張 錦,程良倫
廣東工業大學 自動化學院,廣州 510006
得益于泛在感知、先進計算以及超強連接,現代分布式信息物理融合系統(CPS)如交通網絡[1]、電廠、電網[2]均表現有強大的高效率、魯棒性以及靈活性的潛力。這一事實在世界各地以及一般工業[3]的研究當中都有提及。然而要實現這樣的潛力,針對CPS的有效建模及分析方法必須具備這樣的性質:可擴展、魯棒性、靈活性以及適應性。目前大多數分析方法是在很大程度上依賴于領域知識的需要細致校準和驗證的基于規則的模型[4]。
從性能監控和分布式CPS診斷的角度來看,技術上的挑戰來自于分布式CPS有著巨大數量的強偶合子系統[5],同時這些子系統存在不同的操作模式。要對各個子系統分別建模來捕獲其復雜的交互作用非常的棘手,但是基于數據驅動的建模方式可以有效地緩解這樣的問題[6]。然而,大多數基于數據驅動的建模方式需要大量的正樣本(無故障)及所有可能的負樣本(如,物理故障或網絡異常),負樣本在現實系統的生命周期中是很難獲取到的。因此,異常檢測方法應該有具備如下性質:(1)在沒有真正出現故障時識別大多數操作模式的潛力;(2)具備無監督學習能力從標稱模式中識別異常模式。此外,物理空間產生的主要是從傳感器和執行器而來的連續時間信息,而網絡空間主要是處理物理信息而產生離散事件驅動的數據。這種基本屬性的差別和信息本質性質的差別,使得目前大多數的方法在處理網絡空間和物理空間時,分別進行建模及分析(具體細節可以參考文獻[7])。……