SCDT 論文閱讀分析：很多 ICS anomaly detection 真正缺的，不是再多一個分數，而是先把控制脈絡說清楚

本文由 AI 產生、整理與撰寫。

論文基本資訊

• 論文標題：System-aware contextual digital twin for ICS anomaly diagnosis
• 作者：Eungyu Woo、Yooshin Kim、Wonje Heo、Donghoon Shin
• 年份：2026
• 來源：arXiv:2604.24051
• 論文連結：https://arxiv.org/abs/2604.24051
• DOI：10.48550/arXiv.2604.24051
• 主題：ICS Security、Anomaly Detection、Digital Twin、LLM、Operational Technology、Explainable Detection

很多工控場域在談 anomaly detection 時，第一反應還是「有沒有抓到異常」。但如果你真的在現場值班，光知道有異常通常還不夠，因為真正折磨人的下一句永遠是：

所以現在到底是哪裡不對、為什麼不對、我先去看哪個閥、哪顆 sensor、哪段控制邏輯？

這篇 SCDT（System-aware Contextual Digital Twin） 要補的，正是這個從「抓到怪」到「看懂為什麼怪」之間的斷層。它的核心主張很直白，而且我覺得很對：

很多 ICS anomaly diagnosis 真正缺的，不是再多一個分數，而是先把「在這個控制狀態下，系統本來應該長怎樣」說清楚。

這篇在解什麼問題？

工控系統和一般 IT 環境很不一樣。ICS 裡的 sensor 讀值不是孤立數字，它幾乎永遠和：

• 當下 actuator 狀態
• 控制目標
• process stage
• 閉環控制中的前後互動

綁在一起。

也就是說，同一段 sensor 變化，在某個閥門配置下可能完全正常，換個控制狀態卻可能是異常。這就是很多純統計式 anomaly detector 很容易踩空的地方：它們看到的是偏離分布，現場看到的卻是偏離脈絡。

作者點得很準。現有方法常有兩種典型缺口：

• supervised 方法：需要大量已標記攻擊資料，但真實 ICS 攻擊資料稀少、失衡，而且很快過時。
• unsupervised 方法：比較貼近實務，但常常只會告訴你「這裡怪怪的」，不太會解釋為什麼怪，也很難幫 operator 快速定位根因。

這篇 paper 的企圖心不是只做 detection，而是把 anomaly diagnosis 往前推一步，做成一個有脈絡、有依據、可讓人往下驗證的流程。

SCDT 的核心想法：先學「情境化正常」，再談異常

SCDT 把問題拆成兩層。

第一層：用 system-aware 的方式學出「在不同 actuator context 下，sensor 正常時通常會怎麼動」。

第二層：把這些 detector 產出的結構化證據，交給 LLM 轉成 operator 看得懂的診斷假說與驗證步驟。

這個切法我很喜歡，因為它沒有犯一個現在很常見的錯：直接把原始數值時間序列整包丟給 LLM，期待它自己通靈出工控診斷。

作者反而很保守：真正的安全關鍵判斷，還是建立在 evidence-grounded 的 detector 上；LLM 被放在語義解釋與診斷輔助的位置，而不是拿來直接拍板決定一切。這個權限分工相對健康。

它怎麼建模「情境」？

這篇的基本觀察是：ICS 的正常行為其實有很多context-conditioned invariants。某組 actuator 狀態反覆出現時，常常會帶出某種穩定的 sensor 演化模式。

所以 SCDT 不把 normality 當成單一全域分布，而是把它切回控制脈絡裡。它定義了 Sensor-Actuator Combination（S-AC）context，把 window 起始時的 actuator 組合當成脈絡索引，再用多階段 clustering 去學各種 operational mode。

接著，它從每個 sensor window 萃取一組特徵，例如：

• 平均值、振幅、標準差
• 對趨勢線的 RMSE
• 一階/二階差分
• 負向跳變次數
• 頻譜比率等

重點不是特徵本身多新，而是這些特徵被放回特定 actuator context底下理解。這讓系統學的不是抽象「正常訊號」，而是：

在這個控制狀態、這個 operational objective 下，這個 sensor 的合理行為包絡線應該落在哪裡。

它其實更像「輕量版、可診斷的 contextual digital twin」

作者用 digital twin 這個詞，但它不是那種高成本、要完整模擬 plant dynamics 的重型 twin。相反地，這篇比較像在做一個從正常運作資料學出來的 contextual twin：

• 不用先知道完整 system topology
• 不用先手工寫滿控制規則
• 也不用維護一個超重的模擬器

它學的是可重用的 normal envelopes 與 mode prototypes，再把這些原本偏數值的規則轉成語意描述。這使它比傳統高擬真 digital twin 更容易部署，也比單純 anomaly score 更接近 operator 真正在乎的資訊。

LLM 在這裡不是神諭，而是翻譯層

這篇另一個我認同的地方，是它對 LLM 的使用姿勢相對節制。

作者用了兩層 LLM：

• Primary LLM：把每個 operational mode 的數值規則，轉成簡短語意化描述，形成 rule bank。
• Secondary LLM：在推論時根據 detector 證據、相關 actuator 語意與偏離情況，產生診斷說明、可疑原因與建議驗證步驟。

而且論文特別強調，當 deterministic screening 對 context matching 沒把握時，系統會先把案例標成 ambiguous，而不是硬裝很懂。這點很重要，因為很多 safety-critical 場景最怕的不是模型承認不確定，而是它把不確定包裝成肯定句。

換句話說，這篇比較成熟的一點在於：LLM 被用來補語義與可操作性，不是拿來洗掉不確定性。

它的結果怎麼看？

作者在三個常見 ICS benchmark 上評估：SWaT、WADI、HAI。

論文的結果大意是：

• 在 SWaT 上，SCDT 拿到最好的 Recall 83.09% 與 F1 89.17%。
• 在 WADI 上，Precision 達 89.68%、F1 為 58.25%，屬於高 precision、次佳 F1 的平衡點。
• 在 HAI 上，Precision 達 90.07%、F1 為 73.30%，Precision 為最佳、F1 為次佳。

這組結果不是那種「每個指標都屠榜」的故事，但它比較誠實，因為作者真正想強調的是：

在 ICS 這種現場很怕 false alarm burden 的環境裡，好的診斷系統不只是 recall 高，而是要在 precision、F1、上下文一致性與可解釋性之間取得能落地的平衡。

論文也指出，SCDT 在 WADI / HAI 上相對較保守，部分原因是 actuator-context partitioning 會讓某些 context 變得稀疏，導致規則估計不夠穩定。這會拉低某些情境下的 recall，但同時也解釋了它為什麼能維持很強的 precision：它比較不會為了看起來很靈敏，就把現場炸成告警地獄。

這篇真正有價值的地方，不是加了 LLM，而是加對地方

很多看到「LLM + ICS」的 paper，我第一反應通常是戒心，因為很容易變成把數值序列交給模型亂講故事。但這篇比較站得住腳，是因為它沒有把 LLM 當 anomaly detector 本體，而是放在evidence-to-explanation 的那一層。

它的整體架構其實在講一件很實際的事：

• detector 負責先把偏離抓出來
• context model 負責界定「正常本來該怎樣」
• LLM 負責把這些偏離翻成 operator 可以採取行動的語言

這比起把 LLM 直接塞進控制回路中心，要健康得多。

我怎麼看它的限制？

這篇不是沒有風險。

第一，context-conditioned partitioning 雖然很合理，但也可能導致資料被切得太碎。當某些 actuator 組合很少見時，normal envelope 的估計就可能不穩，這點論文自己也承認了。

第二，它還是很依賴「正常資料裡學出的規律」足夠代表未來操作情境。如果 plant configuration、控制策略或維運習慣變了，contextual twin 也需要跟著更新。

第三，LLM 雖然不直接做核心 detection，但在生成診斷假說與驗證步驟時，仍然可能出現表述過度自信的問題。也就是說，把 LLM 放在翻譯層比放在判決層安全，但不等於完全沒有 hallucination 風險。

對實務最大的啟示是什麼？

如果你在做 OT / ICS security，我覺得這篇最值得帶走的，不是某個 benchmark 分數，而是下面這個 framing：

很多工控異常診斷真正缺的，不是再多一個異常分數，而是把偵測邏輯重新綁回控制脈絡，並把證據翻譯成現場人真的能拿去驗的診斷語句。

這也意味著，未來比較像樣的 ICS AI 設計，應該會更重視：

• context-aware detection，而不是全域單一 normality
• evidence-grounded explanation，而不是漂亮摘要
• ambiguity handling，而不是每次都硬判
• operator verification workflow，而不是只把告警丟給人自己收拾

這篇 paper 沒有把 ICS 安全神化成「AI 會自動幫你看懂一切」，反而提醒了一個更成熟的方向：先把系統上下文建好，再讓模型幫你說人話。

一句話總結

SCDT 真正有意思的地方，不是拿 LLM 取代 anomaly detection，而是把 LLM 放在一個比較不危險、但對現場更有價值的位置：替 context-aware detector 補上可操作的診斷語義。