Mejora de la detección de anomalías en series temporales multivariantes en redes de sensores industriales mediante la...

Área de la Ciencia:

• IoT Industrial y Sistemas Ciberfísicos
• Análisis de Sistemas Complejos
• Machine Learning para la Detección de Anomalías

Sus antecedentes:

• La detección de anomalías en datos multivariantes de series temporales es un desafío para sistemas industriales complejos como los sistemas ciberfísicos (CPS) y el Internet de las Cosas (IoT).
• Los sensores interconectados en estos sistemas significan que las anomalías locales pueden propagarse, complicando la detección debido a relaciones implícitas y complejas.
• Los métodos existentes a menudo luchan por caracterizar sistemáticamente estas intrincadas interdependencias del sistema.

Objetivo del estudio:

• Desarrollar un método avanzado de detección de anomalías para sistemas industriales complejos utilizando datos multivariantes de series temporales.
• Representar y modelar formalmente las relaciones implícitas dentro de estos sistemas interconectados.
• Mejorar la precisión y la caracterización sistemática de la detección de anomalías.

Principales métodos:

• Se utilizaron redes neuronales de grafos (GNN) integradas con un mecanismo de atención basado en entropía estructural.
• Se desarrolló un modelo estructural basado en redes para representar las relaciones implícitas en sistemas industriales complejos.
• Se implementó un método para distinguir los pesos de los nodos vecinos de alto orden según su ubicación y analizar la entropía del sistema para identificar elementos clave.

Principales resultados:

• El método propuesto demostró un rendimiento mejorado en la detección de anomalías en comparación con los enfoques de referencia.
• Se validó la efectividad en múltiples conjuntos de datos de referencia, incluidos SMAT, MSL, SWaT y WADI.
• Se modelaron con éxito las relaciones multielemento y se representaron formalmente las interacciones implícitas del sistema.

Conclusiones:

• La red neuronal de grafos con un mecanismo de atención basado en entropía estructural ofrece una solución robusta para la detección de anomalías en sistemas industriales complejos.
• Este enfoque proporciona una forma sistemática de caracterizar las relaciones implícitas y mejorar la precisión de la detección.
• Los hallazgos son aplicables a diversos campos, incluidos los sistemas de control industrial (ICS), los sistemas de detección de intrusiones (IDS) y la detección remota.