WAGAN:基于小波变换和注意力机制的工控传感器数据异常检测方法

针对隐藏攻击意图的入侵行为，通过现场设备传感器实时数据反映工业控制系统运行情况，充分利用工控数据高周期性特点，提出WAGAN(Wavelet Attention Generative Adversarial Networks)的工控传感器数值异常检测方法.此方法使用多级离散小波变换分解重组的方式去除噪声并增强数据特征.为了有效提取数据的有效特征，在WAGAN模型中引入了注意力机制，并使用多层LSTM(Long Short-Term Memory)网络学习数据的潜在关联性.为了提高模型准确性，使用生成器的重构误差与判别器误差的权重和来判断异常.实验结果表明，此方法相比于现有的异常检测方法具有更高的异常检出率.