A Bayesian Approach for the Network Reconstruction of Interdependent Critical Infrastructure Systems from Cascading Failures

Resumen Técnico: Un enfoque bayesiano para la reconstrucción de redes de sistemas de infraestructuras críticas interdependientes

Declaración del problema
El análisis del comportamiento de redes interdependientes complejas, particularmente los sistemas de Infraestructuras Críticas Interdependientes (ICI) (por ejemplo, redes acopladas de agua, energía y gas), requiere un conocimiento completo de la topología de la red y de las interdependencias. Sin embargo, tales datos son frecuentemente inaccesibles debido a preocupaciones de seguridad o a operaciones descentralizadas. Mientras que algunas interdependencias se revelan solo después de una interrupción, los métodos existentes suelen basarse en suposiciones impulsadas por modelos o en la generación de datos sintéticos. Este estudio aborda el problema inverso de reconstruir la topología desconocida de las redes ICI utilizando observaciones de fallos en cascada. El desafío radica en inferir la estructura de la red a partir de secuencias de fallos dinámicos, teniendo en cuenta las restricciones físicas y topológicas específicas inherentes a los sistemas de infraestructura, donde los datos suelen ser parciales e inciertos.

Metodología
Los autores proponen un enfoque bayesiano no paramétrico y escalable para inferir la distribución posterior discreta de la topología de la red ($A$) dada una serie de observaciones de fallos en cascada ($C$). El núcleo de la metodología consiste en:

1. Formulación Bayesiana: El problema se plantea como la estimación de $P(A|C) \propto P(C|A)P(A)$.

   • Verosimilitud ($P(C|A)$): Modelada mediante un modelo epidémico de Susceptibles-Infectados (SI) para simular la propagación de los fallos a través de los sectores de infraestructura. La verosimilitud calcula la probabilidad de observar secuencias de fallos específicas dado un candidato de matriz de adyacencia.
   • Prior ($P(A)$): Modelado mediante un Modelo de Bloques Estocásticos Jerárquicos (HSBM). A diferencia de los grafos aleatorios o de escala libre genéricos, el HSBM captura la estructura de bloques (diferentes sectores de infraestructura) y los niveles jerárquicos (instalaciones de suministro, transmisión y demanda) característicos de las ICI.

2. Muestreo mediante Metropolis-Hastings (M-H): Dado que la distribución posterior no admite una solución de forma cerrada, los autores emplean el algoritmo de Metropolis-Hastings para muestrear posibles topologías de red.

   • Propuesta Dependiente de la Infraestructura (IP): Se diseña una novedosa distribución de propuesta para asegurar que solo se generen topologías que cumplan con las restricciones físicas de las ICI. Esto incluye 10 restricciones específicas, tales como asegurar la conectividad desde los nodos de suministro hacia los de demanda, prevenir ciclos dentro de las redes de infraestructura y hacer cumplir el flujo direccional (por ejemplo, de la demanda al suministro para los enlaces interdependientes). Esto reduce significamente el espacio de muestreo en comparación con las propuestas de paseo aleatorio.
   • Convergencia: La convergencia de la cadena de Markov está probada teóricamente y demostrada numéricamente.

3. Optimización Computacional: Para abordar el crecimiento exponencial de las posibles topologías en redes de gran escala, se introducen tres técnicas de optimización:

   • Cálculo de Verosimilitud: Reducción de la complejidad de $O(|V|^2)$ a $O(|V| + |E|)$ mediante el recorrido de listas de aristas de vecindades fallidas en lugar de iterar sobre todos los pares de nodos.
   • Validación de Grafos: Aprovechamiento de la estructura tripartita de las redes ICI y el Teorema 1 para validar las restricciones topológicas en tiempo lineal, verificando únicamente los grados de entrada/salida de los nodos modificados, en lugar de realizar búsquedas completas de rutas.
   • Muestreador Tie-No-Tie (TNT): Reemplazo de la selección aleatoria de pares de nodos por un muestreador que prioriza la eliminación de aristas en grafos dispersos, aumentando así la tasa de aceptación de las propuestas.

Contribuciones Clave
El artículo realiza dos contribuciones metodológicas primarias:

1. Propuesta Dependiente de la Infraestructura (IP): La integración de restricciones topológicas y físicas en el proceso de muestreo MCMC. Este enfoque utiliza la estructura de bloques de las ICI para calcular las probabilidades a priori y reduce drásticamente el espacio de topologías candidatas, mejorando tanto la precisión del muestreo como el tiempo de mezcla.
2. Optimización Computacional: El diseño de tres técnicas específicas (cálculo de verosimilitud mediante lista de aristas, validación de grafos en tiempo lineal y el muestreador TNT) que permiten la reconstrucción de redes a gran escala donde los métodos MCMC estándar serían computacionalmente prohibitivos.

Result Resultados
El enfoque propuesto fue validado utilizando Redes de Infraestructuras Críticas Interdependientes Sintéticas (SICINs) que representan sistemas de agua, energía y gas.

• Precisión: El método basado en IP superó significativamente a las líneas base existentes. En experimentos con 40 escenarios de fallos en cascada, el método basado en IP alcanzó un F1-score máximo de 0.964, comparado con 0.710 para un enfoque bayesiano sin IP y 0.712 para una línea base de Auto-Codificador de Grafos Variacional (VGAE).
• Eficiencia de Datos: El enfoque bayesiano demostró un rendimiento superior con datos limitados en comparación con los métodos de incrustación de grafos, que típicamente requieren cantidades masivas de información.
• Robustez: Los análisis de sensibilidad mostraron que el método basado en IP es menos sensible a las variaciones en la proporción de nodos fallidos iniciales y a los niveles de ruido en los datos en comparación con los métodos sin IP. Las proporciones moderadas de fallos iniciales (0.2–0.4) produjeron la mejor precisión de reconstrucción.
• Escalabilidad: El método se aplicó con éxito a una red ICI aleatoria más grande de $120 \times 120$, logrando un F1-score moderado de 0.664, lo que demuestra su transferibilidad a sistemas mayores.
• Impacto de la Optimización: Entre las configuraciones probadas, la combinación de IP, optimización de Lista de Aristas y muestreo TNT (Método M-1) ofreció el mejor equilibrio entre la precisión de la reconstrucción y el tiempo computacional.

Significancia y Reivindicaciones
Los autores afirman que este trabajo constituye el primer intento de desarrollar métodos de reconstrucción de redes específicamente para resolver los desafíos de datos e incertidumbre en sistemas complejos de infraestructuras interdependientes. La significancia del trabajo reside en su capacidad para descubrir las interdependencias de la red inciertas durante las interrupciones cuando no se dispone de datos completos.

El artículo sostiene que, al reconstruir con precisión la topología de las redes ICI del mundo real, los responsables de la toma de decisiones y los profesionales obtienen una base más clara para la toma de decisiones informadas respecto a la mitigación de riesgos y beneficios económicos. El enfoque propuesto se presenta como una herramienta práctica para escenarios donde los datos están restringidos por la seguridad o la descentralización operativa, ofreciendo una alternativa basada en datos frente a la modelización puramente basada en suposiciones. Los autores mantienen la modestia respecto a aplicaciones futuras, señalando que, aunque el estudio actual utiliza el modelo SI, el trabajo futuro podría explorar modelos de simulación de fallos más avanzados (por ejemplo, SIR) y estructuras de red variables en el tiempo.