计算机科学与探索

作者：李新春, 谭新欢, 李琳, 许驰

单位：1. 辽宁工程技术大学 电子与信息工程学院，辽宁 葫芦岛 1251052. 辽宁理工学院 智能工程学院，辽宁 锦州 1210133. 中国科学院 沈阳自动化研究所 机器人学国家重点实验室，沈阳 1100164. 中国科学院 网络化控制系统重点实验室，沈阳 110016

关键词：工控系统,异常检测,少样本,模型无关的元学习（MAML）

基金：国家自然科学基金（92267108，62173322）；辽宁省科学技术计划（2023JH3/10200004，2022JH25/10100005）；辽宁省兴辽英才计划（XLYC2403062）。

工控系统在不断网络化的过程中，正面临着层出不穷的新型网络攻击，导致传统异常检测方法因样本数量有限、泛化能力不足而造成检测精度低的问题。为此，采用模型无关的元学习（MAML）架构，提出基于卷积神经网络的深度元学习（D-MAML）异常检测方法。构建D-MAML的内、外双循环异常检测架构。其中，内循环提取样本特征，外循环动态更新参数，以提高模型泛化能力，满足少样本检测需求。设计元模块增强的卷积神经网络，并基于梯度下降法更新内循环模型参数，提高特征提取能力。提出基于多步损失函数的外循环模型参数更新算法，提高算法稳定性。采用余弦退火算法动态更新外循环学习率，解决算法泛化能力不足问题。基于三个公开的数据集对D-MAML进行了5分类实验验证。结果表明，D-MAML的单样本最佳准确率为67.17%，多样本最佳准确率可进一步提升到92.84%。

来源：2025年第8期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第8期