Node-Level Fault Monitoring in WSN using Deep Neural Networks with Real-Time Graph Mapping and Performance Analysis

Resumo Técnico: Monitoramento de Falhas em Nível de Nó em WSN usando Redes Neurais Profundas com Mapeamento de Grafos em Tempo Real e Análise de Desempenho

Definição do Problema
As Redes de Sensores Sem Fio (WSNs) são críticas para o monitoramento em tempo real em setores como agricultura, saúde e vigilância ambiental. No entanto, os nós sensores implantados em ambientes hostis e imprevisíveis estão sujeitos a falhas em nível de nó causadas por degradação de hardware, desgaste de bateria, bugs de software e problemas de comunicação, como perda de pacotes. Essas falhas comprometem a integridade dos dados e a confiabilidade da rede. Os métodos tradicionais de detecção de falhas, que dependem de limiares estáticos ou sistemas baseados em regras, frequentemente falham em se adaptar a mudanças nas linhas de base dos sensores ou padrões de dados não lineares complexos. Além disso, essas abordagens convencionais frequentemente geram falsos alarmes ou perdem indicadores sutis de falhas, particularmente em redes densas ou de grande escala, onde os custos computacionais e de comunicação são significativos.

Metodologia
Os autores propõem um framework baseado em aprendizado profundo para detecção e visualização de falhas em nível de nó em tempo real. O sistema é implementado como um portal baseado na web usando Python, Streamlit, TensorFlow, Keras, Scikit-learn, Pandas e NumPy. A metodologia segue um pipeline estruturado:

1. Ingestão e Pré-processamento de Dados: O sistema aceita conjuntos de dados de sensores em formato CSV contendo carimbos de data/hora (timestamps), leituras de sensores, níveis de bateria, temperatura ambiente e indicadores binários de falha. Os dados são embaralhados para remover efeitos seriais, normalizados usando escala Min-Max para garantir a uniformidade das características e divididos em um conjunto de 80% para treinamento e 20% para teste.
2. Arquitetura do Modelo: Três modelos distintos de aprendizado profundo são construídos e treinados para classificar os nós sensores como "defeituosos" ou "normais":
   • Rede Neural Convolucional (CNN): Projetada para identificar padrões espaciais em dados estruturados.
   • Rede Neural Recorrente (RNN): Utilizada para detectar dependências sequenciais em dados de séries temporais.
   • Long Short-Term Memory (LSTM): Uma variante avançada de RNN capaz de aprender padrões de longo prazo e mitigar problemas de desaparecimento de gradiente (vanishing gradient).
     Todos os modelos são compilados com o otimizador Adam e treinados usando perda de entropia cruzada binária (binary cross-entropy).
3. Monitoramento e Visualização em Tempo Real: Após o treinamento, o sistema opera em modo de tempo real, onde novos dados de sensores são normalizados e alimentados nos modelos. A interface fornece:
   • Probabilidades de predição e níveis de confiança em tempo real para cada modelo.
   • Atualizações dinâmicas de métricas de desempenho (Acurácia, Precisão, Recall, F1-Score) via gráficos de linha.
   • Atualizações contínuas de matrizes de confusão.
   • Análises visuais incluindo histogramas, mapas de calor de correlação e gráficos de barras para analisar relações entre características (ex: a correlação negativa entre a vida útil da bateria e o status de falha).
   • Um sistema de alarme sonoro acionado quando uma falha é detectada.

Principais Contribuições

• Análise Comparativa de Aprendizado Profundo: O estudo fornece uma comparação direta das arquiteturas CNN, RNN e LSTM especificamente para a classificação de falhas em WSN, avaliando sua eficácia em distinguir entre comportamentos normais e defeituosos dos sensores.
• Interface de Mapeamento de Grafos em Tempo Real: Diferente das ferramentas de análise estática, este trabalho integra aprendizado profundo com uma interface web responsiva e amigável que visualiza o desempenho do modelo e o status do nó dinamicamente. Isso inclui a plotagem em tempo real de métricas e matrizes de correlação para auxiliar na tomada de decisão.
• Detecção de Falhas Multi-Característica: O framework utiliza um conjunto de características temporais incluindo temperatura, vida útil da bateria e leituras de sensores para aumentar a precisão da detecção, indo além das simples verificações baseadas em limiares.

Resultos
Os modelos foram avaliados usando o conjunto de dados Node Status do Kaggle. As principais descobertas incluem:

• Métricas de Desempenho: O modelo RNN demonstrou o desempenho geral superior, alcançando a maior acurácia (0,9654), precisão (0,9713), recall (0,8597) e F1-score (0,9121), superando tanto a CNN quanto a LSTM.
• Eficiência Computacional: O modelo CNN foi o mais rápido em termos de tempo total de predição (0,7994 s) e tempo por amostra (0,00008 s). No entanto, exibiu um recall menor (0,6676) e F1-score inferior (0,7792), indicando um compromisso entre velocidade e a capacidade de identificar corretamente todos os casos de falha.
• Desempenho da LSTM: O modelo LSTM mostrou resultados competitivos de acurácia (0,9552) e recall, mas exigiu mais recursos computacionais, resultando no maior tempo total de predição (1,3601 s).
• Insights Visuais: Mapas de calor de correlação confirmaram fortes correlações negativas entre a vida útil da bateria e a ocorrência de falhas, validando a importância do monitoramento da bateria. O sistema visualizou com sucesso picos de temperatura e quedas de tensão associados às condições de falha.

Significância e Alegações
O artigo afirma que o framework proposto aborda as limitações da detecção de falhas tradicional ao oferecer uma solução escalável, adaptável e autoadaptável. Ao combinar aprendizado profundo com visualização em tempo real, o sistema permite a detecção precoce de falhas e fornece aos operadores insights claros e acionáveis sobre a saúde da rede. Os autores concluem que, embora todos os três modelos sejam viáveis, a RNN oferece o compromisso ideal entre desempenho de classificação e eficiência computacional para esta aplicação específica. O estudo enfatiza que a seleção do modelo apropriado depende dos requisitos específicos da implantação da WSN (ex: priorizar velocidade vs. sensibilidade de detecção) e sugere que abordagens de ensemble poderiam aumentar ainda mais a detecção de falhas em cenários do mundo real.