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

Resumo Técnico: Fusão Espectral de Grafos de Pacotes de Wavelet e Estatísticas de Ordem Superior para Detecção de Anomalias em Redes de Internet Industrial das Coisas

Declaração do Problema
As redes da Internet Industrial das Coisas (IIoT) enfrentam um gargalo crítico na detecção confiável de anomalias, particularmente sob condições sem fio adversas. Os métodos de detecção existentes geralmente falham em um ou mais de quatro fronts: (F1) Camadas físicas hostis, onde o desvanecimento de Rayleigh e a interferência por múltiplos percursos borram assinaturas anômalas fracas até o piso de ruído; (F2) Falhas não gaussianas sigilosas, como injeções adversariais ou deriva lenta, que produzem assinaturas impulsivas de cauda pesada que a média e a variância não conseguem detectar; (F3) Estrutura espacial descartada, onde os pipelines tratam sensores correlacionados como fluxos independentes, perdendo a capacidade de distinguir falhas localizadas de perturbações globais; e (F4) Hardware de borda restrito, onde a inferência deve ser executada em gateways de classe ARM de baixo consumo, sem aceleração por GPU ou dados de anomalias rotulados.

Metodologia: Graph WPT+HOS
Os autores propõem o Graph WPT+HOS, um detector clássico, sem rótulos, que funde três visões complementares de janelas de sensoriamento para abordar os desafios mencionados. O pipeline consiste em cinco etapas:

1. Decomposição Espectral de Grafos (GFT): As observações são mapeadas do domínio dos vértices para o domínio espectral do grafo usando a Transformada de Fourier de Grafos. Isso separa o consenso espacial suave de discordâncias de alta frequência, atuando como um filtro de branqueamento consciente da topologia que suprime o ruído correlacionado induzido pelo desvanecimento, ao mesmo tempo que enfatiza falhas localizadas.
2. Análise de Pacotes de Wavelet Multi-Resolução (WPT): Uma Transformada de Pacotes de Wavelet (utilizando Daubechies-4) é aplicada a cada componente espectral do grafo. Isso fornece uma decomposição completa de bandas binárias para localizar explosões transitórias em bandas de frequência estreitas, preservando a energia da anomalia mesmo quando o desvanecimento atenua o sinal.
3. Extração de Características Estatísticas de Ordem Superior (HOS): Para capturar assinaturas não gaussianas, o método calcula o coeficiente de assimetria e a curtose absolutos dos componentes espectrais do grafo. Essas métricas identificam deriva assimétrica e explosões impulsivas de cauda pesada, que o ruído gaussiano não consegue imitar, independentemente do ganho do canal.
4. Fusão de Características e Pontuação Robusta: As características espaciais (GFT), transitórias (WPT) e distribucionais (HOS) são concatenadas em um vetor fundido. Uma distância de Mahalanobis ao quadrado é calculada em relação a dados de calibração nominais. Para lidar com o regime de "pequena amostra, alta dimensionalidade" comum na IIoT, a matriz de covariância é regularizada usando encolhimento Ledoit–Wolf, determinado de forma fechada sem validação cruzada.
5. Tomada de Decisão Sequencial (CUSUM): Um detector de Soma Cumulativa (CUSUM) unilateral converte pontuações quadro a quadro em alarmes de baixa latência. Esta etapa é assintoticamente ótima no sentido do pior caso de Lorden para detectar deslocamentos de média conhecidos e requer apenas estado $O(1)$ por fluxo.

Principais Contribuições

• Fusão Tri-Domínio: Este é o primeiro detector, segundo o conhecimento dos autores, a fundir Transformada de Fourier de Grafos, Transformada de Pacotes de Wavelet e Estatísticas de Ordem Superior sob condições de desvanecimento sem fio, cobrindo modos de falha que nenhuma transformação única pode abordar.
• Pontuação Sem Rótulos e Bem Condicionada: O framework não requer anomalias rotuladas, dependendo apenas de janelas de calibração nominais. Utiliza encolhimento Ledoit–Wolf para garantir que a distância de Mahalanobis permaneça robusta quando a dimensão da característica se aproxima do tamanho da amostra.
• Decisão Sequencial Assintoticamente Ótima: A integração do CUSUM fornece um teste sequencial ótimo para aplicações industriais com requisitos mínimos de estado.
• Viabilidade na Borda: A complexidade computacional é dominada pela projeção GFT ($O(M^2L)$), que se enquadra no orçamento de gateways comerciais da classe ARM Cortex-A sem aceleração por GPU, ao contrário das abordagens de Redes Neurais em Grafos (GNN).
• Avaliação Abrangente: O método foi avaliado contra seis baselines (incluindo WPT+HOS, GNNs e detectores de fonte única) em quatro regimes de deslocamento de domínio.

Resultados Experimentais
Avaliado sob desvanecimento de Rayleigh com Razões Sinal-Ruído (SNR) variáveis e perturbações topológicas (Regimes A–D), o Graph WPT+HOS demonstrou desempenho superior:

• Precisão de Detecção: Alcançou o maior ROC-AUC e PR-AUC em todos os regimes, superando significativamente as baselines não baseadas em grafos. No regime correspondente, atingiu um ROC-AUC de 0,9221.
• Latência: O método mostrou uma redução dramática na latência de detecção. Comparado à baseline não baseada em grafos mais forte (Fonte Fundida), o Graph WPT+HOS alcançou uma redução de 56× na latência média de detecção CUSUM (0,50 quadros vs. 28,20 quadros), mantendo uma taxa de detecção de 100%.
• Robustez: O detector degradou-se graciosamente sob deslocamentos de domínio severos (por exemplo, queda de 15 dB no SNR e 25% de reconfiguração de arestas), enquanto métodos de fonte única e não baseados em grafos performaram próximo ao acaso aleatório.
• Estabilidade: O método exibiu alta estabilidade estatística em ensaios de Monte Carlo, com o menor intervalo interquartil nas distribuições de AUC.

Significado e Alegações
O artigo afirma que o Graph WPT+HOS oferece uma solução prática e interpretável para detecção de anomalias em IIoT que equilibra alta sensibilidade estatística com baixa carga computacional. Ao fundir pistas espaciais, temporais e distribucionais, supera as limitações do desvanecimento e do ruído não gaussiano sem exigir dados rotulados ou hardware pesado. Os autores enfatizam que a dependência do método de discordância espacial relativa (um invariante topológico) permite manter o desempenho mesmo quando os níveis absolutos do sinal se degradam. Embora reconheçam que uma baseline "Fonte Fundida" alcançou precisão ligeiramente superior (ao custo de latência significativamente maior), os autores argumentam que, para monitoramento industrial onde alarmes perdidos ou atrasados geram risco operacional, o ponto de operação mais útil é a superior sensibilidade e velocidade do método proposto. O trabalho futuro é identificado como visando aprendizado adaptativo de grafos sob topologias dinâmicas e robustez a ataques adversariais em grande escala.