主要观点：现代工业自动化中安全至关重要，网络风险上升影响行业可持续运营，需采取主动方法应对不断演变的网络威胁，本文提出利用人工智能构建异常检测框架，结合深度学习 LSTM 模型和机器学习分类器，用于工业自动化中的异常检测和预测。

关键信息：

• 介绍了工业 4.0 相关技术带来的机遇与挑战，提出构建用于工业物联网（IIoT）网络异常检测的稳健模块设计。
• 方法论部分提出一种混合异常检测系统，包括 LSTM-Autoencoder 和机器学习决策树分类器，其架构由 LSTM 自编码器训练模式和决策树模型识别异常模式组成。
• 实施部分使用公开的 Secure Water Treatment testbed（SwaT）数据集，通过一系列步骤进行数据处理、特征工程、模型构建和训练，包括导入库、加载预处理数据集、创建时间序列、定义 LSTM 自编码器模型、K 折交叉验证等，并报告平均指标。
• 结论部分指出该框架能识别可持续工业自动化系统中的异常模式，结合深度学习和机器学习算法，通过案例研究在公开数据集上取得显著性能，可作为后续研究和开发的起点。

重要细节：

• 数据集包含 11 天实际水厂操作数据，7 天正常条件和 4 天攻击条件，有 26 个传感器和 25 个执行器，每秒捕获快照。
• LSTM 自编码器模型通过压缩和解压缩输入序列学习时间模式，重建误差用于识别异常。
• K 折交叉验证将数据集分为 5 部分，训练模型仅使用“正常”数据，通过阈值检测异常，结合两个决策树提高性能。
• 最终报告了平均准确率、精确率、召回率和 F1 值等指标。