Graph-Spectral Fusion of Wavelet Packets and Higher-Order Statistics for Anomaly Detection in Industrial IoT Networks

Resumen Técnico: Fusión Espectral-Gráfica de Paquetes de Ondículas y Estadísticas de Orden Superior para la Detección de Anomalías en Redes de Internet Industrial de las Cosas

Enunciado del Problema
Las redes del Internet Industrial de las Cosas (IIoT) enfrentan un cuello de botella crítico en la detección fiable de anomalías, particularmente bajo condiciones inalámbricas adversas. Los métodos de detección existentes suelen fallar en uno o más de cuatro frentes: (F1) Capas físicas hostiles, donde el desvanecimiento de Rayleigh y la interferencia por multitrayectoria difuminan las débiles firmas anómalas hasta el suelo de ruido; (F2) Fallas no gaussianas sigilosas, como inyecciones adversarias o derivas lentas, que producen firmas impulsivas de cola pesada que la media y la varianza no pueden detectar; (F3) Estructura espacial descartada, donde las tuberías de procesamiento tratan a los sensores correlacionados como flujos independientes, perdiendo la capacidad de distinguir fallas localizadas de perturbaciones globales; y (F4) Hardware de borde restringido, donde la inferencia debe ejecutarse en gateways de clase ARM de bajo consumo sin aceleración por GPU ni datos de anomalías etiquetados.

Metodología: WPT+HOS Gráfica
Los autores proponen WPT+HOS Gráfica, un detector clásico y libre de etiquetas que fusiona tres visiones complementarias de las ventanas de sensado para abordar los desafíos mencionados. La tubería consta de cinco etapas:

1. Descomposición Espectral-Gráfica (GFT): Las observaciones se mapean del dominio de vértices al dominio espectral gráfico utilizando la Transformada de Fourier Gráfica. Esto separa el consenso espacial suave de los desacuerdos de alta frecuencia, actuando como un filtro de blanqueamiento consciente de la topología que suprime el ruido correlacionado inducido por el desvanecimiento mientras enfatiza las fallas localizadas.
2. Análisis de Paquetes de Ondículas Multi-Resolución (WPT): Se aplica una Transformada de Paquetes de Ondículas (utilizando Daubechies-4) a cada componente espectral gráfico. Esto proporciona una descomposición completa de bandas binarias para localizar ráfagas transitorias en bandas de frecuencia estrechas, preservando la energía de la anomalía incluso cuando el desvanecimiento atenúa la señal.
3. Extracción de Características Estadísticas de Orden Superior (HOS): Para capturar firmas no gaussianas, el método calcula la asimetría y la curtosis absolutas de los componentes espectrales gráficos. Estas métricas identifican huellas dactilares de derivas asimétricas y ráfagas impulsivas de cola pesada, las cuales el ruido gaussiano no puede imitar independientemente de la ganancia del canal.
4. Fusión de Características y Puntuación Robusta: Las características espaciales (GFT), transitorias (WPT) y distribucionales (HOS) se concatenan en un vector fusionado. Se calcula una distancia de Mahalanobis al cuadrado contra datos de calibración nominales. Para manejar el régimen de "muestra pequeña, alta dimensionalidad" común en IIoT, la matriz de covarianza se regulariza utilizando retracción Ledoit–Wolf, la cual se determina en forma cerrada sin validación cruzada.
5. Toma de Decisiones Secuencial (CUSUM): Un detector de Suma Acumulada (CUSUM) unidireccional convierte las puntuaciones por cuadro en alarmas de baja latencia. Esta etapa es asintóticamente óptima en el sentido del peor caso de Lorden para detectar desplazamientos de media conocidos y requiere solo un estado $O(1)$ por flujo.

Contribuciones Clave

• Fusión Tri-Dominio: Este es el primer detector, según el conocimiento de los autores, que fusiona la Transformada de Fourier Gráfica, la Transformada de Paquetes de Ondículas y las Estadísticas de Orden Superior bajo condiciones de desvanecimiento inalámbrico, cubriendo modos de fallo que ninguna transformación individual puede abordar.
• Puntuación Libre de Etiquetas y Bien Condicionada: El marco no requiere anomalías etiquetadas, confiando únicamente en ventanas de calibración nominales. Utiliza la retracción Ledoit–Wolf para asegurar que la distancia de Mahalanobis permanezca robusta cuando la dimensión de la característica se acerca al tamaño de la muestra.
• Decisión Secuencial Asintóticamente Óptima: La integración de CUSUM proporciona una prueba secuencial óptima para aplicaciones industriales con requisitos mínimos de estado.
• Viabilidad en el Borde: La complejidad computacional está dominada por la proyección GFT ($O(M^2L)$), que se ajusta dentro del presupuesto de gateways comerciales de clase ARM Cortex-A sin aceleración por GPU, a diferencia de los enfoques de Redes Neuronales Gráficas (GNN).
• Evaluación Exhaustiva: El método se compara con seis líneas base (incluyendo WPT+HOS, GNNs y detectores de fuente única) a través de cuatro regímenes de desplazamiento de dominio.

Resultados Experimentales
Evaluado bajo desvanecimiento de Rayleigh con variaciones en la Relación Señal-Ruido (SNR) y perturbaciones topológicas (Regímenes A–D), WPT+HOS Gráfica demostró un rendimiento superior:

• Precisión de Detección: Logró el ROC-AUC y PR-AUC más altos en todos los regímenes, superando significativamente a las líneas base no gráficas. En el régimen coincidente, alcanzó un ROC-AUC de 0.9221.
• Latencia: El método mostró una reducción dramática en la latencia de detección. Comparado con la línea base no gráfica más fuerte (Fuente fusionada), WPT+HOS Gráfica logró una reducción de 56× en la latencia media de detección CUSUM (0.50 cuadros frente a 28.20 cuadros) manteniendo una tasa de detección del 100%.
• Robustez: El detector se degradó con gracia bajo desplazamientos de dominio severos (por ejemplo, una caída de 15 dB en SNR y un 25% de reconfiguración de bordes), mientras que los métodos de fuente única y no gráficas funcionaron cerca del azar aleatorio.
• Estabilidad: El método exhibió alta estabilidad estadística en ensayos de Monte Carlo, con el rango intercuartílico más bajo en las distribuciones de AUC.

Significado y Afirmaciones
El artículo afirma que WPT+HOS Gráfica ofrece una solución práctica e interpretable para la detección de anomalías en IIoT que equilibra una alta sensibilidad estadística con una baja carga computacional. Al fusionar indicios espaciales, temporales y distribucionales, supera las limitaciones del desvanecimiento y el ruido no gaussiano sin requerir datos etiquetados ni hardware pesado. Los autores enfatizan que la dependencia del método del desacuerdo espacial relativo (un invariante topológico) le permite mantener el rendimiento incluso cuando los niveles absolutos de la señal se degradan. Si bien reconocen que una línea base de "Fuente fusionada" logró una precisión ligeramente superior (a costa de una latencia significativamente mayor), los autores argumentan que, para la monitorización industrial donde las alarmas perdidas o retrasadas impulsan el riesgo operativo, la superior sensibilidad y velocidad del método propuesto lo convierten en el punto de operación más útil. El trabajo futuro se identifica como dirigido al aprendizaje de grafos adaptativo bajo topologías dinámicas y a la robustez frente a ataques adversarios a gran escala.