Resumen: Los procesos de diagnóstico para sistemas cibernéticos complejos a menudo requieren un amplio conocimiento previo en forma de modelos de sistemas detallados o datos de capacitación integrales. Sin embargo, obtener dicha información plantea un desafío significativo. Para abordar este problema, presentamos un nuevo enfoque de diagnóstico que opera con un conocimiento previo mínimo, que requiere solo una comprensión básica de las relaciones y datos del subsistema de operaciones nominales. Nuestro método combina un generador de síntomas de redes neuronales, que emplea la detección de anomalías a nivel de subsistema, con un nuevo algoritmo de diagnóstico de gráfico que aprovecha la información mínima de relación causal entre los subsistemas de información que generalmente está disponible en la práctica. Nuestros experimentos con conjuntos de datos simulados totalmente controlables muestran que nuestro método incluye el verdadero componente causal en su diagnóstico establecido para 82 p.c. de todos los casos, reduciendo efectivamente el espacio de búsqueda en 73 p.c. de los escenarios. Las pruebas adicionales en el conjunto de datos de tratamiento de agua seguro del mundo real muestran el potencial del enfoque para escenarios prácticos. Por lo tanto, nuestros resultados destacan el potencial de nuestro enfoque para aplicaciones prácticas con sistemas cibernéticos grandes y complejos donde hay un conocimiento previo limitado disponible.
Publicado Originalme en rss.arxiv.org El 12 de junio de 2025.
Ver Fuente Original
