基于GAN-Cross的工控系统类不平衡数据异常检测

工业控制系统异常检测存在类不平衡问题，导致通用分类器很难实现异常数据的精准识别。目前，针对类不平衡数据，常用采样方法实现各类数据的平衡，以提高分类器性能。但传统采样方法对数据集特征敏感，采样效果稳定性差，异常检测精度波动大。文章基于生成式对抗网络（Generative Adversarial Network,GAN），提出一种GAN-Cross采样模型，该模型可以学习目标数据的概率分布，并生成相似概率分布的数据，从而改善数据的平衡性。同时，文章在生成器和判别器中增加了交叉层，从而更好地实现特征提取。最后文章将该模型与随机森林、K-近邻、高斯朴素贝叶斯和支持向量机4种经典分类器进行组合，在4个公开类不平衡数据集上与其他4种常规采样方法进行比较。实验结果表明，与传统采样方法相比，该模型能够显著提高分类器对类不平衡数据的异常检测能力。