Systematic Integration of Digital Twins and Constrained LLMs for Interpretable Cyber-Physical Anomaly Detection

A continuación presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Integración Sistemática de Gemelos Digitales y LLMs Restringidos para la Detección Interpretable de Anomalías Ciberfísicas

1. El Problema

Los sistemas de control industrial (ICS) que gestionan infraestructuras críticas (como plantas de tratamiento de agua, distribución eléctrica y oleoductos) enfrentan amenazas cibernéticas cada vez más sofisticadas. La detección de estos ataques en tiempo real es extremadamente difícil debido a tres factores principales:

• Similitud con la variabilidad normal: Las desviaciones físicas provocadas por ataques pueden parecerse a las fluctuaciones operativas legítimas.
• Acoplamiento de controles: Una acción legítima en una variable requiere cambios correspondientes en muchas otras, lo que puede ocultar entradas maliciosas.
• Falta de interpretabilidad: Los detectores de anomalías tradicionales (basados en estadística o aprendizaje automático no supervisado) rara vez explican por qué una ventana de tiempo es sospechosa, lo que dificulta la respuesta operativa.
  Además, el uso de Modelos de Lenguaje Grande (LLM) sin restricciones introduce riesgos de "alucinaciones" y conclusiones físicamente implausibles, lo que los hace poco fiables para entornos de seguridad crítica sin mecanismos de control.

2. Metodología Propuesta

Los autores proponen un detector híbrido impulsado por un Gemelo Digital (DT) que combina heurísticas deterministas con razonamiento estructurado de LLMs. La arquitectura consta de cinco capas interactivas:

• Motor de Reproducción y Sincronización: El DT actúa como una réplica virtual sincronizada del proceso físico (utilizando el conjunto de datos SWaT - Secure Water Treatment). Expone ventanas deslizantes de 30 segundos de telemetría a través de una interfaz HTTP, asegurando que la réplica virtual evolucione en paralelo con el proceso físico.
• Extracción de Características Comportamentales: En lugar de usar datos crudos, el sistema calcula descriptores dinámicos para cada ventana: pendientes (derivadas), desviaciones estándar, rangos de amplitud, ratios de "congelación" (flatness) y contadores de conmutación de actuadores.
• Detector Heurístico Determinista: Esta capa prioriza la eficiencia. Analiza patrones específicos de indicadores de compromiso (IoC) para cuatro tipos de ataques:
  • Spoofing (Suplantación): Tendencias positivas sostenidas en sensores de nivel (LIT101) durante actividad de bombas/valves.
  • Fuerza de Válvula (Valve Forcing): Conmutación rápida de actuadores (MV101) con patrones oscilatorios anormales.
  • Deriva de Sesgo (Bias Drift): Lecturas de sensores con baja varianza pero tendencia divergente gradual.
  • DoS por Congelamiento de Sensores: Múltiples canales planos con varianza suprimida.
    Si una heurística coincide, clasifica el ataque inmediatamente sin invocar al LLM.
• Motor de Razonamiento LLM Restringido: Solo se invoca cuando las heurísticas se abstienen de tomar una decisión. El LLM recibe un prompt estructurado con los datos de la ventana y debe devolver un objeto JSON estricto que incluya táctica, técnica, rutas de ataque hipotéticas y mitigaciones.
  • Validación de Esquema: Un validador rechaza cualquier salida que no cumpla el formato JSON.
  • Filtro de Plausibilidad Semántica: Verifica que las tácticas propuestas sean físicamente posibles dado el estado actual de los actuadores, eliminando alucinaciones.
• Suavizado Temporal: Una capa final aplica una regla de mayoría dentro de una ventana deslizante de decisiones para estabilizar la señal final, evitando falsos positivos por fluctuaciones de ruido a corto plazo.

3. Contribuciones Clave

• Arquitectura Híbrida DT-LLM: Un sistema que mantiene una réplica de comportamiento sincronizada y utiliza LLMs solo como mecanismo de respaldo para casos ambiguos, reduciendo la carga computacional y el riesgo de errores.
• Capa de Heurísticas Consciente del Proceso: Un filtro determinista que captura IoCs específicos de ICS, actuando como un "guardián" que minimiza la necesidad de invocar al LLM y reduce drásticamente los falsos positivos.
• Razonamiento LLM Restringido: Integración de LLMs dentro de un flujo de trabajo de DT con validación estricta de esquema JSON y filtros de plausibilidad física, garantizando salidas interpretables y seguras.
• Evaluación Robusta: Demostración del sistema en escenarios de ataque reales de SWaT, comparando modelos locales (LLaMA 3.1 8B) y en la nube (GPT-4.1-mini), mostrando consistencia en ambos.

4. Resultados

La evaluación se realizó sobre cuatro escenarios de ataque canónicos en el dataset SWaT (Spoofing, Fuerza de Válvula, DoS por Congelamiento y Deriva de Sesgo):

• Precisión y Localización: El detector propuesto localizó con precisión todos los intervalos de ataque. No se observó "desbordamiento" (spillover) de alarmas hacia regiones benignas adyacentes.
• Tiempo de Detección (TTD): El sistema mostró un TTD muy bajo (0 a 1 ventana de 30 segundos) para todos los escenarios, indicando una respuesta casi inmediata.
• Falsos Positivos (FP):
  • Sistema Propuesto: 0 Falsos Positivos en la región benigna evaluada (y en una prueba extendida de 10k ventanas).
  • Línea Base (Isolation Forest - IF): El modelo IF estándar falló en detectar tres de los cuatro escenarios (Spoofing, Válvula, Deriva) y generó 273 falsos positivos (aprox. 19.5% de las ventanas benignas) debido a su incapacidad para entender la estructura temporal y el acoplamiento físico.
• Robustez del Modelo: Tanto LLaMA como GPT produjeron resultados idénticos tras el suavizado temporal, demostrando que la arquitectura es robusta a la elección del modelo subyacente siempre que se apliquen las restricciones estructurales.

5. Significado e Impacto

Este trabajo demuestra que es posible integrar la inteligencia semántica de los LLMs en la seguridad de ICS sin sacrificar la fiabilidad operativa.

• Interpretabilidad: A diferencia de los detectores de "caja negra", el sistema proporciona clasificaciones de ataques y explicaciones semánticas (tácticas y técnicas) que los operadores humanos pueden entender.
• Seguridad contra Alucinaciones: Al restringir el LLM a un esquema estricto y usarlo solo cuando las reglas deterministas fallan, se mitiga el riesgo de que el modelo genere amenazas falsas o físicamente imposibles.
• Escalabilidad: La arquitectura permite el uso de modelos locales o en la nube indistintamente, ofreciendo flexibilidad a las organizaciones según sus recursos y restricciones de latencia.
• Limitaciones y Futuro: Los autores reconocen que las heurísticas están afinadas específicamente para SWaT y que la detección de ataques lentos (como la deriva de sesgo) requiere un ajuste cuidadoso de umbrales. El trabajo futuro se dirige hacia la integración de modelos basados en física y la adaptación a procesos industriales más grandes.

En conclusión, el enfoque propuesto establece un nuevo estándar para la detección de incidentes ciberfísicos, equilibrando la velocidad de las reglas deterministas con la capacidad de razonamiento contextual de la IA, logrando una detección precisa, rápida y libre de falsas alarmas.