用于多产品信息物理系统鲁棒过程监控的产品感知深度自编码器

# 产品感知深度自编码器：面向多产品信息物理系统的鲁棒过程监控
来源：https://arxiv.org/html/2606.00052

###### 摘要

随着工业4.0加速信息物理系统在制造业中的集成，鲁棒的异常检测对于确保过程安全与安保变得至关重要。当前的数据驱动方法通常采用“产品无关”或全局模型，这些模型在所有正常操作数据的聚合上训练。然而，现代工业设施经常在多样化的产品等级或操作模式下运行，导致非平稳的数据分布。尽管计算简单，这些全局模型本质上会扩展其决策边界以适应多种模式的方差，从而产生“盲点”——微妙的异常或针对性网络物理攻击可能被模型宽泛的接受区域所掩盖。在本工作中，我们首先证明了上述漏洞存在于跨多种产品等级运行的全局无关模型中。然后，我们提出了一种产品感知自编码器作为有原则的缓解措施，将学习域限制为等级特定的分布。虽然这种方法降低了已识别的盲点风险，但我们并不声称它是所有可能备选方案中的最优缓解措施。我们使用扩展的田纳西伊士曼过程基准，严格验证了该方法相对于全局无关基线的性能。我们的实证结果表明，产品感知框架在标准检测指标上与全局基线表现相当，同时提供了对产品等级特定操作模式的改进鲁棒性。最关键的是，模拟我们假设攻击场景的压力测试揭示，全局模型在77.8%的场景中未能检测到操作偏差，而产品感知系统则实现了100%的检测准确率。这些发现表明，在柔性制造环境中，通用异常检测器可能带来不容忽视的安全风险，从而推动向模式感知诊断架构的转变。

###### 索引术语

异常检测，信息物理系统，深度自编码器，多模式过程监控，田纳西伊士曼过程，工业控制系统安全。

## 一、引言

现代流程工业的格局，特别是化工和石化行业，已经经历了深刻的变革。在工业4.0范式的推动下，这些行业拥抱了更高的自动化、互联性以及信息物理系统的部署。虽然这些进步优化了生产量和灵活性，但它们无意中扩大了关键基础设施的攻击面[10](https://arxiv.org/html/2606.00052#bib.bib3)。信息技术与操作技术的集成意味着工业控制系统不再是孤立的空气隔离岛，而是日益暴露于复杂的网络威胁之下。在这个物理安全、环境保护和经济连续性交织的高风险环境中，快速准确地检测异常的能力至关重要。

这些系统的脆弱性并非仅仅是理论上的。高调事件凸显了威胁格局的严重性。例如，2017年，Triton恶意软件渗透了一家石化工厂的安全仪表系统，专门针对施耐德电气的Triconex控制器，意图导致设备故障或禁用安全协议[3](https://arxiv.org/html/2606.00052#bib.bib1)。同样，2014年针对一家德国钢铁厂的网络攻击表明，数字入侵可以超越数据盗窃，对大型工业设备造成灾难性物理损坏。这些现实凸显了对警惕监控系统的关键需求，这些系统能够在恶意干预或异常过程行为升级为危险情况之前识别它们[1](https://arxiv.org/html/2606.00052#bib.bib4)。

然而，保护这些设施的难度因现代制造业固有的复杂性而增加。与在单一稳态下运行的静态系统不同，现代工厂是动态的多产品环境。为了最大化效率，设施经常在不同的操作模式之间切换，改变原料，改变产品等级如聚合物密度，或调整负荷水平。因此，过程数据的统计特征是非平稳的；在一种生产模式下被认为是“正常”的行为，在另一种模式下可能被标记为异常[12](https://arxiv.org/html/2606.00052#bib.bib5)。传统的多变量监控技术通常假设单一标称运行工况。当应用于在多个操作区域之间转换的过程时，这些“产品无关”模型会遭受严重的性能下降[16](https://arxiv.org/html/2606.00052#bib.bib6)。它们可能在合法的模式转换期间产生过多的误报，或者相反，无法检测到被不同操作模式的方差所掩盖的微妙攻击。

为了解决传统统计方法的局限性，研究界越来越多地转向数据驱动方法，特别是深度学习[2](https://arxiv.org/html/2606.00052#bib.bib2)。其中，自编码器神经网络已成为过程监控的强大工具。通过学习压缩和重建高维传感器数据，自编码器可以捕捉到主成分分析等线性方法经常遗漏的复杂非线性相关性[18](https://arxiv.org/html/2606.00052#bib.bib7)。在标准设置中，网络重建误差的显著增加表明系统已偏离学习到的分布，指示潜在的故障或攻击。虽然在平稳环境中有效，但标准自编码器本身并不考虑多模式操作。一个在所有模式上同时训练的全局自编码器可能难以学习特定产品的细微差别，导致过度泛化的模型缺乏对早期故障的敏感性[18](https://arxiv.org/html/2606.00052#bib.bib7)。这在当前文献中造成了一个明显的空白：需要一个既数据驱动（处理非线性过程复杂性）又模式感知（适应变化的生产计划）的诊断框架。将模式识别与异常检测集成对于降低误报率并在多产品设施中提供可操作的诊断至关重要[12](https://arxiv.org/html/2606.00052#bib.bib5)。本研究利用田纳西伊士曼过程作为基准来验证这种方法[13](https://arxiv.org/html/2606.00052#bib.bib19)。TEP是复杂化工厂的真实模拟，三十多年来被过程控制界广泛使用[21](https://arxiv.org/html/2606.00052#bib.bib8)。其多单元、多产品的特性使其成为评估不同操作条件下监控系统的理想代理。

在这项工作中，我们提出了一个混合框架来验证已识别漏洞的存在和原因。我们比较了一个全局无关基线与一个产品感知对应物，以证明在攻击场景中观察到的退化源于产品感知的缺失。本研究的具体目标如下：

- 理论阐述“盲点”假设，即全局异常检测器隐式扩展其接受区域以容纳多模式方差，从而掩盖微妙异常。
- 设计和实现一个产品感知自编码器框架，将学习域限制为特定产品等级，增强诊断灵敏度。
- 使用扩展田纳西伊士曼过程，定量分析所提框架相对于全局基线的性能优势，重点关注F1分数和ROC-AUC改进。
- 通过“转换压力测试”严格验证盲点假设，利用转换数据作为受控代理，评估全局无关模型是否因其扩大的接受区域而掩盖类似攻击的异常，并与产品感知模型形成对比。

本文的其余部分组织如下：第二部分概述了异常检测、模式感知诊断以及当前数据驱动方法局限性的相关文献。第三部分定义了所提出的方法，详细描述了全局与产品感知拓扑的理论框架。第四部分介绍了案例研究，描述了田纳西伊士曼过程基准、数据划分策略和实验配置。第五部分讨论实证结果，包括比较指标和模式转换期间重建误差动态的分析。第六部分概述了未来的研究方向，第七部分总结了研究发现并展望未来。

## 二、背景与相关工作

为了将所提出的框架置于背景中，有必要理解工业网络安全威胁、多产品制造的复杂性以及数据驱动监控技术的演变。

### II-A 工业异常检测的关键概念

- **ICS中的网络安全威胁**：现代工业控制系统面临能够造成物理损坏的定向攻击。显著例子包括2014年德国钢铁厂攻击（鱼叉式钓鱼导致大型熔炉损坏）[3](https://arxiv.org/html/2606.00052#bib.bib1)，以及2017年Triton恶意软件事件（突破石化厂的安全控制器）[8](https://arxiv.org/html/2606.00052#bib.bib9)。这些事件突显了多产品设施是有吸引力的目标，一次入侵即可破坏多条工艺线。
- **多模式过程中的挑战**：制造中的一个重大复杂因素是工厂在多种模式下运行（例如不同的产品等级或配方）。标准的“产品无关”异常检测器在这里经常失败，因为正常操作条件在模式之间变化很大[16](https://arxiv.org/html/2606.00052#bib.bib6)。因此，不了解当前模式的模型可能将合法的产品切换解释为异常，导致高误报率[6](https://arxiv.org/html/2606.00052#bib.bib11)。
- **基于自编码器的监控**：鉴于标记攻击数据的稀缺性，研究已转向无监督学习，特别是自编码器。自编码器在正常操作数据上训练，以压缩和重建过程变量。重建误差的尖峰标志着异常，使系统能够检测未预见的故障或网络攻击，而无需显式故障特征[15](https://arxiv.org/html/2606.00052#bib.bib16)、[9](https://arxiv.org/html/2606.00052#bib.bib10)。

### II-B 相关工作总结

表I（https://arxiv.org/html/2606.00052#S2.T1）总结了多模式异常检测和过程监控领域的关键贡献。虽然已经应用了各种统计和机器学习方法，但明显趋势是将模式感知与先进数据驱动技术集成。

表I：多模式过程监控相关文献摘要
引用插图

图1：全局与产品感知自编码器架构的比较。全局模型是一个在所有模式上训练的单一全连接自编码器，而产品感知设计为每个模式（1、3、5）训练一个自编码器，使用模式特定的正常数据。所有网络共享相同的对称架构和潜在维度，并使用均方重建误差和Adam优化器进行优化。

### II-C 研究空白与所提方法

尽管表I（https://arxiv.org/html/2606.00052#S2.T1）列出了进展，但在深度学习与模式感知诊断的交叉点上仍存在关键空白。当前解决方案往往两极分化：要么是**产品无关**（忽略模式差异，导致低灵敏度），要么是**模式特定**（需要为每个产品建立单独模型，计算成本高且难以扩展）[20](https://arxiv.org/html/2606.00052#bib.bib13)。此外，许多现有研究局限于特定的化学基准，并未充分解决处理多种操作模式复杂性和网络物理攻击不可预测性的“整体”需求[6](https://arxiv.org/html/2606.00052#bib.bib11)。

**提议方法**：为了平衡可扩展性与诊断灵敏度，本工作通过为每个产品等级训练单独的自编码器来实现产品感知异常检测策略。每个自编码器从其相应数据中学习等级特定的正常操作流形，使检测器能够在产品上下文内保持对微妙故障的灵敏度。我们将这些产品特定模型与在聚合的多等级数据上训练的全局无关自编码器进行比较，以量化全局训练如何掩盖多模式操作期间的产品级偏差。

## 三、方法

在本工作中，我们提出了一个面向多产品工业系统异常检测的通用数据驱动框架。与通常依赖线性假设的传统统计过程控制方法[5](https://arxiv.org/html/2606.00052#bib.bib17)不同，我们的方法利用深度表示学习来捕捉非线性过程动态。我们正式定义了多模式操作的挑战，并综合了两种不同的架构拓扑——全局无关和产品感知——以研究模式平均化在决策边界中创建诊断“盲点”的假设。

### III-A 问题形式化：多模式过程监控

考虑一个配备\(d\)个传感器的连续工业过程，在任意时刻\(t\)产生一个状态向量\(x \in \mathbb{R}^d\)。系统在一组有限的不同操作模式（或产品等级）下运行，记为\(\mathcal{M} = \{m_1, m_2, \dots, m_K\}\)。此类系统的一个基本特征是过程变量的统计分布取决于当前活动模式。即，对于两种不同模式\(m_i, m_j \in \mathcal{M}\)，概率密度函数不同：

\[
P(x|m_i) \neq P(x|m_j) \tag{1}
\]

因此，在模式\(m_i\)下被认为是标称（正常）的测量值\(x\)，在模式\(m_j\)下可能在统计上是异常的，反之亦然。异常检测系统的目标是学习一个决策函数\(f(x, m)\)，该函数根据当前操作模式，将观测值映射到二元状态\(y \in \{0, 1\}\)，其中0表示正常操作，1表示故障或网络入侵。

### III-B 深度自编码器框架

为了从高维传感器数据中提取鲁棒特征，而不依赖稀缺的标记故障数据，我们采用深度自编码器架构[7](https://arxiv.org/html/2606.00052#bib.bib18)。DAE作为非线性降维技术，由两个参数化网络组成：编码器\(E_\phi\)和解码器\(D_\theta\)。编码器将高维输