李怡/周长兵：知识增强的图注意力异常检测（KeAD）模型【IEEE TSC, 2025】

2025-11-04     发布：[人工智能学院]谢卓均    点击：8次

随着工业物联网（IIoT）系统的快速发展，异常检测已成为保障工作流健康运行的关键环节。现有异常检测方法主要分为两类：基于预测的模型与基于知识的模型。前者利用时间序列预测学习工作流的正常模式，能够捕捉潜在的依赖关系但缺乏可解释性；后者利用领域知识进行异常判断，具备较强的可解释性但缺乏数据驱动的鲁棒性。因此，如何在遵循时空依赖关系建模的基础上，兼顾领域知识融合与可解释性分析，并将二者协同融合，以实现对工业物联网系统中网络攻击类异常行为的精准识别，已成为当前工业工作流智能监测的关键科学问题。

针对这一挑战，我校人工智能学院博士研究生李怡在周长兵教授的指导下，与加州大学Pu Sun硕士研究生、浙江大学邓水光教授、清华大学孙骁研究员、天津大学薛霄教授、法国图卢兹大学Sami Yangui老师，以及法国南巴黎电信学院Walid Gaaloul教授，提出了一种知识增强图注意力异常检测模型（KeAD）（图1）。该模型以时间序列与知识图结构的联合建模为核心，融合领域知识以增强图结构学习、图注意力预测以及异常检测三个模块，实现了对工业物联网设备异常行为的精准预测与诊断。主要贡献如下：

1、提出知识增强图结构学习机制：结合时间序列特征与领域知识（如设备功能、流程依赖、物理约束等），构建知识增强的时空关联图结构（KeG），提升了拓扑关系建模的准确性；

2、设计知识增强图注意力预测网络（KeGAF）：在图结构上引入注意力机制，通过领域特征聚合学习设备间复杂的动态依赖关系，进而预测设备未来状态，强化了正常模式的稳健学习；

3、建立知识增强异常检测机制：结合预测偏差与知识规则进行联合判别，实现了异常事件的精确定位与可解释性分析（图2）。

图1 知识增强图注意力异常检测模型（KeAD）整体框架

图2 数据驱动图、知识驱动图、知识增强图对比及可解释性定位示意

实验在SWaT与WADI两组公开的工业控制水系统数据集上验证了模型性能。结果显示（图3），KeAD在Precision、Recall和F1-score三项指标上均显著优于现有方法，平均F1提升幅度最高，体现出良好的泛化性与鲁棒性。此外，消融实验表明，知识增强图结构（KeG）与图注意力预测模块（KeGAF）是性能提升的关键因素。参数敏感性分析进一步验证了模型在不同窗口长度、嵌入维度和批量大小下的稳定表现（图4）。

图3 KeAD与基线方法性能对比

图4 参数敏感性分析

本研究受到国家自然科学基金（62372420和62402460），深地国家科技重大专项项目：“重点金矿集区四维建模与数字孪生的靶区优选”（2024ZD1001900）等联合资助。成果发表在国际权威期刊《IEEE Transactions on Services Computing》：李怡，周长兵，Pu Sun，邓水光，孙骁，薛霄，Sami Yangui，Walid Gaaloul. KeAD: Knowledge-enhanced Graph Attention Network for Accurate Anomaly Detection [J]. IEEE Transactions on Services Computing (TSC), 2025, 18(4): 2172-2187.（中国计算机学会CCF A类期刊，影响因子：5.8）

  全文链接：https://ieeexplore.ieee.org/document/11050989