玻尔百科在我们这个日益仪器化的世界中，我们依赖于传感器持续不断的数据流来监测一切，从国家电网到单块电池的健康状况。但我们如何信任这些数据呢？虽然一条信息在密码学上可以是安全的，但其内容在物理上却可能是不可能的——例如，传感器报告在一个沸腾的房间里管道结冰了。这种数据完整性与语义真实性之间的差距，对我们关键系统的安全性和可靠性构成了重大风险。本文介绍的基于物理的异常检测是一种强大的范式，它通过将不可改变的物理定律作为真理的最终仲裁者来应对这一挑战。通过倾听与世界已知运行方式不符之处，我们可以构建出鲁棒、透明且值得信赖的检测器。我们将首先探讨其核心的原理与机制，详细介绍如何利用物理不变量、统计分析和动态模型来区分真正的异常和纯粹的噪声。随后，在应用与跨学科联系部分，将展示这些概念卓越的通用性，展示它们在能源、地球科学和医学等不同领域的应用。
在我们宇宙的核心，从星系的宏大舞蹈到原子的狂热抖动，都存在着定律。这些不是议会的法律，可以被修改或忽视，而是物理学不可改变的原则。它们是真理的最终仲裁者，是每个物理过程的沉默叙述者。基于物理的异常检测，其核心是与这些定律的对话。这是一种艺术，即如此专注地倾听一个系统的行为，以至于我们能听到它何时在说谎——偏离了它本应讲述的故事。因此，一个异常，简单来说，就是一个被检测到的谎言，一个系统行为与物理真理相矛盾的时刻。
但在一个复杂的系统中，“真理”是什么？这个概念比仅仅确保一个数据包在从传感器到计算机的旅程中没有被损坏要深刻得多。一条信息可以带着完美的密码学完整性到达——未经篡改、经过验证、原始无瑕——但它却可能是一个彻头彻尾的谎言。想象一个传感器报告说，在一个温暖的房间里，一箱水已经完全结冰。消息本身是有效的，但其内容在物理上是荒谬的。我们必须区分消息的完整性和其意义的完整性。基于物理的检测关注的是后者：数据的语义完整性，即其对真实世界的忠实度。
要识破一个谎言，你必须首先知道真相。在物理学中，真相通常以不变量的形式表达：无论发生什么，都必须成立的关系。这些不变量是我们的基本工具，是我们用于物理世界的测谎仪。
一些不变量是简单的、永恒的陈述。想象一下，你正在监测一段天然气管道。理想气体定律是每个化学学生的良师益友，它告诉我们，对于给定体积 中给定量的气体 ，压力 和温度 被锁定在一个由 描述的关系中，其中 是一个普适常数。如果我们重新整理这个式子，会得到一个优美的不变量：。这个方程是健康的陈述。我们可以定义一个残差，，它表示这一陈述被违反的程度。在一个拥有完美测量的完美世界里，这个残差将永远为零。如果一个传感器开始失灵或出现泄漏，测量值将不再满足该定律，残差就会发出警报，标志着异常的出现。
其他不变量是动态的；它们讲述的不是“是什么”，而是“正在变成什么”。考虑一个化工厂里的大型加热罐。热力学第一定律是物理学的基石，它规定了其温度应该如何变化。温度变化率 由能量流入（来自加热器和入口管道）和能量流出（通过出口和散失到周围环境的热量）之间的平衡精确决定。我们可以基于这个能量平衡写出一个“动态不变量”。根据系统的测量状态（当前温度、流速、加热器功率），我们可以计算出物理上预测的变化率 。然后，我们可以将其与我们从温度传感器实际测量的变化率 进行比较。在这种情况下，残差是两者之差：。如果这个残差显著不为零，那么系统就没有按照物理学的要求运行。这个原理是普适的，适用于罐中的质量守恒、电池中的电荷守恒以及电网节点上的基尔霍夫电流定律。
当然，现实世界是一个嘈杂的地方。我们的传感器并非完美，我们的模型也只是近似。即使在一个完全健康的系统中，残差也永远不会精确为零。它会因为随机的测量噪声而不断地低语和波动。因此，关键问题变成了：残差要喊得多大声我们才去听？低语何时变成了咆哮？
这就是统计学静谧之美发挥作用的地方。如果我们知道来自各个传感器的噪声的统计特性——它们的平均误差（理想情况下为零）和方差（它们倾向于波动的程度）——我们就可以预测残差中的预期噪声。这被称为不确定性传播。对于我们的管道例子，压力、体积、温度和物质的量传感器的不确定性（）都会对最终残差的不确定性 产生影响。我们可以精确计算这些单独的噪声如何组合产生残差的总方差。
一旦我们知道了在正常、有噪声的条件下残差的预期统计分布（通常是高斯分布或“钟形曲线”分布），我们就可以设定一个检测阈值。例如，我们可能会说，我们愿意接受 1% 的误报率（）。利用高斯分布的特性，我们可以计算出一个阈值 ，使得随机噪声只有 1% 的时间会超过这个阈值。只有当 时，警报才会被触发。这个决策不再是任意的；它是一个经过计算的风险，是在预期噪声和真正异常之间划下的一条理性的界线。
对于像智能电网这样真正复杂的系统，单一的不变量方程是不够的。系统是相互作用部分的交响乐，其健康状况反映在其随时间的整体演变中。为了监测这样的系统，我们构建一个数字孪生或一个观测器——一个与真实系统并行运行的数学模型。这个模型通常以状态空间形式（如 ）表示，它封装了系统动态的已知物理学。
这个数字孪生持续接收与真实设备相同的控制指令（），并对传感器测量值（）“应该”是什么样子做出预测。残差，现在称为新息，是实际传感器读数（）与模型预测之间的差异：。这个新息代表了“意外”——物理系统提供的、我们模型无法预见的新信息。在一个健康的系统中，这个意外应该很小，仅由随机噪声组成。而一个异常会产生一个大的、结构化的意外。
当我们有许多传感器时，残差 是一个向量，而不是一个单一的数字。我们如何判断它的大小？一个简单的欧几里得范数并不理想，因为它平等对待所有传感器。但如果一个传感器的固有噪声是另一个的十倍呢？在嘈杂传感器上的大偏差，其意外程度要小于在精确传感器上的小偏差。为了处理这个问题，我们使用一个统计上“智能”的度量工具，称为马氏距离 (Mahalanobis distance)，通常写为 。矩阵 是残差的协方差，我们的模型可以预测它。它在其对角线上包含每个传感器残差的方差，在非对角线上包含它们之间的相关性。马氏距离通过其预期的不确定性恰当地加权了残差的每个分量，并考虑了相关性，为我们提供了一个单一的、有原则的评分，用于衡量系统状态的异常程度。
在人工智能时代，很自然会问：为什么不直接训练一个机器学习模型来学习什么是正常的，什么不是？这种数据驱动的方法可能非常强大，但与基于物理的方法相比，它有一套不同的优点和缺点。
想象一下我们有两个用于估算电池荷电状态（SOC）的估计器：一个是基于物理的卡尔曼滤波器，另一个是深度神经网络。机器学习模型从大量的历史数据中学习复杂的模式。然而，它是一个黑箱；它从根本上不“理解”电池是什么。一个攻击者可以对传感器输入制造一个微小、几乎无法察觉的扰动——一个对抗性样本——这会让机器学习模型陷入混乱，导致它预测出一个物理上不可能的 SOC，比如说 150%。
相比之下，基于物理的滤波器建立在电荷守恒定律（库仑计数）之上。它的结构本身就强制执行了物理约束。它知道 SOC 不能超过 100%。它有一个电池电压行为的内部模型，并使用残差检查来提问：“这个电压对于我看到的电流来说合理吗？”如果答案是否定的，它可以拒绝该测量值，保护自己不被误导。这种结构提供了纯数据驱动模型所缺乏的内在鲁棒性和护栏。
这种鲁棒性也有助于减少误报。考虑一个在需求突然变化期间的电网。对于一个在稳态数据上训练的机器学习模型来说，这种瞬态事件可能在统计上看起来不寻常，从而触发误报。但是一个检查基尔霍夫电流定律的基于物理的检测器会看到，尽管变化很大，但电流在每个节点处的总和仍然正确地为零。它识别出一个物理上一致但动态的事件，并正确地保持沉默，减少了困扰许多异常检测系统的“狼来了”问题。
基于物理的检测器很强大，但并非无懈可击。一个聪明的攻击者，知道我们在监视物理上的不一致性，可以设计出本身在物理上一致的攻击。最巧妙的例子是协同重放攻击。攻击者记录下来自所有传感器的长时间、完全正常的数据流。稍后，他们劫持传感器通道，然后简单地“重放”这些陈旧的、良性的数据。重放的数据是完全自洽的；它满足我们能想到的所有物理不变量。我们这个寻找物理定律违反的静态测谎仪被愚弄了，因为重放的数据讲述了一个连贯但过时的故事。
我们如何挫败这种复杂的欺骗？我们必须引入一个重放数据无法拥有的概念：一个与当前时刻不可伪造的链接。我们必须让时间本身成为我们不变量的一部分。
一个绝妙的策略是驱动水印。我们在发送给系统执行器的控制信号中添加一个秘密的、随机的“摆动”。这个水印是一个私有签名，只有我们知道。然后我们在传感器读数中寻找这个签名的回声。如果我们施加了我们的秘密摆动，但在传感器数据中没有看到相应的效果，我们就知道数据不是实时的；它肯定是一段录音。我们在系统的控制端和传感端之间创建了一个动态的、时变的握手。重放的数据由于与我们当前的秘密摆动在因果上是脱节的，将无法通过这个握手。
这指向一个更广泛的原则：最强大的防御是混合和多层的。我们可以将一个关注通信模式中统计异常的网络中心检测器，与一个检查物理学原理的控制中心检测器结合起来。我们可以通过添加测量不同物理量的新传感器来引入多样性，从而创建更难欺骗的跨模态检查。对于一层防御来说是隐蔽的攻击，对另一层来说可能显而易见。通过构建一个让物理定律、统计学原理和密码学智慧协同工作的系统，我们可以创造出不仅聪明，而且真正智慧的检测器。
在我们走过基本原理和机制的旅程之后，你可能会感到满意，但也会有一个问题：这一切是为了什么？这是一个合理的问题。科学不仅仅是优雅抽象思想的集合；它是理解和与世界互动的工具。真正的魔力发生在我们看到这些原理从纸上跃入我们周围有形的、复杂的、奇妙的现实中。一个物理定律的真正美妙之处不仅在于其数学形式，还在于它在惊人广泛的领域中不可思议的有效性。我们一直称之为“基于物理的异常检测”的，不过是运用我们对世界“应该”如何运作的最深刻理解，来注意到它何时并非如此的艺术。
让我们踏上一段新的旅程，这次不是进入原理本身，而是进入它们令人惊讶和强大的应用。我们将看到同样的基本思想如何保护一个城市的电网，诊断一个新生婴儿，甚至帮助我们解读地球深处燃烧的火焰的微妙迹象。
物理定律最直接的应用或许是在工程世界，在那里我们制造的机器在可能性的边缘运行。在这里，异常不仅仅是一种好奇心；它可能是灾难的前兆。而我们最信赖的守护者往往是最简单也最深刻的定律：能量守恒。
想象一下锂离子电池，我们现代生活中默默无闻的主力。在其内部，化学和电学的精妙舞蹈正在上演。但这场舞蹈可能变成一场熊熊大火——热失控。这是什么？它不过是一个简单而可怕的反馈循环。电池内部化学反应产生的热量随温度升高而增加。同时，电池向周围环境散热。只要散热能跟上，一切都好。但有一个临界点。如果电池变得足够热，热量产生速率随温度的增加可能会超过散热速率的增加。现在任何微小的温度上升都会产生比能被移除的更多的热量，导致温度以爆炸性的级联方式更快地上升。安全的条件是一个源自热力学第一定律的简单不等式。一个异常检测器可以监测电池的状态，并通过了解这个物理定律，在临界点到达之前很久就能看到它的临近。
但如果一个恶意行为者试图愚弄我们的检测器呢？假设一次网络攻击欺骗了一个温度传感器，使系统相信一切正常，而实际上并非如此。在这里，我们物理理解的深度成为我们的盾牌。攻击者可以谎报温度读数，但他们无法改变电化学定律。我们可以使用其他可信的测量值，如电流和电压，从第一性原理计算出“必须”产生多少热量。如果这个基于物理的预测与温度传感器的报告大相径庭，我们不仅检测到了异常，我们还检测到了一个说谎者。这种针对物理定律的交叉验证是现代信息物理系统安全的支柱。
我们的物理直觉可以带我们走得更深，在问题萌芽之初就检测到它们。考虑析锂这一微妙过程，这是一种可能导致电池失效的退化机制。这种析出过程会微小地改变电池内部的电化学界面，这可以被建模为一种称为双电层电容的属性的变化。虽然我们看不见析锂，但我们可以看到它的影响。根据电磁学定律，这种电容的变化会在充电过程中导致电压变化率（）出现一个微小但有特征的下降。通过构建一个针对这种特定物理特征调谐的检测器——这个过程类似于信号处理中的匹配滤波器——我们可以从正常操作的背景噪声中挑出析锂的微弱低语。
我们甚至可以利用物理学的“空间”特征。一个初期的副反应，即热失控的种子，通常始于一个微小的局部热点。一个分布在电池上的传感器阵列可以检测到这一点。但我们不只是寻找一个单一的高温读数。我们观察温度“梯度”——从一点到另一点温度变化的陡峭程度。热传导方程，即热扩散的基本定律，精确地告诉我们这些梯度与局部热量生成的关系。一个异常大的梯度，在考虑了正常操作加热后，是异常局部热源的直接特征。通过将热稳定性理论的复杂物理学转化为一个单一、可测量、无量纲的数，我们可以创建一个对酝酿中故障的空间模式极其敏感的预警系统。
这种将能量平衡作为看门狗的哲学，从单个电池扩展到整个大陆的电网。一个名为动态线路额定值（DLR）的应用使用实时天气数据来计算一条电力线被风冷却的程度。基于这种物理计算，操作员可以安全地让比其静态、保守的额定值允许的更多电流通过线路。但如果攻击者欺骗了风速传感器，让系统误以为线路被冷却得比实际情况更多呢？这可能导致线路过热和故障。防御措施再次是一个“数字孪生”——一个与整个电网并行运行的基于物理的模拟。这个模拟接收来自网络各处的所有可信测量值，并计算出一个物理上一致的状态。如果依赖于被欺骗数据的DLR系统声称的电流容量，考虑到网络其余部分的状态在物理上是不可能的，那么就会标记一个异常。物理模型充当了一个廉洁的真理仲裁者。这种美丽的协同作用，即机器学习模型和实时数据不断被基于物理定律的主干（使用卡尔曼滤波器等技术）验证和校正，是智能、有弹性的基础设施的未来。
如果你认为这些原理仅限于电池和电线等工程世界，那你就错了。同样的逻辑同样适用于自然界，从行星尺度到单个生物体的尺度。
考虑探测地下煤层火灾的挑战。我们无法直接看到它，但我们可以看到它对地表的影响。来自火灾的热量向上传播，提高了地表温度。这种温度变化改变了地面发射的热辐射，这是一个可以被数千公里外的卫星捕捉到的特征。辐射传输物理学定律，封装在普朗克定律中，使我们能够从测量的“大气层顶”辐射反向推断地表温度。但我们可以做得更好。不同类型的传感器对不同的物理过程敏感。热红外（TIR）辐射对表层温度敏感，而微波辐射可以浅层穿透土壤，提供地表下状况的一丝线索。通过融合来自这两种物理上不同模态的数据，我们可以构建一个更鲁棒的检测器。当TIR衍生的温度和微波亮温的联合测量进入一个在正常条件下统计上不太可能的区域时，就宣布异常。“距离”正常的度量不是用一把简单的尺子，而是用一个物理上知情的度量标准，如马氏距离，它考虑了信号的自然相关性和方差。
现在，来看一个也许是最引人注目的例子。一个刚出生几小时的新生儿处于危急状态。他们因分泌物而窒息，无法进食。医生试图将一根细管通过婴儿的鼻子插入胃中，但管子卡住了。X光片证实管子盘绕在上胸部。然而，同一张X光片显示婴儿的胃里充满了空气。这怎么可能？有一个梗阻，但空气却以某种方式通过了它。
答案在于简单而优雅的流体动力学物理学。临床表现指向食管闭锁（食管末端为一个盲袋）伴有远端气管食管瘘（气管与食管下段之间的异常连接）的诊断。那么，为什么胃里充满了空气？空气，像任何流体一样，从高压区流向低压区。当婴儿哭泣时，它在气道中产生高压。这个压力远高于胃中的压力。因此，空气通过瘘管被强行推入胃中，使其像气球一样膨胀。这个气流的速率由压力差和瘘管的阻力决定，这一关系由泊肃叶定律描述，该定律显示出对瘘管半径的强大依赖性（）。一位医生，凭借这种基本的物理推理，可以从可观察到的迹象中自信地推断出这种危及生命的异常的精确解剖结构，而无需任何高级扫描。支配电力线冷却的同一原理，也支配着一个孩子的呼吸。
正如我们所见，共同的线索是将观察结果与“正常”行为的模型进行比较。在许多情况下，这个模型是一个基本的物理定律。但这个概念甚至更广泛。一个模型也可以是一个捕捉系统守恒模式的“轮廓”。
在生物学中，一个相关蛋白质家族在其氨基酸序列中将有高度保守的区域和可变的区域。可以使用多重序列比对（MSA）来构建该家族的统计“轮廓”，通常以轮廓隐马尔可夫模型的形式。该模型捕捉了在每个位置找到某个氨基酸的概率，以及插入或删除的概率。同样的想法可以用于时间序列数据。我们可以学习一个“正常”一天的用电量轮廓或一个“正常”心电图心跳的轮廓。那么，一个异常就是一个新序列，它由这个正常轮廓生成的概率非常低。当我们对一个新序列进行评分时，我们使用对数似然比，比较该序列在“正常”轮廓下的概率与其在通用“背景”模型下的概率。一个能被背景模型更好解释的序列，根据定义，就是异常的。
这让我们回到了起点。考虑一次针对一支电动汽车车队的网络攻击，旨在使它们都以特定的模式或“模板”消耗额外的电流。我们如何检测它？我们使用一种在数学上等同于上述轮廓匹配的技术：匹配滤波器。我们实际上是在寻找一个其形状与已知攻击模板强相关的序列。检测器的灵敏度——我们能可靠检测到的最小攻击幅度——由信号强度（攻击模板中的能量）与背景噪声水平之间的一个优美权衡决定。
无论我们是使用纳维-斯托克斯方程来构建天气模型，使用热力学定律来保护电池，还是使用统计轮廓来表征一个蛋白质家族，故事都是一样的。我们基于对系统支配原则的知识——它的定律、它的对称性、它的守恒量——来构建模型。这些模型提供了最终的基准真相。一个纯数据驱动的、黑箱的方法可能会学习其训练数据中存在的相关性，但它没有锚定在这个基准真相上。当面临新情况，一个分布外事件时，它可能会以惊人且不符合物理规律的方式失败。而一个将这些定律直接构建到模型结构中的物理知情方法，则天生更具鲁棒性和可信赖性。异常检测，在其最深层的意义上，是倾听我们的观察与自然界这些基本和谐之间不协调音的过程。