公开(公告)号：CN119066596A

公开(公告)日：2024-12-03

申请号：CN202411564038.1

申请日：2024-11-05

Applicant: 暨南大学

Inventor： 林龙新 ,  谷岸阳 ,  陈玉宇 ,  王鑫

IPC: G06F18/2433 ,  G06N3/042 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/082 ,  G06F18/241

Abstract: 本发明公开了一种用于工业控制系统异常检测的深度学习方法、装置、工作介质及计算机设备。该方法构建的神经网络模型利用一维卷积和线性层提取传感器节点的时间依赖特征。物理流程图将传感器节点划分为子图，并通过设置为完全图和图注意力网络提取局部依赖特征，池化生成物理流程嵌入，应用图注意力网络捕捉流程间的全局依赖。控制图通过图注意力网络提取控制器内传感器的通信特征，通过池化生成控制器嵌入，再应用图注意力网络捕捉控制器间的信息流动。通过物理流程图与控制器通信图的联合建模，有效捕捉多层次依赖。采用早停机制避免过拟合，支持基于异常分数的异常定位。该方法能够高效检测并定位工业控制系统中的异常，保障系统安全稳定运行。

公开(公告)号：CN118487982A

公开(公告)日：2024-08-13

申请号：CN202410545612.2

申请日：2024-05-06

Applicant: 暨南大学

Inventor： 林龙新 ,  陈玉宇 ,  谷岸阳 ,  周珊

IPC: H04L45/00 ,  H04L45/74 ,  H04L45/036

Abstract: 本发明公开了一种多目标路由优化的深度学习方法、装置、存储介质及计算机设备，此方法采用图神经网络模型和多代理强化学习模型，在图神经网络模块引入基于边和路径关系的图卷积神经网络、全连接网络和循环神经网络，以增强图神经网络模块对于图中相关信息的特征挖掘和提取，强化了网络的表达能力和泛化能力，提高了路由优化的准确性和稳定性。同时还采用强化学习对神经网络进行训练，从而在保证基础路由效果的情况下，解决了传统深度学习方法需要大量标签数据的难题，提高了模型对不同流量模式的适应能力，提高了路由优化的实用性和灵活性。

公开(公告)号：CN119066596B

公开(公告)日：2025-04-08

申请号：CN202411564038.1

申请日：2024-11-05

Applicant: 暨南大学

Inventor： 林龙新 ,  谷岸阳 ,  陈玉宇 ,  王鑫

IPC: G06F18/2433 ,  G06N3/042 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/082 ,  G06F18/241

Abstract: 本发明公开了一种用于工业控制系统异常检测的深度学习方法、装置、工作介质及计算机设备。该方法构建的神经网络模型利用一维卷积和线性层提取传感器节点的时间依赖特征。物理流程图将传感器节点划分为子图，并通过设置为完全图和图注意力网络提取局部依赖特征，池化生成物理流程嵌入，应用图注意力网络捕捉流程间的全局依赖。控制图通过图注意力网络提取控制器内传感器的通信特征，通过池化生成控制器嵌入，再应用图注意力网络捕捉控制器间的信息流动。通过物理流程图与控制器通信图的联合建模，有效捕捉多层次依赖。采用早停机制避免过拟合，支持基于异常分数的异常定位。该方法能够高效检测并定位工业控制系统中的异常，保障系统安全稳定运行。