Swat Industrial Control System Testbed
PulseAugur coverage of Swat Industrial Control System Testbed — every cluster mentioning Swat Industrial Control System Testbed across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的 SwaT 方法实现了跨架构的直接 LLM 代理通信
研究人员开发了一种名为 SwaT 的新方法，允许大型语言模型 (LLM) 代理通过直接映射模型间的表示来更有效地进行通信。这种方法绕过了当前代理将内部状态转换为文本，然后由下一个代理重新读取的标准做法。SwaT 跨不同模型架构传输表示的能力可以显著加快多代理 LLM 的交互。
-
联邦学习利用物理定律保障关键基础设施异常检测
研究人员开发了一种新颖的联邦学习方法，该方法利用质量守恒等物理不变性来保障关键水务基础设施中的异常检测模型。此方法允许运营商在不泄露敏感运营数据的情况下训练共享的入侵检测模型。通过从干净的运营数据中自动挖掘这些不变性，系统可以验证模型更新的完整性，并区分诚实贡献和数据投毒攻击的贡献。该方法已在 SWaT 和 WADI 等水务测试平台进行了测试，证明了其在拒绝伪造遥测数据和提高各种攻击的检测率方面的有效性，并且可以通过零知识证明验证合规性。
-
新的XPHYSICS方法实现了跨域威胁溯源，以增强ICS安全
研究人员开发了XPHYSICS，一种用于评估网络威胁在不同工业控制系统（ICS）之间可转移性的新颖方法。该系统使用与来源相关的、目标导向的条件来验证在一个工厂中记录的威胁是否适用于另一个工厂并可进行评估。XPHYSICS采用五个资格标准，包括角色兼容性和阶段一致性，以确保准确的威胁溯源。在水处理、配水和化学加工目标上的评估证明了该系统在跨域重用威胁信息方面的有效性。
-
研究人员发现数字孪生退化信号表明存在网络物理攻击
研究人员开发了一个新的框架，通过监控数字孪生的时间不一致性来检测网络物理攻击。该方法在正常系统行为上训练数字孪生预测器，然后分析预测状态与观测状态之间的差异。这些不一致性被转化为捕捉预测残差演变的时间特征，然后由无监督密度模型和序列变化检测机制使用，以识别表明攻击的偏差。该框架已在工业控制系统数据集上进行了评估，即使在数字孪生视图退化的情况下，也显示出高检测可靠性和低误报率。
-
新的CMR-Mamba方法改进了工业故障检测
研究人员开发了CMR-Mamba，一种用于工业系统无监督故障检测的新方法，它超越了传统关注单个传感器数据的技术。这项新技术利用Mamba状态空间编码器来监控传感器组之间的因果关系，识别可能逃避标准监控的耦合故障。在机电、液压和网络物理系统上的实验证明了CMR-Mamba的有效性，特别是在检测保持正常传感器统计数据的细微故障方面。
-
TimesFM基础模型在多元异常检测方面无效
一项最新研究探讨了将TimesFM（最初为单变量时间序列预测设计的基础模型）应用于复杂的多变量时间序列异常检测（MTSAD）任务。研究人员评估了两种方法：使用TimesFM的预测误差作为异常指标，以及使用其中间表示与标准异常值检测器结合。这两种方法都被证明对于可靠的MTSAD无效，未能达到既有基线方法的水平。
-
新验证方法可检测工业控制器中隐藏的恶意逻辑
研究人员开发了一种新的形式化验证方法，称为 ESBMC-LLB，用于检测隐藏在可编程逻辑控制器 (PLC) 程序中的恶意逻辑，即梯形逻辑炸弹 (LLBs)。该方法利用 ESBMC-PLC+ 验证引擎和一种新颖的建模层来暴露现有验证器通常会忽略的功能块逻辑。ESBMC-LLB 能有效地将炸弹检测重塑为形式化验证问题，能够识别非终止载荷和执行器伪造载荷。该系统在公共数据集上展示了高检测率，在识别自适应触发器和提供炸弹缺席的稳健证明方面优于其他方法。
-
新的基础模型通过学习到的可靠性提升了时序因果发现能力
研究人员推出了一种新颖的基础模型——时序因果先验-数据拟合网络（TCPFN），专为零样本时序因果发现而设计。该模型通过处理时序动态、时变处理和未观测混淆因素，解决了现有方法的局限性，同时在因果效应估计的同时提供了学习到的可靠性信号。TCPFN 包含一个因果判断头，用于预测各种因果属性，以及一个涵盖六种因果模式的混合训练先验。它在基准数据集上展示了具有竞争力的性能，并具有工业应用的可扩展性。
-
新研究推动时间序列异常检测方法发展
研究人员正在开发先进的时间序列异常检测方法，重点是提高准确性和可解释性。新方法包括用于根本原因分析的条件归因、基于注意力的查询动态以及在专业基准上训练的高效视觉语言模型。其他工作探索了Kolmogorov-Arnold网络和协同分类-重建框架，以增强对细微异常的检测并提高泛化能力。
-
PhaseNet++ 利用相位数据进行高级工业控制系统异常检测
研究人员开发了PhaseNet++，一种利用时频变换相位信息来检测工业控制系统（ICS）中异常的新方法。与以往仅关注幅度的先前方法不同，PhaseNet++ 利用了短时傅里叶变换的幅度和相位谱。该系统包含一个相位相干指数来指导图注意力网络，以及一个Transformer编码器来捕捉系统级结构，在安全水处理（SWaT）基准测试中取得了高性能。