Published
2026-11-03
Section
Articles
How to Cite
基于多源双注意力与跨源一致性约束的智慧水务工业控制系统异常检测方法
胡 浩
绵阳师范学院地理与环境学院
廖 玉婷
绵阳师范学院地理与环境学院
马 润翔
绵阳师范学院地理与环境学院
史 定川
绵阳师范学院地理与环境学院
李 敏
宜宾学院
DOI: https://doi.org/10.59429/hjfz.v8i10.15689
Keywords: 智慧水务；多源时序；双注意力；跨源一致性约束；异常检测
Abstract
针对智慧水务工业控制系统多源运行信息在语义、动态特征及关联关系上的差异，提出一种具有跨源一致性 约束的多源双注意力双向长短期记忆网络（MSDA-BiLSTM-CCN）异常检测方法。模型保持物理运行侧、控制状 态侧和网络代理侧的来源结构，利用来源内特征注意力与参数互不共享的 BiLSTM 进行变量重标定和时序建模，经 多源融合后采用时间注意力聚合历史信息；并依据网络代理侧—控制状态侧的数据派生关系和控制状态侧—物理运 行侧的闭环响应关系，引入双关系跨源一致性辅助约束。独立测试结果表明，模型 AP、F1 和 FPR 分别为 0.8522、 0.7760 和 0.615%，较 BiLSTM 的 AP 和 F1 提高 28.16 和 23.44 个百分点；引入 CCN 后，AP 和 F1 进一步提高 5.07 和 4.85 个百分点。结果表明，该方法能够有效利用多源结构差异及跨源关联信息，可改善智慧水务工业控制系统的异 常检测性能。
References
[1] 谢丽霞，王嘉敏，杨宏宇等. 时间序列异常检测方法研究综述[J]. 中国民航大学学报，2024,42(3): 1-12+18.
[2] 陈福荣，熊琛，李婷等. 时间序列异常检测综述[J].北京交通大学学报，2025,49(3): 1-13.
[3] 杨超城，严宣辉，陈容均等. 融合双重注意力机制的时间序列异常检测模型[J]. 计算机科学与探索，2024,18(3): 740-754.
[4] Zhao M, Peng H, Li L, et al. Graph attention network and informer for multivariate time series anomaly detection[J].Sensors, 2024, 24(5): 1522.
[5] 肖刚，卢大鹏，郑文博等. 基于时空图注意力网络的多变量时序数据异常检测方法[J]. 浙江大学学报 ( 工学版 )，2025,59(10): 2134-2143.
[6] Zheng Y, Koh H Y, Jin M, et al. Graph spatiotemporal process for multivariate time series anomaly detection with missing values[J]. Information Fusion,2024, 106: 102255.
[7] 胡智超，余翔湛，刘立坤等. 基于关系挖掘和注意力的多维时序异常检测[J]. 信息安全学报，2024,9(6):100-113.DOI:10.19363/J.cnki.cn10-1380/tn.2024.11.07.
[8] Lin L, Gu A, Min F, et al. Multi-level graph attention network-based anomaly detection in industrial control system[C]//Actuators. MDPI, 2025, 14(5):210.
[9] 周丹，凌捷. 结合对比学习的双分支多维时间序列异常检测方法[J]. 计算机应用研究，2025,42(2):507-513.DOI:10.19734/j.issn.1001-3695.2024.07.0286.
[10] 吴雨露，凌捷. 基于双图与多层次对比的多变量时间序列异常检测方法[J]. 计算机应用研究，2026,43(3):825-831.DOI:10.19734/j.issn.1001-3695.2025.07.0236.
[11] Darban Z Z, Webb G I, Pan S, et al. CARLA: Self-supervised contrastive representation learning for time series anomaly detection[J]. Pattern Recognition,2025, 157: 110874.
[12] Xiao B W, Xing H J, Li C G. MulGad: Multi-granularity contrastive learning for multivariate time series anomaly detection[J]. Information Fusion, 2025,119: 103008.
[13] 黄哲彬，杨根科. 基于关联差异的工业控制系统异常检测模型[J]. 微型电脑应用，2025,41(7): 5-9.
[14] 孙海丽，黄炎，韩兰胜等. 基于无监督时空状态估计的信息物理系统细粒度异常诊断[J]. 通信学报，2025,46(7): 45-59.
[15] Tang S, Ding Y, Wang H. Industrial control anomaly detection based on distributed linear deep learning[J]. Computers, Materials & Continua, 2025, 82(1): 1129-1150.
[16] 赵培，乔焰，胡荣耀等. 基于多域特征提取的多变量时间序列异常检测[J]. 计算机应用，2024,44(11): 3419-3426.
[17] 蒋辉，闫秋艳，姜竹郡. 面向多元时间序列异常检测的对称正定自编码器方法[J ] . 计算机应用，2024,44(10): 3294-3299.
[18] 索逸凡，刘松华，郝秋智. 基于高阶特征聚合的时间序列异常检测方法[J]. 计算机应用，2026,46(4): 1131-1138.
[19] 廖思睿，黄飞虎，战鹏祥等. DCDAD: 考虑上下文依赖差异化的时间序列异常检测模型[J]. 计算机科学，2025,52(6): 106-117.
[20] 尹春勇，张不凡 . 基于多尺度的多变量时间序列异常检测模型[J]. 计算机应用，2026,46(3): 790-797.