Diagnosis driven Anomaly Detection for CPS

要約

サイバーフィジカル システム (CPS) 研究では、異常検出 (異常な動作の検出) と診断 (根底にある根本原因の特定) が別個の独立したタスクとして扱われることがよくあります。
ただし、診断アルゴリズムには、入力として症状、つまり時間的および空間的に孤立した異常が必要です。
したがって、CPS での診断のための総合的なソリューションを提供するには、異常の検出と診断を一緒に開発する必要があります。
したがって、深層学習ベースの異常検出を利用して整合性ベースの診断 (CBD) の入力を生成する方法を提案します。
私たちは、シミュレーションされた CPS データセットと現実世界の CPS データセットでアプローチを評価します。このデータセットでは、私たちのモデルが他の最先端のモデルと比較して強力なパフォーマンスを示しています。

要約(オリジナル)

In Cyber-Physical Systems (CPS) research, anomaly detection (detecting abnormal behavior) and diagnosis (identifying the underlying root cause) are often treated as distinct, isolated tasks. However, diagnosis algorithms require symptoms, i.e. temporally and spatially isolated anomalies, as input. Thus, anomaly detection and diagnosis must be developed together to provide a holistic solution for diagnosis in CPS. We therefore propose a method for utilizing deep learning-based anomaly detection to generate inputs for Consistency-Based Diagnosis (CBD). We evaluate our approach on a simulated and a real-world CPS dataset, where our model demonstrates strong performance relative to other state-of-the-art models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google