论文部分内容阅读
工业控制系统异常检测大多面临类不平衡问题，从而导致检测模型准确率下降和泛化能力变差。根据生成式对抗网络，提出一种只使用正常样本进行训练的异常检测模型——基于隐空间特征重构的生成式对抗网络模型。在训练阶段，该模型通过引入新的编码器，学习生成数据到隐空间的映射，实现生成数据的隐空间特征重构，并嵌入SE Block模块提升有效特征权重，提高隐空间特征重构能力；鉴别器同时鉴别两个编码器和一个生成器产生的3个数据对，提高模型精度和泛化能力。在检测阶段，综合考虑重构和鉴别损失，采用L2范数优化异常评分公式，克服模式崩塌。SWaT和WADI两个数据集上的验证实验结果表明，该模型在学习能力、稳定性和检测结果方面与AnoGAN、WGAN-GP和BiGAN等模型相比都具有明显优势。