站内快照 · 国内可打开。外网原文可能无法访问。
- 论文公开站arXiv
训练时数据污染对工业控制系统异常检测模型鲁棒性的影响评估
Robustness of Anomaly Detection Models for Industrial Control Systems under Training-Time Data Contamination
该研究评估了工业控制系统（ICS）中基于机器学习的异常检测模型在训练数据受污染时的鲁棒性。在SWaT基准上，对11种检测器采用三种污染策略（随机注入、相似性目标注入、特征噪声注入）进行测试，污染预算为1%至10%。结果显示，鲁棒性高度依赖模型，注入式污染影响最大，局部密度和距离检测器退化严重，而PCA、SVM等相对稳定。
意义：提醒开发者训练数据可能被污染，影响异常检测模型可靠性；评估不同检测器的鲁棒性，为选择安全关键的ICS检测方案提供参考。