第119章　异常理论

119.1 异常的定义

异常（Anomaly）是指认知系统中的对象、数据、状态、行为或者结果偏离其预先定义的正常范围、正常结构、正常条件或者正常变化规律的状态。

异常的核心不是“出现了不同”，而是：

实际状态 ≠ 正常状态

或者：

实际数据 ≠ 预期数据

或者：

实际行为 ≠ 允许行为

或者：

实际结果 ≠ 预期结果

因此，异常可以抽象为：

Actual ≠ Expected → Anomaly

其中：

Actual：实际值、实际状态、实际行为或者实际结果；
Expected：预期值、正常状态、允许行为或者预期结果；
Anomaly：异常。

异常理论的核心是建立一个正常基准，再通过比较发现偏离。

119.2 异常对象

异常必须作用于具体对象。

异常对象可以包括：

数据对象；
Element；
Object；
Attribute；
Relation；
State；
Scene；
Method；
Behavior；
Result；
Device；
System。

因此可以表示为：

AnomalyObject = {Object, Attribute, State, Behavior, Result}

例如：

Temperature → Data

可以产生数据异常。

Device.State → State

可以产生状态异常。

Device.Action → Behavior

可以产生行为异常。

Task.Result → Result

可以产生结果异常。

因此，异常不是独立存在的，而是某个对象相对于正常基准产生的偏离。

119.3 正常状态

正常状态（Normal State）是指系统根据对象属性、运行条件、历史状态、规则约束和目标要求定义的允许状态范围。

正常状态是异常判断的基础。

可以定义：

NS = {V, C, R, T}

其中：

NS（Normal State）：正常状态；
V（Value）：正常值；
C（Condition）：正常条件；
R（Range）：允许范围；
T（Transition）：允许状态变化。

例如设备温度正常范围：

20 ≤ Temperature ≤ 80

则：

Temperature ∈ [20,80]

属于正常状态。

当：

Temperature > 80

则偏离正常范围：

Temperature ∉ [20,80]

形成异常状态。

119.4 正常状态不是固定数值

正常状态并不一定是一个固定值。

例如：

Temperature = 50

并不意味着50永远是正常值。

正常状态可能是：

20 ≤ Temperature ≤ 80

也可能根据环境变化：

NormalRange = f(Environment, DeviceState)

因此，正常状态可以是：

固定范围

动态范围

条件范围

状态组合

状态变化路径

例如：

启动 → 加速 → 稳定 → 停止

这些状态变化都是正常的。

如果系统直接从：

启动 → 故障停止

则可能产生异常。

因此，正常状态不仅包括“当前值”，也包括“允许的状态变化过程”。

119.5 异常状态

异常状态（Abnormal State）是指对象当前状态不符合正常状态定义，或者违反了允许状态条件。

基本关系：

ActualState ∉ NormalState → AbnormalState

例如：

正常状态：

Power = ON

Temperature < 80

异常状态：

Power = ON

Temperature = 100

则：

Temperature → Abnormal

异常状态可以表示：

AS = {Object, ActualState, ExpectedState, Difference}

其中：

Object：异常对象；
ActualState：实际状态；
ExpectedState：预期状态；
Difference：偏离程度。

因此：

异常状态 = 实际状态与正常状态之间的结构差异。

119.6 正常与异常的关系

正常和异常不是两个完全独立的对象，而是一种比较关系。

可以表示为：

Actual → Compare → NormalBaseline

比较结果：

Match → Normal

Mismatch → Abnormal

因此：

实际状态 → 正常基准 → 比较 → 判断

是异常认知的基本结构。

可以进一步表示：

NormalState = Baseline

ActualState = Observation

则：

Compare(Observation, Baseline)

产生：

Normal / Abnormal

因此，异常理论建立在状态比较机制之上。

119.7 数据异常

数据异常（Data Anomaly）是指系统接收到、产生或者存储的数据不符合预期的数据结构、数据范围、数据类型、数据关系或者数据变化规律。

数据异常可以包括：

数据缺失；
数据重复；
数据越界；
数据类型错误；
数据格式错误；
数据关系错误；
数据突变；
数据不一致。

例如：

正常：

Temperature = 60

异常：

Temperature = 600

如果系统定义：

0 ≤ Temperature ≤ 150

则：

600 > 150

形成数据异常。

因此：

Data → Validation → Compare → DataAnomaly

119.8 数据异常的结构

数据异常可以表示为：

DA = {D, T, R, E}

其中：

D（Data）：实际数据；
T（Type）：数据类型；
R（Range）：允许范围；
E（Expected）：预期数据。

数据检测可以执行：

TypeCheck

RangeCheck

FormatCheck

RelationCheck

ConsistencyCheck

例如：

IF Data.Type != ExpectedType
THEN DataAnomaly = TRUE

IF Data.Value < Min
OR Data.Value > Max
THEN DataAnomaly = TRUE

因此，数据异常能够通过确定性的规则进行检测。

119.9 数据异常与状态异常

数据异常与状态异常存在区别。

数据异常关注：

数据本身是否正确。

状态异常关注：

对象当前状态是否正常。

例如：

传感器记录：

Temperature = 100

如果传感器本身工作正常，则可能是：

StateAnomaly

但如果传感器产生：

Temperature = -9999

且该值违反数据格式或者数据范围，则可能首先属于：

DataAnomaly

因此：

Data异常 → 数据层

State异常 → 对象状态层

二者可以相互关联，但不能完全等同。

119.10 状态异常

状态异常（State Anomaly）是指对象当前所处状态不符合系统定义的正常状态或者允许状态转换规则。

例如：

设备正常状态：

Power = ON

当系统进入：

Power = OFF

本身不一定是异常。

只有当条件要求：

Power必须保持ON

而实际：

Power = OFF

才形成状态异常。

因此：

StateAnomaly = Compare(ActualState, AllowedState)

状态异常必须结合当前条件进行判断。

119.11 状态转换异常

状态异常不仅可以发生在当前状态，也可以发生在状态转换过程中。

假设正常状态转换：

A → B → C

如果系统发生：

A → C

而规则要求必须经过B，则：

A → C

属于异常状态转换。

也可以表示：

CurrentState + Action → NextState

如果：

NextState ∉ AllowedTransitions

则：

TransitionAnomaly = TRUE

因此：

状态异常 = 当前状态异常 + 状态转换异常

119.12 行为异常

行为异常（Behavior Anomaly）是指系统实际执行的行为不符合预定义规则、允许行为、目标要求或者当前状态所允许的行为。

行为可以表示：

Behavior = Condition → Action

如果当前条件要求：

Temperature > 80 → Power OFF

但系统执行：

Power ON

则：

ActualBehavior ≠ ExpectedBehavior

产生行为异常。

因此：

行为异常 = 实际行为与允许行为之间的不一致。

119.13 行为异常的判断

行为异常可以通过三个方面判断：

第一，规则匹配

Behavior → Rule

判断行为是否符合规则。

第二，状态匹配

Behavior → State

判断当前状态是否允许该行为。

第三，目标匹配

Behavior → Goal

判断行为是否符合当前目标。

因此：

Behavior → Rule + State + Goal → Validation

如果任何关键条件不满足：

BehaviorAnomaly = TRUE

119.14 结果异常

结果异常（Result Anomaly）是指行为执行完成后，实际产生的结果不符合预期结果、目标要求或者正常结果范围。

其基本结构为：

Behavior → Result

系统预期：

ExpectedResult

实际：

ActualResult

如果：

ActualResult ≠ ExpectedResult

则：

ResultAnomaly = TRUE

例如：

目标：

ReduceTemperature

预期结果：

Temperature < 70

实际结果：

Temperature = 90

则：

ActualResult ≠ ExpectedResult

产生结果异常。

119.15 结果异常与行为异常的区别

行为异常和结果异常不能混为一谈。

行为异常关注：

“做得对不对？”

结果异常关注：

“做完以后结果对不对？”

可能出现：

正常行为 + 异常结果

系统按照正确方法执行：

Behavior = Correct

但是由于环境变化：

Result = Unexpected

形成：

正常行为 → 异常结果

异常行为 + 正常结果

系统执行了非预期行为：

Behavior = Abnormal

但最终结果恰好符合目标：

Result = Normal

形成：

异常行为 → 正常结果

因此：

Behavior ≠ Result

必须分别检测。

119.16 异常链

数据异常、状态异常、行为异常和结果异常之间可能形成连续关系。

例如：

数据异常 → 状态异常 → 行为异常 → 结果异常

具体过程：

错误数据

→ 导致系统判断错误；

状态判断错误

→ 产生异常状态；

异常状态

→ 触发错误行为；

错误行为

→ 产生异常结果。

因此可以形成：

Data → State → Behavior → Result

其中任意一个环节出现异常，都可能影响后续环节。

119.17 异常传播

异常传播（Anomaly Propagation）是指一个对象的异常通过对象关系、状态关系、行为关系或者数据关系影响其他对象。

例如：

SensorDataAnomaly

→ StateAnomaly

→ DecisionAnomaly

→ BehaviorAnomaly

→ ResultAnomaly

因此：

Anomaly A → Relation → Anomaly B

异常可以沿认知网络传播。

系统需要判断：

异常源 → 传播路径 → 受影响对象 → 最终结果

这为后续异常控制和异常恢复提供基础。

119.18 异常程度

异常不是简单的“有”或者“没有”，还可以计算异常程度。

定义：

D = |Actual – Expected|

其中：

D：异常偏离程度；
Actual：实际值；
Expected：预期值。

如果正常范围是：

[L,U]

可以定义：

D = 0

表示正常。

如果：

Actual > U

则：

D = Actual – U

如果：

Actual < L

则：

D = L – Actual

因此，可以进一步形成：

Normal → Minor → Moderate → Major → Critical

五级异常程度。

119.19 异常等级

异常等级（Anomaly Level）用于表示异常对系统产生的影响程度。

可以定义：

AL = f(D, I, R, P)

其中：

AL：异常等级；
D：偏离程度；
I：影响；
R：关联风险；
P：异常传播范围。

例如：

Level 0 → 正常

Level 1 → 轻微异常

Level 2 → 一般异常

Level 3 → 严重异常

Level 4 → 关键异常

异常等级越高，系统越需要进入异常处理流程。

119.20 异常检测

异常检测（Anomaly Detection）是指系统通过正常基准与实际状态之间的比较，判断对象是否处于异常状态。

基本过程：

获取数据 → 获取正常基准 → 比较 → 判断 → 生成异常对象

可以表示为：

Observation → Baseline → Compare → Anomaly

异常检测不是对异常进行解释，而是首先回答：

是否偏离正常状态？

因此：

检测 → 判断

是异常认知的第一阶段。

119.21 异常分类

检测到异常以后，系统需要确定异常类型。

可以建立：

Anomaly → Type

类型包括：

DATA
STATE
BEHAVIOR
RESULT

也可以进一步扩展：

STRUCTURE
RELATION
TIME
RESOURCE
METHOD

因此，异常分类能够将不同异常交给不同的处理机制。

119.22 异常与冲突

异常和冲突是两个不同的概念。

冲突强调：

多个要求之间不能同时满足。

异常强调：

实际状态偏离正常状态。

例如：

Goal A ⊕ Goal B

属于冲突。

而：

ActualState ≠ NormalState

属于异常。

但是二者可以相互产生：

Conflict → AbnormalState

或者：

AbnormalState → Conflict

因此：

冲突 ↔ 异常

可以成为认知系统中的重要关系。

119.23 异常与风险

异常也可能成为风险来源。

例如：

DataAnomaly → WrongState → Risk

或者：

BehaviorAnomaly → WrongAction → Risk

因此：

Anomaly → Risk

但是：

Anomaly ≠ Risk

异常描述的是：

当前状态偏离正常。

风险描述的是：

未来可能发生的损失或者不利结果。

因此系统应分别建立：

异常检测

与：

风险计算

两个机制。

119.24 异常与自我保护

第116章建立了自我保护机制。

异常可以直接触发自我保护。

例如：

StateAnomaly → ProtectionRequired

BehaviorAnomaly → ProtectionRequired

CriticalAnomaly → EmergencyProtection

因此：

异常检测 → 异常等级 → 保护判断 → 保护行为

形成：

Anomaly → SelfProtection

这使异常理论与自我保护理论建立连接。

119.25 异常对象模型

在 WSaiOS / ICAI 工程中，可以建立 Anomaly 对象：

Anomaly
├── anomalyId
├── anomalyType
├── targetObject
├── expectedValue
├── actualValue
├── expectedState
├── actualState
├── deviation
├── severity
├── source
├── propagation
├── impact
├── status
└── result

其中：

anomalyId：异常标识；
anomalyType：异常类型；
targetObject：异常对象；
expectedValue：预期值；
actualValue：实际值；
expectedState：预期状态；
actualState：实际状态；
deviation：偏离程度；
severity：异常严重程度；
source：异常来源；
propagation：异常传播关系；
impact：异常影响；
status：异常状态；
result：异常处理结果。

异常类型可以定义为：

DATA
STATE
BEHAVIOR
RESULT

这样，异常理论可以直接映射为机器对象。

119.26 异常状态机

异常对象可以建立状态：

Normal

→ 正常。

Detected

→ 发现异常。

Classified

→ 完成异常分类。

Evaluated

→ 完成异常程度评价。

Processing

→ 正在处理。

Recovered

→ 异常已经恢复。

Persistent

→ 异常持续存在。

Critical

→ 异常达到关键程度。

因此：

Normal → Detected → Classified → Evaluated → Processing → Recovered

如果异常没有消失：

Processing → Persistent

如果异常继续扩大：

Persistent → Critical

形成动态异常状态机。

119.27 异常反馈

异常检测必须产生反馈。

反馈包括：

数据反馈

状态反馈

行为反馈

结果反馈

例如：

DataAnomaly → DataFeedback

StateAnomaly → StateFeedback

BehaviorAnomaly → BehaviorFeedback

ResultAnomaly → ResultFeedback

反馈进入认知系统之后，可以触发：

重新检测

重新计算

冲突处理

风险处理

自我保护

因此：

Anomaly → Feedback → Cognition

形成异常认知闭环。

119.28 异常认知闭环

完整异常处理前的认知过程为：

数据获取 → 正常基准 → 状态比较 → 异常检测 → 异常分类 → 异常评价

如果继续进入行为系统：

异常 → 决策 → 行为 → 结果 → 再检测

最终形成：

Observation → Baseline → Compare → Anomaly → Decision → Action → Result → Recheck

如果结果恢复正常：

Result → Normal

如果异常继续存在：

Result → Abnormal → Recheck

因此，异常是一个动态状态，而不是一次性事件。

119.29 异常理论的核心模型

本章可以将异常理论压缩为：

正常基准 → 实际状态 → 比较 → 偏离 → 异常

进一步按照异常对象分类：

Data → DataAnomaly

State → StateAnomaly

Behavior → BehaviorAnomaly

Result → ResultAnomaly

最终形成：

Data → State → Behavior → Result

四个层次之间的异常关系。

如果发生异常：

Actual ≠ Expected

则：

AnomalyDetected

再进一步：

Anomaly → Severity → Risk / Conflict / Protection

从而将异常连接到风险、冲突和自我保护系统。

119.30 本章总结

异常理论建立的是认知系统对“偏离正常”的识别能力。

本章首先定义正常状态：

NormalState = 系统允许的正常范围、条件、状态和变化关系。

然后定义异常：

Actual ≠ Expected → Anomaly

并建立四种核心异常：

数据异常

表示数据本身偏离预期的数据结构、类型、范围或者关系。

状态异常

表示对象当前状态或者状态转换偏离正常状态。

行为异常

表示实际行为不符合规则、状态或者目标要求。

结果异常

表示行为执行后的实际结果不符合预期结果。

四种异常可以形成：

Data → State → Behavior → Result

并可能形成异常传播：

DataAnomaly → StateAnomaly → BehaviorAnomaly → ResultAnomaly

同时，异常还可以与其他认知机制连接：

Anomaly → Risk

Anomaly → Conflict

Anomaly → SelfProtection

最终形成完整异常认知过程：

正常基准 → 实际观察 → 比较 → 异常检测 → 异常分类 → 异常评价 → 行为处理 → 结果验证 → 状态更新

因此，第119章建立了 WSaiOS / ICAI 的异常认知基础模型，使机器能够明确区分正常与异常，并将异常转换为结构化的对象、状态、规则和反馈，为后续的异常处理、异常恢复、自我监控和系统稳定性理论建立基础。

第119章 异常理论

第119章 异常理论

119.1 异常的定义

119.2 异常对象

119.3 正常状态

119.4 正常状态不是固定数值

119.5 异常状态

119.6 正常与异常的关系

119.7 数据异常

119.8 数据异常的结构

119.9 数据异常与状态异常

119.10 状态异常

119.11 状态转换异常

119.12 行为异常

119.13 行为异常的判断

第一，规则匹配

第二，状态匹配

第三，目标匹配

119.14 结果异常

119.15 结果异常与行为异常的区别

正常行为 + 异常结果

异常行为 + 正常结果

119.16 异常链

119.17 异常传播

119.18 异常程度

119.19 异常等级

119.20 异常检测

119.21 异常分类

119.22 异常与冲突

119.23 异常与风险

119.24 异常与自我保护

119.25 异常对象模型

119.26 异常状态机

119.27 异常反馈

119.28 异常认知闭环

119.29 异常理论的核心模型

119.30 本章总结