扩散模型（DDPM/Score）用于时间序列/时空建模（最直接支撑你“用 diffusion 生成包序列”）

Ho, Jain, Abbeel. Denoising Diffusion Probabilistic Models (DDPM). NeurIPS 2020.
用途：扩散模型基本形式（前向加噪、反向去噪、预测噪声训练）。你方法部分的扩散理论根引用。

Song et al. Score-Based Generative Modeling through Stochastic Differential Equations. ICLR 2021.
用途：score-based diffusion 的更一般表述；如果你未来要做连续时间（时间间隔/抖动）的建模，这条线很有用。

Rasul et al. Autoregressive Denoising Diffusion Models for Multivariate Probabilistic Time Series Forecasting. ICML 2021.
用途：多变量时间序列的扩散建模；对应你“多个(设备,寄存器)序列”的联合分布生成。

Tashiro et al. CSDI: Conditional Score-based Diffusion Models for Probabilistic Time Series Imputation. NeurIPS 2021.
用途：条件扩散（conditioning）注入方式很适合你：把设备嵌入/寄存器语义/主从角色/工艺状态作为条件，约束生成。

Liu et al. PriSTI: A Conditional Diffusion Framework for Spatiotemporal Imputation. ICDE 2023.
用途：时空条件扩散框架；你把“空间”换成(设备,寄存器)二部图/异构图，“时间”换成轮询/会话位置，结构很贴近。

Wen et al. DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising Diffusion Models. ACM SIGSPATIAL 2023.
用途：扩散 + 时空图；你做(设备,寄存器)图上的生成（而不是预测）时，可借鉴其图特征融入去噪网络的方式。

Kong et al. DiffWave: A Versatile Diffusion Model for Audio Synthesis. ICLR 2021.
用途：一维信号生成（类似“时间间隔序列”“值序列”）；其 WaveNet/UNet 类去噪骨架对工业轮询类高频序列也很参考。