中文摘要: 为了提高工业控制系统异常检测方法的准确性、及时性以及可部署性，本文提出了一种使用深度联合学习的ICS自适应异常检测方法FL-AETFT。具体来说，首先提出了一种基于自编码器-Transformer-付立叶变换算法的轻量级局部学习模型AETFT，以提高学习速度，合理利用硬件资源，保证了部署在分布式边缘设备中的可行性。其次提出了一种只基于正常数据的无监督学习模型，并结合核分位数估计对检测机制进行自适应动态调整。与现有方法相比，它能够准确捕捉ICS中可能随时间变化的新型异常数据范式，对ICS中的异常时序数据进行正确检测。最后将上述方法整合到联合学习框架下，使其能有效地在边缘段攻击源附近进行分布式异常检测，以最大化减少系统对异常攻击的响应时间。分布式边缘计算有助于在不影响整个系统共同运行的情况下最大化阻断受影响区域，从而提高生产效率。此外，联合学习框架允许边缘节点之间共享模型信息，进而优化全局异常检测性能。在实际应用中，这解决了每个边缘节点缺乏训练数据的问题，在多变量且高维数据的情况下尤甚。