Few-shot Detection of Anomalies in Industrial Cyber-Physical System via Prototypical Network and Contrastive Learning

要約

インダストリー 4.0 の急速な発展により、ネットワーク攻撃による産業用サイバー フィジカル システム (CPS) の範囲と破壊力が拡大しています。
これらの攻撃を特定し、産業用 CPS の正常な動作を保証するために、異常検出技術が採用されています。
ただし、ラベル付けされたサンプルが少ないシナリオに対処することは、依然として困難な問題です。
この論文では、産業用CPSからの限られたラベル付きデータで異常を識別するためのプロトタイプネットワークと対照学習に基づく少数ショット異常検出モデル（FSL-PN）を提案します。
具体的には、特徴抽出器のトレーニング プロセスを支援するための対照的な損失を設計し、より細かい特徴を学習して識別性能を向上させます。
その後、分類中のオーバーフィッティングの問題に取り組むために、特定の正則化子を使用して堅牢なコスト関数を構築し、一般化機能を強化します。
少数ショット設定の 2 つの公開不均衡データセットに基づく実験結果は、FSL-PN モデルが F1 スコアを大幅に改善し、異常な信号を識別するための誤警報率 (FAR) を削減して、産業用 CPS のセキュリティを保証できることを示しています。

要約(オリジナル)

The rapid development of Industry 4.0 has amplified the scope and destructiveness of industrial Cyber-Physical System (CPS) by network attacks. Anomaly detection techniques are employed to identify these attacks and guarantee the normal operation of industrial CPS. However, it is still a challenging problem to cope with scenarios with few labeled samples. In this paper, we propose a few-shot anomaly detection model (FSL-PN) based on prototypical network and contrastive learning for identifying anomalies with limited labeled data from industrial CPS. Specifically, we design a contrastive loss to assist the training process of the feature extractor and learn more fine-grained features to improve the discriminative performance. Subsequently, to tackle the overfitting issue during classifying, we construct a robust cost function with a specific regularizer to enhance the generalization capability. Experimental results based on two public imbalanced datasets with few-shot settings show that the FSL-PN model can significantly improve F1 score and reduce false alarm rate (FAR) for identifying anomalous signals to guarantee the security of industrial CPS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google