2025年6月，实验室杜鑫博士撰写的论文“Data-Augmented Robust Multivariate Anomaly Detection for Industrial Cyber-Physical Systems with Incomplete Features”被期刊International Journal of Machine Learning and Cybernetics（影响因子2.7）录用。

 “Data-Augmented Robust Multivariate Anomaly Detection for Industrial Cyber-Physical Systems with Incomplete Features”分析了石油炼化装置攻击检测中面临的关键挑战。网络攻击或系统故障可能导致传感器数据采集异常，造成部分特征在较长时间内持续缺失。在多步攻击或由攻击引发的次生异常的持续监控场景下，若检测模型无法有效应对特征缺失问题，将严重影响检测性能。因此，攻击检测器需具备在不完整数据条件下仍能稳定运行的鲁棒监控能力。针对检测过程中特征持续缺失问题，文章提出了一种基于数据增强的鲁棒多变量异常检测方法。该方法在模型训练阶段引入静态数据增强与动态鲁棒特征学习相结合的混合增强机制，通过重构偏差分析框架，提升模型在特征缺失情况下的鲁棒性。在自建的催化裂化分馏单元仿真数据集以及公开的水供应系统数据集上的实验结果表明，所提出的方法可以提升异常检测的鲁棒性和泛化能力。

 论文研究得到了国家自然科学基金项目（62127808、62320106005）的资助。