La détection d'anomalies dans les systèmes de contrôle industriels nécessite une technique de détection qui allie précision et efficacité en raison de la complexité de la structure du système et de l'augmentation des exigences de réponse en temps réel. Récemment, les recherches sur la détection d'anomalies basées sur des séries temporelles se sont principalement concentrées sur des modèles haute performance basés sur Transformer ou GNN, mais leur coût de calcul élevé et leur consommation de ressources limitent leur application dans des environnements industriels en temps réel. Cette recherche propose un cadre d'apprentissage profond basé sur la décomposition de patchs fonctionnels qui reflète la topologie des relations physiques et logiques entre les équipements au sein des infrastructures, afin de résoudre ces problèmes. Les données décomposées en unités fonctionnelles conviennent à un apprentissage léger, et le modèle proposé assure une robustesse face aux changements de distribution tout en apprenant efficacement les informations contextuelles. De plus, il améliore la performance de détection d'anomalies en intégrant de manière précise les scores d'anomalies aux niveaux fonctionnel et systémique. Les résultats expérimentaux sur les bancs d'essai SWaT et WADI ont confirmé que la méthode proposée parvenait à obtenir à la fois une haute performance de détection et une excellente efficacité computationnelle.
Kim et al. (Fri,) ont étudié cette question.