| DC Field | Value | Language |
|---|
| dc.contributor.author | Orazdurdyyeva, G. O. | - |
| dc.contributor.author | Bekiyeva, M. B. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2026-05-04T06:15:31Z | - |
| dc.date.available | 2026-05-04T06:15:31Z | - |
| dc.date.issued | 2026 | - |
| dc.identifier.citation | Orazdurdyyeva, G. O. Adaptive multi-scale heterogeneous graph learning for real-time anomaly detection in industrial cyber-physical systems = Адаптивное многомасштабное неоднородное обучение графов для обнаружения аномалий в реальном времени в промышленных кибер-физических системах / G. O. Orazdurdyyeva, M. B. Bekiyeva // Big Data и анализ высокого уровня = Big Data and Advanced Analytics : сборник научных статей XII Международной научно-практической конференции, Республика Беларусь, Минск, 23 апреля 2026 года : в 2 ч. Ч. 1 / Белорусский государственный университет информатики и радиоэлектроники [и др.] ; редкол.: В. А. Богуш [и др.]. – Минск, 2026. – С. 311–317. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/63501 | - |
| dc.description.abstract | The proliferation of IIoT devices introduces complex security vulnerabilities in cyber-physical systems. We propose AMS-HGNN, an Adaptive Multi-Scale Heterogeneous Graph Neural Network for real-time industrial anomaly detection. Our architecture features a Scale-Adaptive Graph Convolution mechanism, a DomainBridge Fusion module correlating cyber and physical entities, and a Lightweight Edge-Optimized design achieving sub-15ms inference on ARM devices. Evaluated on three industrial datasets (2.3M+ events), AMS-HGNN achieves an Fl-score of 0.938 on the SWaT benchmark - a 6.8% improvement over existing methods - while reducing computational overhead by 42%. Results confirm adaptive multi-scale learning as a viable pathway for deployable industrial security monitoring. | en_US |
| dc.language.iso | en | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | Big Data | en_US |
| dc.subject | heterogeneous graph neural networks | en_US |
| dc.subject | multi-scale learning | en_US |
| dc.subject | cyber-physical systems | en_US |
| dc.subject | anomaly detection | en_US |
| dc.subject | industrial loT | en_US |
| dc.subject | edge computing | en_US |
| dc.subject | real-time security | en_US |
| dc.title | Adaptive multi-scale heterogeneous graph learning for real-time anomaly detection in industrial cyber-physical systems | en_US |
| dc.title.alternative | Адаптивное многомасштабное неоднородное обучение графов для обнаружения аномалий в реальном времени в промышленных кибер-физических системах | en_US |
| dc.type | Article | en_US |
| local.description.annotation | Распространение устройств промышленного Интернета вещей (ПоТ) приводит к возникновению сложных уязвимостей безопасности в кибер-физических системах. Мы предлагаем AMS- HGNN - адаптивную многомасштабную гетерогенную графовую нейронную сеть для обнаружения аномалий в реальном времени в промышленных системах. Наша архитектура включает механизм масштабноадаптивной графовой свёртки, модуль Domain-Bridge Fusion, связывающий кибер- и физические сущности, а также лёгкую edge-оптимизированную архитектуру, обеспечивающую время вывода менее 15 мс на устройствах с архитектурой ARM.Оценка на трёх промышленных наборах данных (более 2,3 млн событий) показывает, что AMS-HGNN достигает Fl-меры 0,938 на наборе данных SWaT - что на 6,8% выше по сравнению с существующими методами - при одновременном снижении вычислительных затрат на 42%.Результаты подтверждают, что адаптивное многомасштабное обучение является перспективным подходом для внедряемого мониторинга промышленной безопасности в реальном времени. | en_US |
| Appears in Collections: | BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : сборник научных статей : в 2 ч. (2026)
|
