摘要
在工业监控的网络物理系统（CPS）中，对多变量传感器时间序列的异常检测至关重要。即使是轻微的正常行为偏差也可能表明过程中的干扰。尽管近期的基于图的方法取得了显著进展，但在小规模物理系统中，尤其是在标记异常和正常数据稀少的情况下，它们常常面临挑战。这种环境下，基于图的模型往往会捕捉到虚假的相关性，导致不稳定的传感器拓扑。
我们提出了DPR-GM（领域先验正则化图建模），这是一个基于预测的框架，旨在将系统设计知识融入图的构建中。DPR-GM利用大型语言模型（LLM）从系统文档中提取传感器对之间的定向物理耦合，这些耦合被编码为一个二进制领域邻接矩阵，作为传感器关系的结构门。该门通过从正常训练数据中估计的Pearson相关性进行调制。异常分数进一步通过从变异系数派生的传感器级可靠性加权。所有图和加权组件在训练前均已固定，并且没有可学习参数。
在SKAB基准测试中，DPR-GM在F1、AUROC和AUPRC等指标上超越了基于图的、统计的和深度学习的基线，表明领域结构化图先验在数据稀缺的CPS中是完全学习拓扑的实用替代方案。
博主点评： DPR-GM方法通过有效结合领域知识与图建模，不仅提升了异常检测的准确性，还增强了模型在数据稀缺情况下的稳定性，展现了其在网络物理系统监控中的巨大潜力。