MAD-SGCN: Multivariate Anomaly Detection with Self-learning Graph Convolutional Networks

当今的信息物理融合系统(cps)是大型且复杂的数据密集型系统。为了准确、及时地检测可能发生的入侵或故障，需要对大量相互连接的传感器和执行器产生的数据进行持续监测和分析。近年来，基于深度学习的多变量时间序列无监督异常检测技术被提出，用于检测CPSs攻击。然而，目前的方法要么受限于其表示学习方法，无法同时有效地编码时间和空间信息，要么无法在没有明确了解不同变量或传感器之间的内部关系的情况下容易扩展到其他任务，而这些变量或传感器对表征CPSs数据至关重要。本文提出一种新的无监督多元时间序列异常检测方法MAD-SGCN，利用长短期记忆网络(LSTMs)和基于谱的图卷积网络(GCNs)有效地同时捕获输入序列的时间和空间相关性。设计了一种自监督图结构学习机制，以最小化对CPSs网络结构先验知识的使用。在4个CPS数据集上的实验验证了所提方法的优越性。