想象一下，你是一位庞大、高科技管弦乐团的指挥家，但你的乐器不是小提琴或鼓，而是分布在巨大工厂中的数千个传感器。这些传感器不断演奏着数字的交响乐，测量着从水压到化学水平的一切指标。在工业自动化领域，这被称为多元时间序列异常检测（Multivariate Time Series Anomaly Detection, MTAD）。这本质上是倾听这场数字交响乐，并在整场演出演变成灾难之前，捕捉到哪怕只有一个乐器奏错音符的艺术。
长期以来，计算机一直试图仅通过“聆听”来学习这种音乐。它们使用一种被称为**图神经网络（Graph Neural Networks, GNNs）的人工智能。你可以把 GNN 想象成一名侦探，他试图通过观察哪些传感器的数值变化步调一致，来推断哪些传感器是“朋友”。如果传感器 A 上升，随后传感器 B 也随之上升，侦探就会假设它们之间存在联系。但问题在于，在拥有许多阶段的复杂工厂中，传感器可能仅仅因为巧合而看起来像是朋友，或者它们可能以侦探仅靠“聆টি听”无法察觉的方式进行着隐秘的连接。这就是过程知识（process knowledge）**发挥作用的地方。这就像是给侦探一张工厂布局图，让他们能够根据机器实际的构造方式，明确知道哪些传感器理应相互关联，而不仅仅是根据数据的表现。
研究人员在来自两个水处理厂（SWaT 和 WADI 数据集）的真实世界数据上测试了这一想法。他们发现，通过使用工厂地图，他们的系统在识别网络攻击和故障方面明显优于那些仅靠数据进行“聆听”的系统。例如，在一次测试中，该方法在 SWaT 数据集上实现了 0.8233 的 F1 分数（一种衡量准确度的指标），击败了所有对比的顶尖方法。论文指出，这种方法之所以有效，是因为它帮助 AI 理解了工厂的“规则”，从而防止被奇怪但无害的数据模式所误导。然而，作者也指出了一项局限性：他们目前的模型并未充分考虑工业数据中自然的随机性或“噪声”，这可能会导致其有时对预测过于自信。他们建议，未来的版本可以增加一层概率机制来处理这种不确定性，但就目前而言，结果表明，赋予 AI 一些关于工厂运作方式的人类知识，能让它成为一名更敏锐的侦探。