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

Sintesi Tecnica: Fusione Spettrale su Grafo di Pacchetti d'Onda e Statistiche di Ordine Superiore per il Rilevamento di Anomalie nelle Reti Industriali IoT

Enunciato del Problema
Le reti dell'Internet delle Cose Industriale (IIoT) affrontano un collo di bottiglia critico nel rilevamento affidabile delle anomalie, in particolare in condizioni wireless avverse. I metodi di rilevamento esistenti falliscono tipicamente su uno o più dei seguenti quattro fronti: (F1) Strati fisici ostili, dove lo sfading di Rayleigh e le interferenze multipath sfumano le deboli firme anomale nel livello di rumore; (F2) Guasti non gaussiani subdoli, come iniezioni avversarie o derive lente, che producono firme a code pesanti e impulsive che media e varianza non riescono a rilevare; (F3) Struttura spaziale scartata, dove le pipeline trattano sensori correlati come flussi indipendenti, perdendo la capacità di distinguere guasti localizzati da perturbazioni globali; e (F4) Hardware edge vincolato, dove l'inferenza deve essere eseguita su gateway di classe ARM a basso consumo senza accelerazione GPU o dati di anomalie etichettati.

Metodologia: Graph WPT+HOS
Gli autori propongono Graph WPT+HOS, un rilevatore classico e privo di etichette che fonde tre visioni complementari delle finestre di acquisizione per affrontare le suddette sfide. La pipeline consta di cinque stadi:

1. Decomposizione Spettrale su Grafo (GFT): Le osservazioni sono mappate dal dominio dei vertici al dominio spettrale del grafo utilizzando la Trasformata di Fourier su Grafo. Ciò separa il consenso spaziale liscio dai disaccordi ad alta frequenza, agendo come un filtro di sbiancamento consapevole della topologia che sopprime il rumore correlato indotto dallo sfading, enfatizzando al contempo i guasti localizzati.
2. Analisi Multi-Risoluzione con Pacchetti d'Onda (WPT): Una Trasformata in Pacchetti d'Onda (utilizzando Daubechies-4) viene applicata a ciascuna componente spettrale del grafo. Ciò fornisce una decomposizione completa a bande binarie per localizzare burst transitori in bande di frequenza strette, preservando l'energia dell'anomalia anche quando lo sfading attenua il segnale.
3. Estrazione di Caratteristiche Statistiche di Ordine Superiore (HOS): Per catturare firme non gaussiane, il metodo calcola l'asimmetria (skewness) e la curtosi assolute delle componenti spettrali del grafo. Queste metriche identificano impronte digitali di derive asimmetriche e burst impulsivi a code pesanti, che il rumore gaussiano non può mimare indipendentemente dal guadagno del canale.
4. Fusione delle Caratteristiche e Punteggio Robusto: Le caratteristiche spaziali (GFT), transitorie (WPT) e distributive (HOS) sono concatenate in un vettore fuso. Viene calcolata una distanza di Mahalanobis al quadrato rispetto ai dati di calibrazione nominali. Per gestire il regime "piccolo campione, alta dimensionalità" comune nell'IIoT, la matrice di covarianza è regolarizzata utilizzando la restringimento (shrinkage) di Ledoit–Wolf, determinata in forma chiusa senza validazione incrociata.
5. Decisione Sequenziale (CUSUM): Un rilevatore Cumulative Sum (CUSUM) unilaterale converte i punteggi frame per frame in allarmi a bassa latenza. Questa fase è asintoticamente ottimale nel senso del caso peggiore di Lorden per il rilevamento di spostamenti di media noti e richiede solo $O(1)$ stato per flusso.

Contributi Chiave

• Fusione Tri-Dominio: Questo è il primo rilevatore, a conoscenza degli autori, a fondere Trasformata di Fourier su Grafo, Trasformata in Pacchetti d'Onda e Statistiche di Ordine Superiore in condizioni di sfading wireless, coprendo modalità di guasto che nessun singolo trasformato può affrontare.
• Punteggio Privato di Etichette e Ben Condizionato: Il framework non richiede anomalie etichettate, affidandosi solo a finestre di calibrazione nominali. Utilizza il restringimento di Ledoit–Wolf per garantire che la distanza di Mahalanobis rimanga robusta quando la dimensionalità delle caratteristiche si avvicina alla dimensione del campione.
• Decisione Sequenziale Asintoticamente Ottimale: L'integrazione di CUSUM fornisce un test sequenziale ottimale per applicazioni industriali con requisiti minimi di stato.
• Fattibilità Edge: La complessità computazionale è dominata dalla proiezione GFT ($O(M^2L)$), che rientra nel budget dei gateway commerciali di classe ARM Cortex-A senza accelerazione GPU, a differenza degli approcci basati su Reti Neurali su Grafo (GNN).
• Valutazione Completa: Il metodo è stato confrontato con sei baseline (inclusi WPT+HOS, GNN e rilevatori a singola fonte) attraverso quattro regimi di spostamento di dominio.

Risultati Sperimentali
Valutato in condizioni di sfading di Rayleigh con vari Rapporti Segnale-Rumore (SNR) e perturbazioni topologiche (Regimi A–D), Graph WPT+HOS ha dimostrato prestazioni superiori:

• Accuratezza di Rilevamento: Ha ottenuto il ROC-AUC e il PR-AUC più alti in tutti i regimi, superando significativamente le baseline non basate su grafi. Nel regime corrispondente, ha raggiunto un ROC-AUC di 0.9221.
• Latenza: Il metodo ha mostrato una riduzione drastica della latenza di rilevamento. Rispetto alla baseline non basata su grafo più forte (Fused-source), Graph WPT+HOS ha ottenuto una riduzione di 56 volte nella latenza media di rilevamento CUSUM (0.50 frame contro 28.20 frame) mantenendo un tasso di rilevamento del 100%.
• Robustezza: Il rilevatore si è degradato con eleganza sotto forti spostamenti di dominio (ad esempio, un calo di SNR di 15 dB e un rimodellamento del 25% dei collegamenti), mentre i metodi a singola fonte e non basati su grafi hanno operato vicino al caso casuale.
• Stabilità: Il metodo ha mostrato un'alta stabilità statistica attraverso le prove Monte Carlo, con il più basso intervallo interquartile nelle distribuzioni AUC.

Significato e Affermazioni
Il documento afferma che Graph WPT+HOS offre una soluzione pratica e interpretabile per il rilevamento di anomalie nell'IIoT che bilancia un'alta sensibilità statistica con un basso carico computazionale. Fondendo indizi spaziali, temporali e distributivi, supera i limiti dello sfading e del rumore non gaussiano senza richiedere dati etichettati o hardware pesante. Gli autori sottolineano che la dipendenza del metodo dal disaccordo spaziale relativo (un invariante topologico) gli permette di mantenere le prestazioni anche quando i livelli assoluti del segnale si degradano. Pur riconoscendo che una baseline "Fused-source" ha ottenuto una precisione leggermente superiore (a scapito di una latenza significativamente più alta), gli autori sostengono che, per il monitoraggio industriale dove le mancate o ritardate segnalazioni guidano il rischio operativo, la superiore sensibilità e velocità del metodo proposto lo rendono il punto di funzionamento più utile. Il lavoro futuro è identificato come mirato all'apprendimento adattivo del grafo sotto topologie dinamiche e alla robustezza contro attacchi avversari su larga scala.