A Fractional Cyber–Biological Model for Energy-Aware Trust-Based Mobile-Agent Wireless Sensor Networks: Secure Plant-Disease Surveillance

Resumen Técnico: Un Modelo Ciber-Biológico Fraccionario para Redes de Sensores Inalámbricos con Agentes Móviles Basado en la Conciencia de la Energía y la Confianza

Planteamiento del Problema
Las Redes de Sensores Inalámbricos (WSN) de bajo consumo sirven cada vez más como la capa de medición para sistemas de decisión biológica, tales como la vigilancia de enfermedades en plantas. Existe una vulnerabilidad crítica donde los fallos de seguridad en la comunicación no solo degradan el rendimiento de la red, sino que se propagan hacia abajo para distorsionar las inferencias biológicas. Específicamente, los nodos comprometidos que realizan ataques de reenvío selectivo o de encendido-apagado (on–off) pueden falsificar datos microclimáticos (p. ej., humedad de la hoja, humedad relativa), lo que conduce a estimaciones erróneas del riesgo de enfermedades. Los mecanismos de confianza existentes suelen tratar el comportamiento de los nodos como carentes de memoria o dependen de clasificaciones de energía y confianza independientes, fallando al capturar la compleja interacción temporal entre la energía residual, la degradación de la confianza y la probabilidad de compromiso bajo evidencia de ataque acotada. Además, la integración de los estados de seguridad de la red con la toma de decisiones biológica permanece mayormente sin modelar como un sistema dinámico acoplado.

Metodología
Los autores proponen un marco acoplado de dos capas: una Capa Cíber y una Capa Biológica, vinculadas por una decisión de enrutamiento de agente móvil y una fusión de sensores segura.

1. Modelo Cíber Fraccionario:
   El núcleo de la capa cíber es un sistema diferencial fraccionario de Caputo de tres estados que modela la energía residual normalizada ($E$), la confianza ($T$) y la probabilidad de compromiso ($C$) bajo una señal de ataque $A(t)$. El sistema se define como:

   • $D^\alpha_t E = -E(\epsilon_0 + \epsilon_1\rho + \epsilon_2C + \epsilon_3A(t))$
   • $D^\alpha_t T = \lambda(1-T) - \mu CT - \xi A(t)T$
   • $D^\alpha_t C = \kappa A(t)(1-C) - \delta TC$
     Aquí, $0 < \alpha \leq 1$ representa el orden fraccionario, introduciendo una memoria ponderada por ley de potencia de los estados pasados. El modelo asume ataques de reenvío selectivo o de encendido-apagado acotados.

2. Análisis Matemático:
   El artículo establece la buena formulación del sistema, demostrando la existencia y unicidad de las soluciones en un horizonte finito. Demuestra que el espacio de estados físicos $\Omega = [0, 1]^3$ es positivamente invariante. Crucialmente, los autores analizan el equilibrio del subsistema de confianza-compromiso bajo una intensidad de ataque constante, probando la existencia de un equilibrio admisible único que es independiente del orden fraccionario $\alpha$. La estabilidad asintótica local se confirma para todo $0 < \alpha \leq 1$ mediante la condición del sector de Matignon.

3. Regla de Decisión del Agente Móvil:
   Se define una función de utilidad sensible a la energía $U(t) = w_E E(t) + w_T T(t) - w_C C(t)$ para determinar la elegibilidad de los nodos para los itinerarios de agentes móviles. Se aplican guardas estrictas (hard guards) para evitar la selección de nodos con alta energía pero con estados de seguridad inaceptables.

4. Integración Biológica:
   El modelo de red se acopla a un módulo de biosurveillancia de enfermedades vegetales. Las variables microclimáticas (humedad relativa, humedad de la hoja, idoneidad térmica) se fusionan en un índice de idoneidad. A diferencia del promedio estándar, los pesos de fusión se generan dinámicamente basados en los estados de fiabilidad cíber ($E, T, C$) de los nodos sensores. Esta señal fusionada impulsa una ecuación diferencial de presión de enfermedad acotada.

5. Implementación Numérica:
   Las simulaciones utilizan un esquema predictor-corrector de Adams–Bashforth–Moulton fraccionario. Los experimentos comparan las respuestas de orden entero ($\alpha=1$) y de orden fraccionario ($\alpha \in \{0.95, 0.85, 0.75\}$) ante ataques persistentes y de encendido-apagado en un escenario sintético de invernadero de cinco nodos.

Contribuciones Clave

• Modelo de Estado Fraccionario Acoplado: Introducción de un sistema dinámico unificado donde la energía, la confianza y la probabilidad de compromiso evolucionan simultáneamente bajo cálculo fraccionario, en lugar de ser estimadas de forma independiente.
• Caracterización Analítica de la Memoria: Prueba de que, si bien el orden fraccionario $\alpha$ altera la aproximación transitoria al equilibrio (profundidad y velocidad de la memoria), no desplaza el punto de equilibrio de ataque constante. Esto distingue a los modelos fraccionarios como mecanismos de escala de memoria en lugar de herramientas de ajuste de curvas para cambiar los estados estacionarios.
• Mecanismo de Fusión de Sensores Segura: Desarrollo de una regla de fusión sensible a la confianza donde los estados de fiabilidad cíber modulan directamente el peso de los datos de los sensores biológicos, cuantificando la propagación del compromiso cíber hacia la estimación del riesgo biológico.
• Referencia Sintética Reproducible: Provisión de una configuración experimental sintética completa, incluyendo conjuntos de parámetros, perfiles de ataque y un mapeo de paquete-a-estado, para evaluar las compensaciones entre la velocidad de detección y la retención de memoria.

Resultados

• Dinámicas Transitorias: En escenarios de ataque de encendido-apagado, los órdenes fraccionarios más bajos ($\alpha < 1$) atenúan la profundidad instantánea del colapso de la confianza y los picos de probabilidad de compromiso en comparación con el modelo de orden entero. Sin embargo, esto conlleva el costo de una recuperación más lenta una vez que el ataque cesa.
• Decisiones de Enrutamiento: En un estudio de caso de enrutamiento de cinco nodos, el modelo fraccionario ($\alpha=0.85$) retrasó la exclusión de un nodo comprometido por un paso de integración en comparación con el modelo de orden entero, ilustrando el "precio de la memoria" como un retraso de detección finito.
• Impacto Biológico: En la prueba de estrés de invernadero sintético, donde un nodo comprometido inyectó datos microclimáticos falsificados:
  • La fusión sensible a la confianza redujo el Error Cuadrático Medio (RMSE) de la estimación de la idoneidad ambiental durante la ventana de ataque de 0.07162 (promedio estándar) a 0.02818 (una reducción del 60.7%).
  • El RMSE del estado de presión de la enfermedad descendió de 0.02059 a 0.00645 (una reducción del 68.7%).
  • Tras el ataque, la fusión sensible a la confianza mantuvo un error significativamente menor (0.00130 frente a 0.01480) debido al efecto de histéresis del estado de confianza.
• Identificación de Compensaciones (Trade-offs): Los resultados resaltan una verdadera compensación de seguridad-biología: mientras que la memoria fraccionaria suaviza el ruido transitorio, puede causar que un nodo comprometido previamente que gozaba de confianza mantenga una influencia excesiva brevemente después de que comienza un ataque, lo que podría retrasar las intervenciones biológicas necesarias.

Significancia y Reivindicaciones
El artículo posiciona su trabajo como un estudio de mecanismo en lugar de una reivindicación de validación de campo o de optimización de rendimiento. Su significancia principal radica en:

1. Desacoplar el Equilibrio de la Memoria Transitoria: Demostrar explícitamente que el cálculo fraccionario cambia cómo un sistema reacciona a la historia (memoria transitoria) sin alterar el resultado final del estado estacionario bajo ataques constantes.
2. Cuantificar la Propagación Cíber-Biológica: Proporcionar un marco matemático para rastrear cómo la evidencia a nivel de paquete se traduce en errores de decisión biológica, mostrando que la fusión sensible a la confianza puede mitigar significativamente estos errores.
3. Definir el Costo de la Memoria: Argumentar que los modelos fraccionarios no deben verse como intrínsecamente superiores; más bien, ofrecen un parámetro ajustable para equilibrar la velocidad de detección de anomalías con la estabilidad proporcionada por la evidencia histórica.
4. Reproducibilidad: Ofrecer un benchmark sintético completamente especificado para futuras investigaciones que deseen probar modelos cíber-biológicos fraccionarios contra líneas base de orden entero utilizando datos fuera de la muestra.

Los autores concluyen que, si bien el marco logra conectar la evidencia de paquetes, la memoria fraccionaria y la estimación del riesgo biológico, el trabajo futuro requiere una calibración conjunta con datos de campo del mundo real (trazas de paquetes, telemetría de batería y resultados de enfermedades) para estimar el orden fraccionario $\alpha$ y validar el modelo contra sistemas específicos de cultivos y patógenos.