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

Sintesi Tecnica: Un approccio Bayesiano per la ricostruzione di rete di sistemi di infrastrutture critiche interdipendenti

Definizione del problema
Analizzare il comportamento di reti interdipendenti complesse, in particolare i sistemi di Infrastrutture Critiche Interdipendenti (ICI) (ad esempio, reti idriche, elettriche e del gas accoppiate), richiede una conoscenza completa della topologia di rete e delle interdipendenze. Tuttavia, tali dati sono frequentemente non disponibili a causa di preoccupazioni relative alla sicurezza o a operazioni decentralizzate. Sebbene alcune interdipendenze vengano rivelate solo dopo un'interruzione, i metodi esistenti si affidano spesso ad assunzioni guidate da modelli o alla generazione di dati sintetici. Questo studio affronta il problema inverso della ricostruzione della topologia sconosciuta delle reti ICI utilizzando osservazioni di guasti a cascata. La sfida consiste nell'inferire la struttura della rete dai sequenziamenti dinamici dei guasti, tenendo conto dei vincoli fisici e topologici specifici inerenti ai sistemi infrastrutturali, dove i dati sono spesso parziali e incerti.

Metodologia
Gli autori propongono un approccio Bayesiano non parametrico e scalabile per inferire la distribuzione posteriore discreta della topologia della rete ($A$) dato un insieme di osservazioni di guasti a cascata ($C$). Il nucleo della metodologia prevede:

1. Formulazione Bayesiana: Il problema è inquadrato come la stima di $P(A|C) \propto P(C|A)P(A)$.

   • Verosimiglianza ($P(C|A)$): Modellata utilizzando un modello epidemico Susceptible-Infected (SI) per simulare la propagazione dei guasti attraverso i settori infrastrutturali. La verosimiglianza calcola la probabilità di osservare sequenze di guasti specifiche dato una matrice di adiacenza candidata.
   • Prior ($P(A)$): Modellata utilizzando un Modello a Blocchi Stocastici Gerarchico (HSBM). A differenza dei grafi casuali o scale-free generici, l'HSBM cattura la struttura a blocchi (diversi settori infrastrutturali) e i livelli gerarchici (strutture di fornitura, trasmissione e domanda) caratteristici delle ICI.

2. Campionamento tramite Metropolis-Hastings (M-H): Poiché la distribuzione posteriore non ammette una soluzione in forma chiusa, gli autori impiegano l'algoritmo di Metropolis-Hastings per campionare possibili topologie di rete.

   • Proposta Dipendente dall'Infrastruttura (IP): Una nuova distribuzione di proposta è stata ideata per garantire che vengano generate solo topologie conformi ai vincoli fisici delle ICI. Ciò include 10 vincoli specifici, come garantire la connettività dai nodi di fornitura a quelli di domanda, prevenire cicli all'interno delle reti infrastrutturali e imporre il flusso direzionale (ad esempio, dalla domanda alla fornitura per i collegamenti interdipendenti). Ciò riduce significativamente lo spazio di campionamento rispetto alle proposte di random walk.
   • Convergenza: La convergenza della catena di Markov è dimostrata teoricamente e numericamente.

3. Ottimizzazione Computazionale: Per affrontare la crescita esponenziale delle possibili topologie nelle reti su larga scala, vengono introdotti tre tecniche di ottimizzazione:

   • Calcolo della Verosimiglianza: Riduzione della complessità da $O(|V|^2)$ a $O(|V| + |E|)$ attraversando le liste di archi dei vicinati in guasto piuttosto che iterare su tutte le coppie di nodi.
   • Validazione del Grafo: Sfruttare la struttura tripartita delle reti ICI e il Teorema 1 per validare i vincoli topologici in tempo lineare, controllando solo i gradi in entrata/uscita dei nodi modificati, invece di eseguire ricerche complete sui percorsi.
   • Campionatore Tie-No-Tie (TNT): Sostituzione della selezione casuale della coppia di nodi con un campionatore che dà priorità alla rimozione degli archi in grafi sparsi, aumentando così il tasso di accettazione delle proposte.

Contributi Chiave
Il documento presenta due contributi metodologici primari:

1. Proposta Dipendente dall'Infrastruttura (IP): L'integrazione di vincoli topologici e fisici nel processo di campionamento MCMC. Questo approccio utilizza la struttura a blocchi delle reti ICI per calcolare le probabilità a priori e restringe drasticamente lo spazio delle topologie candidate, migliorando sia l'accuratezza del campionamento che il tempo di miscelazione (mixing time).
2. Ottimizzazione Computazionale: La progettazione di tre tecniche specifiche (calcolo della verosimiglianza tramite lista di archi, validazione del grafo in tempo lineare e il campionatore TNT) che consentono la ricostruzione di reti su larga scala dove i metodi MCMC standard sarebbero computazionalmente proibitivi.

Risultati
L'approccio proposto è stato convalidato utilizzando reti di Infrastrutture Critiche Interdipendenti sintetiche (SICIN) che rappresentano sistemi idrici, elettrici e del gas.

• Accuratezza: Il metodo basato su IP ha superato significativamente i baseline esistenti. In esperimenti con 40 scenari di guasto a cascata, il metodo basato su IP ha raggiunto un F1-score massimo di 0,964, rispetto allo 0,710 di un approccio Bayesiano non-IP e allo 0,712 di un baseline di tipo Variational Graph Auto-Encoder (VGAE).
• Efficienza dei Dati: L'approccio Bayesiano ha dimostrato prestazioni superiori con dati limitati rispetto ai metodi di embedding di grafi, che tipicamente richiedono enormi quantità di informazioni.
• Robustezza: Le analisi di sensibilità hanno mostrato che il metodo basato su IP è meno sensibile alle variazioni del rapporto di nodi inizialmente guasti e ai livelli di rumore nei dati rispetto ai metodi non-IP. Rapporti di guasto iniziale moderati (0,2–0,4) hanno prodotto la migliore accuratezza di ricostruzione.
• Scalabilità: Il metodo è stato applicato con successo a una rete ICI casuale più grande di $120 \times 120$, ottenendo un F1-score moderato di 0,664, dimostrando la trasferibilità a sistemi più grandi.
• Impatto dell'Ottimizzazione: Tra le configurazioni testate, la combinazione di IP, ottimizzazione della lista di archi e campionamento TNT (Metodo M-1) ha offerto il miglior compromesso tra accuratezza di ricostruzione e tempo computazionale.

Significatività e Rivendicazioni
Gli autori affermano che questo lavoro costituisce il primo tentativo di sviluppare metodi di ricostruzione di rete specificamente per risolvere le sfide relative ai dati e all'incertezza nei sistemi di infrastrutture critiche interdipendenti complesse. La significatività del lavoro risiede nella sua capacità di svelare le interdipendenze di rete incerte durante le interruzioni quando i dati completi non sono disponibili.

Il documento asserisce che, ricostruendo accuratamente la topologia delle reti ICI del mondo reale, i decisori politici e gli operatori ottengono una base più chiara per decisioni informate riguardanti la mitigazione del rischio e i benefici economici. L'approccio proposto è presentato come uno strumento pratico per scenari in cui i dati sono limitati dalla sicurezza o dalla decentralizzazione operativa, offrendo un'alternativa basata sui dati rispetto alla modellazione puramente basata su assunzioni. Gli autori rimangono modesti riguardo alle applicazioni future, notando che, sebbene lo studio attuale utilizzi il modello SI, il lavoro futuro potrebbe esplorare modelli di simulazione dei guasti più avanzati (ad esempio, SIR) e strutture temporali variabili.