مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه فناوری اطلاعات و ارتباطات ایران 2717-0411 17 66 2026 2 26 A Self-supervised Sensors’ Anomaly Detection Scheme in Industrial Control Systems based on Ensemble Deep Learning ارائه یک روش خودنظارتی کشف ناهنجاری حسگرها در سامانه‌های کنترل صنعتی مبتنی بر یادگیری عمیق گروه‌محور fa آرمین سلیمی بدر دانشگاه شهید بهشتی آتنا عبدی افشین سوزنی پژوهشگاه ارتباطات و فناوری اطلاعات 2024 8 17 <p>In this paper, a self-supervised one-class sensors&rsquo; anomaly detection approach based on ensemble deep learning for industrial control systems (ICS). Technological advancements have allowed them to connect to the internet to improve the performance of their remote control. Although this connection provides many advantages for ICS, it causes vulnerabilities against cyber-attacks. Anomaly detection is a prominent process to mitigate faults along with the cyber-attacks. In this context, several anomaly detection methods are proposed that are mainly based on local and short-term analyses of the data. The proposed method employs an ensemble deep learning scheme based on combining various temporal, spatial, local, and global characteristics of the individual detection agents during the prediction process, simultaneously. The detection agents have a homogenous workflow with heterogenous prediction structures to consider various characteristics of the input signal. The considered structures of the proposed detection method are based on Long-Short-Term Memory , Convolutional Neural Network, and fully connected encoder-decoder schemes. Each unit calculates a normal degree based on the prediction and reconstruction error for the input signal. The normal degree is calculated based on the statistics of the encoder-decoder error considering the correlations among spatial and temporal features. These structures execute in parallel and send their results to a weighted threshold gate voter to determine the final output. To evaluate the efficiency of the proposed method, several experiments on a simulated ICS are performed and the results demonstrate an average improvement of 14% in precision compared to related studies.</p> <p>در این مقاله رویکرد خودنظارتی کشف ناهنجاری داده&zwnj;های حسگر مبتنی بر یادگیری عمیق گروه&zwnj;محور و یک دسته&zwnj;ای در کاربردهای کنترل صنعتی ارائه شده است. سامانه&zwnj;های کنترل صنعتی با پیشرفت فناوری و به منظور افزایش کارایی در کنترل از راه دور به اینترنت متصل شده&zwnj;اند. این اتصال در کنار مزایای زیاد منجر به افزایش آسیب&zwnj;پذیری در برابر حملات سایبری شده است.کشف ناهنجاری یکی از فرایندهای شناخته شده مواجهه با اشکالات و حملات سایبری می&zwnj;باشد.بدین منظور رویکردهای کشف ناهنجاری متعددی ارائه شده&zwnj;اند که عموما مبتنی بر تحلیل محلی و کوتاه&zwnj;مدت داده&zwnj;ها می&zwnj;باشند.روش پیشنهادی با بکارگیری رویکردی گروه&zwnj;محور متشکل از چندین عامل تشخیص مبتنی بر روش&zwnj;های یادگیری عمیق مختلف، ویژگی&zwnj;های زمانی، مکانی، محلی و سراسری داده در فرایند پیش&zwnj;بینی را به&zwnj;صورت همزمان درنظر می&zwnj;گیرد.عوامل تشخیص دارای روند کاری همگن و ساختار پیش&zwnj;بینی ناهمگن می&zwnj;باشند تا هر یک بر اساس ویژگی ساختار مورد استفاده شاخصه&zwnj;های متفاوتی از سیگنال ورودی را مورد بررسی قرار دهند. ساختارهای درنظر گرفته شده در روش پیشنهادی برپایه حافظه بلندکوتاه مدت، شبکه عصبی پیچشی و شبکه عصبی تمام&zwnj;متصل می&zwnj;باشد. هر واحد تشخیص درجه هنجاربودن برای سیگنال ورودی بر مبنای تحلیل آماری خطای پیش&zwnj;بینی ساختار کدگذار-کدگشای خود با در نظر گرفتن همبستگی زمانی-مکانی بین ویژگی&zwnj;ها محاسبه می&zwnj;کند.این ساختارها به&zwnj;صورت موازی اجرا شده و رای&zwnj;گیری وزن&zwnj;دار آستانه&zwnj;محور با هدف مشخص کردن نتیجه نهایی از اجماع روش&zwnj;ها بر خروجی&zwnj;های عوامل تشخیص اعمال می&zwnj;شود.به&zwnj;منظور بررسی قابلیت&zwnj;های روش پیشنهادی، آزمایش&zwnj;های متعددی بر بستر سامانه کنترل صنعتی شبیه&zwnj;سازی شده انجام گرفته است و نتایج بهبود دقت میانگین 14% نسبت به رویکردهای پیشین را نشان می&zwnj;دهد.&emsp;</p> http://jour.aicti.ir/ar/Article/Download/47707