Resumen Técnico: Marco de Control Neuro-Agéntico para la Seguridad de IoT Industrial

1. Planteamiento del Problema

Los ciberataques contra los sistemas de Tecnología Operativa (OT) e Internet de las Cosas Industrial (IIoT) están causando cada vez más pérdidas financieras significativas y riesgos para la seguridad física. El monitoreo tradicional basado en reglas es insuficiente para los entornos complejos y densos de los despliegues industriales modernos. Si bien los Modelos de Lenguaje de Gran Escala (LLM) ofrecen poderosas capacidades de razonamiento semántico para el soporte de decisiones, su tendencia a "alucinar" (generar salidas fácticamente incorrectas o físicamente imposibles) plantea responsabilidades de seguridad inaceptables para los sistemas de control de bucle cerrado. Por el contrario, los modelos existentes de pronóstico de series temporales a menudo carecen del razonamiento semántico necesario para formular contramedidas complejas. Existe una necesidad crítica de un marco que aproveche el poder de razonamiento de los LLM mientras fundamenta estrictamente sus acciones en la realidad física para prevenir fallos catastróficos en los Sistemas Ciber-Físicos (CPS).

2. Metodología

El artículo propone un Marco de Control Neuro-Agéntico, una arquitectura de dos etapas que desacopla el razonamiento semántico del control físico. El sistema opera como un bucle cerrado que consta de dos agentes principales:

• El Arquitecto (Planificador LLM): Utilizando Gemini 2.5 Flash-Lite, este agente actúa como un razonador semántico. Recibe datos contextuales (tendencias de sensores, tiempo de falla previsto y manuales operativos recuperados mediante Generación Aumentada por Recuperación - RAG) y genera estrategias de control candidatas. Estas estrategias se emiten como objetos JSON estructurados que definen un tipo de acción, magnitud (p. ej., tasa de drenaje) y duración.
• El Centinela (Motor de Física): Utilizando TimesFM (un Modelo Fundacional de Series Temporales preentrenado), este agente sirve como una verdad fundamental física determinista. No actualiza sus pesos internos, sino que utiliza su conocimiento preentrenado de la dinámica temporal para pronosticar estados futuros del sistema.

Mecanismo Central: Inyección de Física Contrafáctica

La innovación central es el mecanismo de Inyección de Física Contrafáctica. Dado que el LLM no puede modificar directamente los pesos del modelo fundacional, el marco traduce los comandos semánticos del LLM en perturbaciones numéricas dentro del pronóstico de la serie temporal.

• El sistema simula el efecto de una acción propuesta por el LLM (p. ej., abrir una válvula de drenaje) aplicando una inyección lineal acumulativa al horizonte pronosticado.
• Para una tasa de drenaje $\mu$ y una duración $\delta$, la serie pronosticada modificada $\hat{y}'_t$ se calcula como:
  • $\hat{y}'_t = \hat{y}_t + \mu \cdot (t + 1)$ para $t < \delta$ (efecto de drenaje acumulativo).
  • $\hat{y}'_t = \hat{y}_t + \mu \cdot \delta$ para $t \geq \delta$ (manteniendo el nivel drenado final).
• Esto permite al Centinela predecir el resultado físico de una acción propuesta antes de que se ejecute.

Estrategia de Rechazo de Alucinaciones

El marco emplea un algoritmo determinista de Rechazo de Alucinaciones. Antes de que se ejecute cualquier acción, el Centinela simula el resultado de cada estrategia candidata propuesta por el Arquitecto.

• Verificación de Seguridad: Si una acción simulada resulta en un estado del sistema peor que la línea base (p. ej., una acción de "llenado" de magnitud positiva durante un escenario de desbordamiento, o una acción que no logra bajar el nivel por debajo del umbral crítico), esta es rechazada.
• Optimización: El sistema selecciona la acción óptima $a^*$ que minimiza el riesgo proyectado (pico máximo) entre todas las candidatas válidas. Si todas las candidatas son inseguras o ineficaces, el sistema vuelve por defecto a un estado de "Monitoreo".

3. Contribuciones Clave

1. Arquitectura Novedosa: Un marco de Control Neuro-Agéntico que separa explícitamente el razonamiento semántico (LLM) del control físico (Modelo Fundacional) para sistemas IoT.
2. Inyección de Física Contrafáctica: Un mecanismo para traducir acciones de control semántico en perturbaciones numéricas de pronósticos futuros, permitiendo la validación determinista sin realizar un ajuste fino (fine-tuning) del modelo fundacional.
3. Estrategia de Rechazo Determinista: Una capa de seguridad basada en la minimización del riesgo en el peor de los casos que rechaza automáticamente las propuestas del LLM que sean inseguras, físicamente inválidas o alucinatorias.
4. Validación Empírica: Demostración de la eficacia del marco en el conjunto de datos de Tratamiento de Agua Seguro (SWaT), mostrando una prevención de brechas superior a las líneas base de aprendizaje profundo tradicionales.

4. Resultados Experimentales

El marco fue evaluado en el conjunto de datos SWaT (Tratamiento de Agua Seguro) bajo 15 escenarios de ataque estocásticos que involucran tres tipos de ataques: Pico Repentino, Deriva Gradual y Ruido Alto. El rendimiento se comparó con las líneas base de LSTM y Red Neuronal Convolucional Temporal (TCN).

• Prevención de Brechas:
  • Neuro-Agéntico: Previno brechas en 5 de 15 ensayos (33.3%).
  • LSTM: Previno brechas en 4 de 15 ensayos (26.7%).
  • TCN: Previno brechas en 2 de 15 ensayos (13.3%).
• Reducción de Riesgo:
  • El marco Neuro-Agéntico logró una reducción media de riesgo de 48.51 unidades, superando significativamente a LSTM (16.77 unidades) y TCN (20.29 unidades).
  • En el ensayo más exitoso (Ensayo 10), el marco redujo el pico de riesgo en 215.38 unidades, más de tres veces la reducción máxima lograda por la línea base LSTM.
• Seguridad y Alucinación:
  • Crucialmente, el sistema Neuro-Agéntico ejecutó cero acciones alucinadas o físicamente inválidas. El Centinela filtró con éxito todas las propuestas inseguras (p. ej., acciones de magnitud positiva durante un desbordamiento) antes de la ejecución.
  • En contraste, las líneas base no lograron prevenir las brechas o, en el caso del sistema Neuro-Agéntico, el mecanismo de rechazo aseguró que nunca se aplicaran al sistema estrategias "alucinadas".

5. Significado y Reivindicaciones

El artículo sostiene que el Bucle Neuro-Agéntico logra cerrar la brecha entre el razonamiento de alto nivel de la IA Generativa y los estrictos requisitos de seguridad del control industrial. Al utilizar un Modelo Fundacional de Series Temporales como "Centinela", el sistema proporciona un modelo de mundo fundamentado en la física que valida las decisiones del LLM de manera determinista.

• Garantía de Seguridad: El marco transforma a los LLM de predictores probables y opacos en planificadores explicables y con restricciones de seguridad. Asegura que ninguna acción de control alucinatoria se ejecute, abordando una barrera principal para el uso de LLM en sistemas CPS de seguridad crítica.
• Rendimiento: El sistema demuestra que acoplar un LLM con un modelo fundacional produce una mejor prevención de brechas y reducción de riesgo que los modelos tradicionales de aprendizaje profundo, particularmente en escenarios que requieren una intervención rápida y decisiva (p. ej., picos repentinos).
• Compromisos (Trade-offs): Los autores reconocen que este enfoque introduce una latencia de inferencia de 1.5 a 2.5 segundos por ciclo de control (debido a la generación del LLM y la simulación contrafáctica), la cual es mayor que la de los controladores PID tradicionales, pero permanece dentro de las constantes de tiempo operativas de la mayoría de los procesos químicos y de fluidos.

El artículo concluye que esta arquitectura ofrece un camino viable hacia la defensa industrial autónoma y segura, siempre que se gestione la latencia y se valide el sistema en diversos entornos. Se propone como trabajo futuro optimizar la latencia de inferencia mediante la cuantización de modelos y probar la robustez frente a ataques adversarios dirigidos al horizonte de pronóstico del modelo fundacional.