HydroJEV：用于水分配网络网络攻击与故障归因的一秒级、无需训练的筛查工具

当水分配网络触发 SCADA 警报时，操作人员必须迅速判断该警报反映的是网络攻击、物理故障、正常瞬态，还是故障传感器。监督分类器需要带标签的事故数据，而公用事业单位通常很少拥有这类数据；前沿大语言模型（LLM）每次决策则需要数十秒。我们测试了 Jev——一种无需训练、约一秒即可返回类别概率的模型——能否作为此类分诊的第一层。在基于 EPANET 中 C-Town 网络构建的四分类原因归因基准上，Jev 与人工编写的规则树、一个监督分类器以及七个云端 LLM 在四轮封闭式、预注册测试中使用相同证据进行了比较。仅经过无标签先验校正后，Jev 的表现与规则树相当（宏平均 F1 为 0.62–0.64，而规则树的分布范围为 0.56–0.61）；在四轮测试中，对于其标签中未包含的事件子类型，Jev 的表现均比监督分类器高出 0.36–0.42；当每个类别可用的带标签事件少于约四个时，Jev 的表现也始终优于该分类器。Jev 的决策速度还比前沿 LLM 快 20–40 倍。在新的一组封闭式测试中，仅接收经过规则树确认的 Jev 良性判定，可使 LLM 审核器减少 35%–38% 的窗口审核量，同时不损失宏平均 F1。将该方法原样迁移到另外两个网络后，这种门控级联在全部四组测试中，其表现仍处于审核器的非劣效界值之内。因此，在 SCADA 异常分诊中，一种快速、无需训练的筛查工具可以承担约三分之一的审核工作量，同时保持审慎审核的准确性。