Resumo Técnico: Estrutura de Controle Neuro-Agêntica para Segurança de IoT Industrial

1. Definição do Problema

Ataques cibernéticos contra sistemas de Tecnologia Operacional (OT) e Internet das Coisas Industrial (IIoT) estão causando, cada vez mais, perdas financeiras significativas e riscos à segurança física. O monitoramento tradicional baseado em regras é insuficiente para os ambientes complexos e densos de implantações industriais modernas. Embora os Grandes Modelos de Linguagem (LLMs) ofereçam poderosas capacidades de raciocínio semântico para suporte à decisão, sua tendência a "alucinar" (gerar sações factualmente incorretas ou fisicamente impossíveis) impõe responsabilidades de segurança inaceitáveis para sistemas de controle de malha fechada. Por outro lado, os modelos de previsão de séries temporais existentes muitas vezes carecem do raciocínio semântico necessário para formular contraestratégias complexas. Há uma necessidade crítica de uma estrutura que aproveite o poder de raciocínio dos LLMs, enquanto ancora estritamente suas ações na realidade física para evitar falhas catastróficas em Sistemas Ciber-Físicos (CPS).

2. Metodologia

O artigo propõe uma Estrutura de Controle Neuro-Agêntica, uma arquitetura de dois estágios que desacopla o raciocínio semântico do controle físico. O sistema opera como um ciclo fechado consistindo em dois agentes primários:

• O Arquiteto (Planejador LLM): Utilizando o Gemini 2.5 Flash-Lite, este agente atua como um raciocinador semântico. Ele recebe dados contextuais (tendências de sensores, tempo previsto para falha e manuais operacionais recuperados via Geração Aumentada de Recuperação - RAG) e gera estratégias de controle candidatas. Essas estratégias são emitidas como objetos JSON estruturados definindo um tipo de ação, magnitude (ex: taxa de drenagem) e duração.
• O Sentinela (Motor de Física): Utilizando o TimesFM (um Modelo de Fundação de Séries Temporais pré-treinado), este agente serve como uma verdade fundamental física determinística. Ele não atualiza seus pesos internos, mas utiliza seu conhecimento pré-treinado de dinâmicas temporais para prever estados futuros do sistema.

Mecanismo Central: Injeção de Física Contrafactual

A inovação central é o mecanismo de Injeção de Física Contrafactual. Como o LLM não pode modificar diretamente os pesos do modelo de fundação, a estrutura traduz os comandos semânticos do LLM em perturbações numéricas dentro da previsão da série temporal.

• O sistema simula o efeito de uma ação proposta pelo LLM (ex: abrir uma válvula de drenagem) aplicando uma injeção linear cumulativa ao horizonte previsto.
• Para uma taxa de drenagem $\mu$ e duração $\delta$, a previsão modificada $\hat{y}'_t$ é calculada como:
  • $\hat{y}'_t = \hat{y}_t + \mu \cdot (t + 1)$ para $t < \delta$ (efeito de drenagem cumulativa).
  • $\hat{y}'_t = \hat{y}_t + \mu \cdot \delta$ para $t \geq \delta$ (mantendo o nível drenado final).
• Isso permite que o Sentinela preveja o resultado físico de uma ação proposta antes que ela seja executada.

Estratégia de Rejeição de Alucinação

A estrutura emprega um algoritmo determinístico de Rejeição de Alucinação. Antes que qualquer ação seja executada, o Sentinela simula o resultado de cada estratégia candidata proposta pelo Arquiteto.

• Verificação de Segurança: Se uma ação simulada resultar em um estado de sistema pior do que o baseline (ex: uma ação de magnitude positiva de "enchimento" durante um cenário de transbordamento, ou uma ação que falha em baixar o nível abaixo do limiar crítico), ela é rejeitada.
• Otimização: O sistema seleciona a ação ótima $a^*$ que minimiza o risco projetado (pico máximo de nível) entre todos os candidatos válidos. Se todos os candidatos forem inseguros ou ineficazes, o sistema retorna ao estado de "Monitoramento".

3. Principais Contribuições

1. Arquitetura Inovadora: Uma estrutura de Controle Neuro-Agêntica que separa explicitamente o raciocínio semântico (LLM) do controle físico (Modelo de Fundação) para sistemas de IoT.
2. Injeção de Física Contrafactual: Um mecanismo para traduzir ações de controle semântico em perturbações numéricas de previsões futuras, permitindo a validação determinística sem a necessidade de ajuste fino (fine-tuning) do modelo de fundação.
3. Estratégia de Rejeição Determinística: Uma camada de segurança baseada na minimização do risco de pior caso que rejeita automaticamente propostas de LLM inseguras, fisicamente inválidas ou alucinatórias.
4. Validação Empírica: Demonstração da eficácia da estrutura no conjunto de dados SWaT (Secure Water Treatment), mostrando uma prevenção de violações superior às linhas de base tradicionais de aprendizado profundo.

4. Resultados Experimentais

A estrutura foi avaliada no conjunto de dados SWaT (Secure Water Treatment) sob 15 cenários de ataque estocásticos envolvendo três tipos de ataques: Pico Súbito, Deriva Gradual e Ruído Alto. O desempenho foi comparado com as linhas de base LSTM e Rede Neural Convolucional Temporal (TCN).

• Prevenção de Violações:
  • Neuro-Agêntica: Preveniu violações em 5 de 15 tentativas (33,3%).
  • LSTM: Preveneu violações em 4 de 15 tentativas (26,7%).
  • TCN: Preveneu violações em 2 de 15 tentativas (13,3%).
• Redução de Risco:
  • A estrutura Neuro-Agêntica alcançou uma redução média de risco de 48,51 unidades, superando significativamente a LSTM (16,77 unidades) e a TCN (20,29 unidades).
  • Na tentativa mais bem-sucedida (Tentativa 10), a estrutura reduziu o pico de risco em 215,38 unidades, mais de três vezes a redução máxima alcançada pela linha de base LSTM.
• Segurança e Alucinação:
  • Crucialmente, o sistema Neuro-Agêntico executou zero ações alucinadas ou fisicamente inválidas. O Sentinela filtrou com sucesso todas as propostas inseguras (ex: ações de magnitude positiva durante transbordamentos) antes da execução.
  • Em contraste, as linhas de base ou falharam em prevenir violações ou, no caso do sistema Neuro-Agêntico, o mecanismo de rejeição garantiu que nenhuma estratégia "alucinada" fosse aplicada ao sistema.

5. Significância e Alegações

O artigo afirma que o Ciclo Neuro-Agêntico consegue unir o raciocínio de alto nível da IA Generativa com os requisitos rigorosos de segurança do controle industrial. Ao utilizar um Modelo de Fundação de Séries Temporais como um "Sentinela", o sistema fornece um modelo de mundo fundamentado na física que valida as decisões do LLM de forma determinística.

• Garantia de Segurança: A estrutura transforma os LLMs de preditores probabilísticos opacos em planejadores explicáveis e com restrições de segurança. Ela garante que nenhuma ação de controle alucinatória seja executada, abordando uma barreira primária ao uso de LLMs em CPS de missão crítica.
• Desempenho: O sistema demonstra que o acoplamento de um LLM com um modelo de fundação produz melhor prevenção de violações e redução de risco do que os modelos tradicionais de aprendizado profundo, particularmente em cenários que exigem intervenção rápida e decisiva (ex: picos súbitos).
• Compromissos (Trade-offs): Os autores reconhecem que esta abordagem introduz uma latência de inferência de 1,5 a 2,5 segundos por ciclo de controle (devido à geração do LLM e simulação contrafactual), que é maior do que os controladores PID tradicionais, mas permanece dentro das constantes de tempo operacionais da maioria dos processos químicos e de fluidos.

O artigo conclui que esta arquitetura oferece um caminho viável para a defesa industrial autônoma e segura, desde que a latência seja gerenciada e o sistema seja validado em diversos ambientes. O trabalho futuro proposto visa otimizar a latência de inferência via quantização de modelos e testar a robustez contra ataques adversários direcionados ao horizonte de previsão do modelo de fundação.