文章总结： 本文介绍谛听团队提出的工控异常检测模型MC-GCAN。该模型融合多尺度时间特征与依赖感知动态图，解决工业时间序列多尺度建模与依赖演化难题。其双层自适应诊断策略在基准数据集上实现高精度与高召回，且模型轻量低延迟，具备近实时部署可行性，可为异常根因分析提供节点级定位线索。 综合评分： 85 文章分类： IoT安全,软文广告

谛听 | 面向工业时间序列的可解释异常检测：一种多尺度层次因果启发图网络

谛听网络安全团队 谛听网络安全团队

谛听ditecting

2026年7月12日 09:00 辽宁

在小说阅读器读本章

去阅读

近日，“谛听”团队方宇珊博士撰写的论文《Multi-scale hierarchical causality-inspired graph network for interpretable anomaly detection in industrial time series》（面向工业时间序列的可解释异常检测：一种多尺度层次因果启发图网络）已被国际期刊《Engineering Applications of Artificial Intelligence》录用并在线发表。（点击文后“阅读原文”可获取论文）

       在工业控制系统（ICS）中，传感器网络持续产生大量多变量时间序列数据。异常检测不仅要“报得准”，还要能回答“哪里异常、为什么异常、异常如何传播”。本文提出多尺度因果启发图卷积注意力网络 MC-GCAN，通过多尺度时间建模、依赖感知动态图学习、节点级/系统级双层自适应判定，实现高精度、可解释的工业异常检测。

《Engineering Applications of Artificial Intelligence》是Elsevier旗下工程人工智能方向期刊，关注人工智能方法在工程系统中的理论、算法与应用研究，涵盖智能制造、过程监测、故障诊断、工业安全与复杂系统建模等方向。

       影响因子：9

文章引用方式：

Fang Y, Yao Y, Yang W, et al. Multi-scale hierarchical causality-inspired graph network for interpretable anomaly detection in industrial time series[J]. Engineering Applications of Artificial Intelligence, 2026, 181: 115294.

论文内容介绍

1 研究背景

随着工业自动化和数字化程度不断提升，工业控制系统已成为现代制造与关键基础设施的重要组成部分。大量传感器与执行器构成复杂的监测网络，持续记录压力、流量、液位、电流等状态变量，为设备健康管理、生产安全和异常溯源提供数据基础。

然而，工业时间序列具有明显的多尺度特征：一方面，异常可能表现为短时间内的突发尖峰、阀门快速切换或流量瞬时波动；另一方面，也可能表现为长周期趋势漂移、设备退化或持续性传感器偏移。只依赖单一时间尺度的模型，往往难以同时覆盖这两类异常。

与此同时，工业传感器并不是孤立工作的。上游设备的扰动会通过工艺链路影响下游液位、流量和压力信号，形成跨设备、跨工段的级联传播。图1以SWaT水处理过程为例，展示了上游水箱液位传感器LIT101发生扰动后，异常影响会继续传导至LIT301、LIT401和FIT401等下游变量。

图1 SWaT中的级联异常传播示例：上游LIT101扰动会影响下游液位与流量传感器

因此，面向工业场景的异常检测模型至少需要解决三个问题：第一，能否同时捕获短期突发和长期趋势；第二，能否动态刻画传感器之间随工况变化而变化的依赖关系；第三，能否在系统告警之外给出节点级定位结果，帮助运维人员开展根因分析。

针对上述挑战，本文提出多尺度层次因果启发图网络MC-GCAN，将多尺度时间特征、依赖感知动态图和双层自适应阈值整合到统一的无监督异常检测框架中。

2 主要贡献

（1）提出一种协同式多尺度因果启发框架MC-GCAN。该框架层次化融合短期、中期和长期时间模式，并结合图结构信息学习传感器之间的空间依赖，从而提升复杂工业数据中的异常检测鲁棒性。

（2）设计依赖感知动态图学习机制。不同于静态图或单纯相关性图，MC-GCAN同时利用Graphical Lasso推断条件依赖关系，并通过深度嵌入学习行为相似性，再借助门控机制自适应融合两类图视角。

（3）提出可解释的双层异常诊断策略。模型分别在节点级和系统级给出异常判定，并利用无监督节点重要性评分与自适应阈值实现细粒度定位，为根因分析提供可操作线索。

（4）引入对比学习优化表示空间。通过构造相邻时间窗口的正样本和跨节点/跨时间的负样本，模型能够增强正常状态表示的紧凑性，并提高对细微异常的区分能力。

3 提出的通用检测框架：MC-GCAN

MC-GCAN是一个面向工业控制系统的无监督异常检测框架。如图2整体流程包括四个核心模块：多尺度时间特征提取、依赖感知动态图构建、基于图的表示学习与对比优化、层次化自适应异常判定。模型只利用正常运行数据进行训练，在测试阶段根据重构误差、节点重要性和系统级聚合结果识别异常。

图2 MC-GCAN整体框架

3.1 层次化多尺度特征学习

为兼顾突发异常与持续性异常，MC-GCAN从每个滑动窗口中截取短期、中期和长期三个时间尺度的子序列，并分别输入独立的LSTM编码器。随后，模型使用多头自注意力机制对不同尺度的时间表示进行自适应融合，使其能够根据当前工况自动关注最有信息量的时间尺度。

在时间特征之外，框架进一步引入结构增强表示。通过谱聚类确定结构邻域，再利用图注意力网络聚合邻居节点的融合特征，最终得到同时包含多尺度动态与结构上下文的节点表示。

3.2 依赖驱动动态图学习

工业系统中的传感器关系既包含由物理连接形成的直接影响，也包含由功能耦合形成的间接关联。为此，MC-GCAN构建了双嵌入机制：一种嵌入用于图结构推断，另一种嵌入用于后续信息传播和异常判定。

在图结构构建中，模型从两个视角学习传感器关系。第一个视角是条件依赖视角，利用Graphical Lasso估计稀疏精度矩阵，以捕获在控制其他变量后仍然存在的直接依赖。第二个视角是行为相似性视角，利用节点结构学习嵌入之间的余弦相似度描述传感器行为模式的接近程度。随后，门控融合机制将两类信息组合为最终的动态邻接矩阵，并通过Top-K稀疏化保留最重要的邻居。

3.3 GNN与对比优化

获得动态图后，MC-GCAN使用图注意力网络在每个时间窗口内进行信息传播，使节点能够从动态邻域中吸收上下文信息。模型再将GNN输出与多尺度时间表示拼接融合，形成最终节点嵌入。

为了让表示空间更利于异常区分，论文引入InfoNCE对比损失：同一节点在相邻时间窗口中的表示被视为正样本，不同节点或相距较远时间窗口的表示被视为负样本。这样一来，正常状态的表示会更紧凑，而异常或不一致状态更容易被拉开。

3.4 双层自适应异常判定

在节点级，模型通过轻量解码器重构每个传感器在当前窗口末端的观测值，并计算平方重构误差。由于不同传感器的量纲、范围和波动特征不同，论文采用基于中位数和四分位距的稳健归一化方法，将各节点异常分数调整到可比较尺度。进一步地，模型综合PCA、方差分析、自编码器重构误差、孤立森林分数和平均互信息五类无监督指标计算节点重要性，并据此为每个传感器设置个性化阈值。重要节点的阈值会适度降低，以提高对关键变量异常的敏感度；低重要性节点则保持接近基线阈值，减少误报。

在系统级，框架对所有节点的标准化异常分数进行最大聚合，并使用滑动平均平滑孤立噪声点，最终得到系统级告警结果。这样的双层策略既能判断系统是否异常，也能指出具体异常节点。

4 实验评估（只展示部分实验）

本文在两个广泛使用的工业控制系统基准数据集SWaT和WADI上验证MC-GCAN的有效性。SWaT包含51个传感器与执行器，覆盖7天正常运行和4天攻击场景；WADI作为更复杂的水分配系统，包含123个传感器与执行器，覆盖14天正常运行和2天攻击场景。

4.1. 对比实验

实验将MC-GCAN与13种无监督异常检测方法进行比较。如表2显示，在SWaT数据集上，MC-GCAN取得0.9648的最佳F1分数，精确率/召回率分别为0.9623/0.9674。与精确率较高的Transformer相比，MC-GCAN的召回率从0.8156提升至0.9674，F1分数从0.8941提升至0.9648，说明模型能够在保持较低误报的同时覆盖更多异常。

在更复杂的WADI数据集上，MC-GCAN取得0.8804的F1分数，并获得所有比较方法中最高的召回率0.8822。对于工业安全监测来说，漏报往往比误报带来更高风险，因此高召回能力具有重要实际

      表1MC-GCAN与基线方法在SWaT和WADI上的检测性能对比

图3 AUC-F1对比结果：MC-GCAN在两个数据集上均位于高F1、高AUC区域

4.2 计算效率与部署可行性

工业控制系统通常需要持续在线监测，因此检测模型不仅要准确，还要足够轻量。实验表明，MC-GCAN在SWaT和WADI上的参数量均低于0.05M，单窗口推理延迟分别为3.04 ms和4.11 ms，峰值内存分别为69.5 MB和168.5 MB。在与代表性基线模型的效率比较中，MC-GCAN处于延迟和吞吐的第一梯队，同时保持较强检测性能。这说明多尺度建模与动态图学习并不必然带来难以接受的部署开销，经过编译、量化等工程优化后，可用于近实时工业网关监测。

表2 MC-GCAN计算效率与代表性基线效率对比

4.3 消融实验

消融实验围绕多尺度输入、依赖驱动图、Graph Lasso条件依赖、对比损失、自适应阈值以及负相关处理进行验证。结果表明，完整MC-GCAN在SWaT上F1为0.9648、在WADI上F1为0.8804；去除多尺度、动态图或自适应阈值后性能下降更加明显，说明时间尺度融合、传感器依赖建模和节点级自适应判定是主要增益来源。此外，将负相关按绝对值纳入相似性图后，效果略低于完整模型，说明默认保留非负相似性能够在稳定性和可解释性之间取得较好平衡。

表3 MC-GCAN消融实验结果

4.4 特征重要性分析

本文综合PCA、方差分析、自编码器重构误差、孤立森林分数和平均互信息五类无监督指标评估节点重要性。SWaT中，AIT-201、AIT-402、AIT-502、DPIT-301和PIT-503的重要性较高，说明这些水质、压差和压力相关变量对系统状态变化更敏感；P-601、P-602、P-102和P-401的重要性较低，其中备用泵P-602正常时长期为0，因此统计变化较小。

图4进一步展示了不同传感器在正常与攻击状态下的分布差异。DPIT-301和AIT-402在攻击时分布明显扩展，AIT-402（水质分析仪）还会出现超过正常上界的尖峰；而P-102、P-401的正常与攻击分布差异较小，说明它们本身对状态变化不够敏感，更适合作为辅助判断节点。

图4 SWaT传感器特征重要性及正常/攻击状态下的数据分布

4.5 可解释性分析

如图5所示，正常工况下，模型预测值与真实值整体高度一致。WADI中的2B_AIT_001_PV为连续测量信号，2_MV_601_STATUS为二值开关状态，3_LT_001_PV为液位周期波动；SWaT中的AIT-503为分析仪信号，FIT-501为流量指示，PIT-502为压力指示。即使面对高频波动、突降和阶跃变化，模型仍能跟踪正常运行模式。

图5 WADI和SWaT正常工况下真实值与预测值对比

如图6所示，攻击场景中，论文重点分析AIT-202、LIT-101、P-102、LIT-301、FIT-401和LIT-401六个关键传感器/执行器。图10中绿色区域表示直接攻击，黄色区域表示间接影响。AIT-202、LIT-101和P-102在攻击时残差迅速升高；P-102还体现了Attack 30和Attack 34引发的间接启停；FIT-401和LIT-401则说明模型在持续攻击和常规扰动并存时，仍能区分正常波动与攻击异常。

图6 SWaT攻击场景下关键传感器的预测值、真实值与残差变化

4.6 节点级异常定位

节点级定位利用每个节点的标准化异常分数和自适应阈值，先判断系统是否异常，再输出可能受影响的传感器/执行器集合。该结果可为根因分析提供统计线索，但不等同于对物理故障源的唯一证明。

如表4所示，与DIPN和S2S-NN相比，MC-GCAN在多个场景中定位更完整：Attack 11和Attack 22可识别多组件异常；Attack 30能发现P-102因连锁影响异常启动；Attack 25可标出P-402持续运行；Attack 6能够捕获AIT-504的延迟影响；Attack 28虽未直接标出P-302，但识别了下游FIT-401异常，说明模型能捕捉异常传播后的结果。

表4 SWaT不同攻击场景下节点级异常定位结果对比

定量结果如表5显示，在36个有物理影响的攻击中，宏平均Precision/Recall/Jaccard为0.82/0.74/0.72，微平均Precision达到0.98，说明误报较少；22/36个案例与真实集合完全一致，30/36个案例至少命中一个真实节点。5个无物理影响攻击的误定位率为0，体现了较好的负例抑制能力。

表5 物理影响攻击点定位的逐样本评价结果

5. 总结

本文提出的MC-GCAN围绕工业时间序列异常检测中的三个核心痛点展开：多尺度时间动态难以统一建模、传感器依赖关系随工况变化而演化、黑盒告警难以支撑根因分析。通过多尺度时间编码、条件依赖与行为相似性融合的动态图学习、对比优化以及节点级/系统级双层自适应阈值，MC-GCAN在检测精度、泛化能力和可解释性之间取得了较好平衡。

第一作者：方宇珊

东北大学博士研究生，主要研究方向包括工控网络异常检测、智能体蜜罐、网络空间资产识别等方向。

指导教师：姚羽

东北大学教授，“谛听”团队创始人，复杂网络系统安全保障技术教育部工程研究中心主任。

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：谛听ditecting 谛听网络安全团队 谛听网络安全团队《谛听 | 面向工业时间序列的可解释异常检测：一种多尺度层次因果启发图网络》