産業4.0の進展に伴い製造業でサイバーフィジカルシステム（CPS）の統合が加速する中、プロセスの安全性とセキュリティを確保するための堅牢な異常検知が極めて重要になっている。現在のデータ駆動型アプローチは通常、「製品非依存」またはグローバルモデルを採用し、すべての正常運転データの集合体で学習する。計算は単純だが、現代の産業施設は多様な製品等級の下で稼働することが多く、グローバルモデルは複数モードの分散を許容するために決定境界を本質的に拡大し、「盲点」を形成する。この広い受容領域により、微妙な異常や標的型サイバーフィジカル攻撃が隠蔽される可能性がある。
MD Shafikul Islamら著者らはまず、複数製品等級で動作するグローバル製品非依存モデルに上記の脆弱性が存在することを実証した。次に、学習領域を等級特有の分布に限定する原則的な緩和策として、製品認識型オートエンコーダを提案した。著者らはこれがすべての可能な代替案の中で最適な緩和策であるとは主張せず、特定された盲点リスクを低減することを示す。
研究チームは拡張テネシー・イーストマン・プロセス（TEP）ベンチマークを用いて、製品認識型フレームワークをグローバル非依存ベースラインと厳密に比較した。実験結果では、標準的な検出指標において製品認識型フレームワークはグローバルベースラインと同等の性能を示す一方、製品等級特有の運転モードに対する堅牢性が向上した。最も重要な点として、仮説の攻撃シナリオを模擬したストレステストでは、グローバルモデルが77.8%のシナリオで運転偏差を検出できなかったのに対し、製品認識型システムは100%の検出精度を達成した。
これらの知見は、フレキシブル製造環境において汎用異常検知器が無視できないセキュリティリスクをもたらす可能性を示唆しており、モード認識型の診断アーキテクチャへの転換を促すものである。本論文はarXiv:2606.00052として公開され、人工知能（cs.AI）と機械学習（cs.LG）の分野に属する。