在工业4.0推动下，网络物理系统（CPS）在制造业中的集成不断加速，稳健的异常检测已成为保障过程安全与信息安全的关键能力。当前主流的数据驱动方法通常采用“产品无关”或全局模型，即在所有正常工况数据的聚合上训练单一检测器。这种做法的计算成本较低，但现代工业设施往往需要在多种产品等级下运行，全局模型的决策边界会为容纳多模态方差而被动扩张，从而形成“盲区”：一些细微异常或针对性的网络物理攻击可能藏匿于模型过于宽松的接受区域之内，无法被及时识别。
针对这一问题，论文首先通过实验证明，跨多个产品等级运行的全局无关模型确实存在上述脆弱性。随后作者提出一种“产品感知自编码器”（Product-Aware Autoencoder）作为有原则的缓解方案，其核心思路是将学习域限制在特定产品等级的分布之内，而不是让一个模型同时覆盖所有工况。作者同时明确表示，并不宣称该方法是所有可能替代方案中的最优解，只是针对已识别盲区风险的一种合理缓解手段。
在验证方面，研究团队使用扩展田纳西伊士曼过程（Extended Tennessee Eastman Process，TEP）基准，将产品感知框架与全局无关基线进行严格对比。实验结果显示，在标准检测指标上，产品感知框架的表现与全局基线相当；同时在应对特定产品等级运行模式时具备更好的稳健性，这意味着按产品等级分别建模并不会以显著牺牲常规检测性能为代价。
最关键的是压力测试结果。在模拟作者设定的假想攻击场景时，全局模型在77.8%的场景中未能检测到运行偏差，而产品感知系统则实现了100%的检测准确率。这一鲜明对比表明，在柔性制造环境中，通用型异常检测器可能带来不容忽视的安全风险。作者据此认为，制造业的异常检测架构有必要从“一刀切”的通用模型转向能够感知运行模式的诊断架构，从而在多样化的产品等级下维持可靠的监控与防护能力。
该论文于2026年5月13日提交至arXiv，编号为arXiv:2606.00052v1，作者为MD Shafikul Islam等两人，主题归类为人工智能（cs.AI）与机器学习（cs.LG）。