综合能源销售有限公司
-
出处
《浙江工业大学学报》
CAS
北大核心
2024年第6期621-632,665,共13页
-
基金
浙江省重点研发计划项目(2021C01117)
浙江省自然科学基金重大资助项目(LD22F020002)
+2 种基金
国家自然科学基金重点资助项目(U22B2028)
浙江省科技计划项目-万人计划(2020R52011)
浙江开放大学312人才培养工程课题(ZYJXTD202202)的资助。
-
文摘
随着工业互联网的快速发展,工业控制系统实现了更敏锐、更高效的自动化控制和资源分配。对于系统中存在的设备故障、性能下降、质量缺陷等生产问题,进行异常检测和检测结果解释是工业系统的基本要求。然而,现有对深度学习模型进行解释的方法都专注于有监督学习模型,对于自编码器等新型的深度无监督学习模型,几乎无法让现有的深度学习可解释框架学习到异常样本与语义特征之间的关联,导致无法对深度无监督学习模型进行解释。为克服现有方法的不足,提出基于多维时序数据的异常检测方案,结合图注意力网络实现检测结果解释,基于一个真实的造纸数据集进行实验,异常检测结果的AUC值超过0.88,表明该方案具有可行性。
-
关键词
异常检测
异常诊断
工业控制系统
多维时序数据
可解释性
-
Keywords
anomaly detection
anomaly diagnosis
industrial control system
multidimensional time series data
interpretability
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名面向加密流量分类的深度可解释方法
被引量：2
- 2
-
-
作者
崔剑
麻开朗
孙钰
王豆
周君良
-
机构
北京航空航天大学网络空间安全学院
空天网络安全工业和信息化部重点实验室(北京航空航天大学)
浙江浙能数字科技有限公司
浙江浙石油综合能源销售有限公司
-
出处
《计算机应用》
CSCD
北大核心
2023年第4期1151-1159,共9页
-
基金
国家自然科学基金资助项目(32071775)。
-
文摘
目前的深度学习模型在加密流量分类任务上相较于传统机器学习方法的性能优势显著,然而由于它固有的黑盒特性,用户无法获知深度学习模型作出分类决策的机理。为了在保证分类准确率的同时提高深度学习模型的可信度,提出一种面向加密流量分类深度学习模型的可解释方法,包括基于原型的流量层级主动解释和基于特征相似显著图的数据包层级被动解释。首先,利用基于原型的流量原型网络(FlowProtoNet),在训练时自动提取各类流量的典型片段,即流量原型;其次,在测试时计算出待测流量与各类原型的相似度,从而在分类的同时实现训练集的溯源解释;然后,为进一步提升可视化解释能力,提出梯度加权的特征相似度显著图(Grad-SSM)方法。Grad-SSM首先通过梯度对特征图加权,过滤分类决策无关区域;接着,计算待测流量与FlowProtoNet提取的原型之间的推土机距离(EMD)得到相似矩阵,从而通过比较测试流量与该类原型,实现注意力热图的进一步聚焦。在ISCX VPN-nonVPN数据集上,所提方法的准确率达到96.86%,与不可解释的人工智能方法持平,而FlowProtoNet能通过给出与原型的相似度,进一步提供分类依据;同时,所提方法的可视化解释能力更强,注意力更聚焦于流量中的关键数据包。
-
关键词
加密流量分类
可解释人工智能
原型
溯源
可视化解释能力
-
Keywords
encrypted traffic classification
explainable artificial intelligence
prototype
traceability
visual explainability
-
分类号
TN391
[电子电信—物理电子学]
-
