Resumo Técnico: NuTwin – Uma Arquitetura de Nuvem de Confiança Zero e Confidencial para Gêmeos Digitais de Reatores Nucleares em Tempo Real

1. Definição do Problema

O artigo aborda um dilema computacional e de segurança crítico no monitoramento moderno de usinas nucleares (NPP). Solvers numéricos de alta fidelidade (ex: MناMCNP, RELAP5) são excessivamente intensivos computacionalmente para a sincronização de gêmeos digitais em tempo real de sub-segundo, enquanto modelos de aprendizado profundo padrão (ex: LSTMs não restringidos) carecem de determinismo físico, frequentemente violando leis de conservação e produzindo "alucinações físicas". Além disso, a transmissão de telemetria de segurança crítica para nuvens públicas viola o rigoroso "air-gap" de segurança exigido para sistemas de classe 1E, introduzindo vetores para ataques de canal lateral, espionagem de hipervisor e atuação não autorizada.

2. Metodologia

O autor propõe o NuTwin, um sistema que integra uma Rede Neural Informada por Física (PINN) com computação confidencial reforçada por hardware para permitir a inferência segura e em tempo real na nuvem.

A. Formulação Informada pela Física

O núcleo do sistema é um modelo substituto (surrogate) restringido diretamente pelas Equações de Cinética de Ponto do Reator (PRKE) com seis grupos de precursores de nêutrons atrasados e feedback termohidráulico agrupado.

• Equações Governantes: O modelo resolve equações diferenciais acopladas para a densidade de população de nêutrons ($n$), concentrações de precursores ($C_i$), temperatura do combustível ($T_f$) e temperatura do refrigerante ($T_c$).
• Função de Perda: O objetivo de treinamento minimiza uma função de perda composta ($L_{total}$) compreendendo:
  • Perda de dados ($L_{data}$): Ajuste aos dados de telemetria observados.
  • Perda de física ($L_{PRKE}$): Resíduos das equações de cinética de ponto.
  • Perda Termohidráulica ($L_{TH}$): Resíduos das equações de feedback térmico.
  • Perda de Condição Inicial ($L_{IC}$): Adesão aos estados iniciais.
• Arquitetura: Uma rede totalmente conectada com 4 camadas ocultas (128 neurônios cada, ativação tanh) mapeando o tempo ($t$) para 9 estados de saída.

B. Arquitetura de Nuvem de Confiança Zero

O pipeline de inferência é projetado para eliminar a confiança na infraestrutura de nuvem subjacente:

1. Ingestão de Telemetria: Dados ao vivo (simulados via PyRK) são transmitidos via mTLS unidirecional para o AWS IoT Core.
2. Roteamento Seguro: Uma regra do AWS IoT encaminha os dados para um host EC2, que atua exclusivamente como um encaminhador.
3. Execução Confidencial: Os dados são passados via um socket virtual interno (vsock) para um AWS Nitro Enclave.
   • O enclave é efêmero, não possuindo armazenamento persistente e sem interfaces de rede externas.
   • Ele opera em um ambiente criptograficamente isolado onde o SO host pai e administradores root não podem acessar a memória ou inspecionar o processo de inferência.
   • A atestação é verificada via AWS KMS antes da execução.
4. Saída: Os resultados (estados previstos, pontuações de anomalia) são retornados via vsock para um dashboard, mantendo um papel estritamente de observador de leitura para a nuvem.

3. Principais Contribuições

1. Substituto Bounded pela Física: Uma arquitetura PINN diretamente limitada pelo PRKE de 6 grupos de precursores de nêutrons atrasados e acoplada à dinâmica termohidráulica, garantindo que as previsões adiram às leis de conservação física.
2. Pipeline Criptograficamente Isolado: Uma implementação de confiança zero onde a inferência executa exclusivamente dentro de um AWS Nitro Enclave efêmero, comunicando-se apenas via endpoints vsock locais do kernel, eliminando assim a vazão de dados persistente e superfícies de ataque externas.
3. Desempenho em Tempo Real: Demonstração de latência de inferência inferior a 100 ms e conformidade de resíduo físico micro durante transientes induzidos de queda de barra de controle.

4. Resultados Experimentais

O sistema foi validado contra um ground truth PyRK (solver RK4) e um LSTM não restrito convencional.

• Latência: O NuTwin alcançou uma latência de inferência de 42,8 ms por etapa, satisfazendo o requisito de sub-segundo para monitoramento em tempo real.
• Precisão: O modelo alcançou um Erro Quadrático Médio (MSE) de Fluxo de Nêutrons de 1,1 × 10⁻⁵, superando significativamente o LSTM não restrito (8,4 × 10⁻³).
• Conformidade Física: O resíduo de conservação física ($L_{PRKE}$) foi limitado em 1,38 × 10⁻⁴. Em contraste, o LSTM não restrito exibiu uma severa violação física com um resíduo de 4,8 × 10⁻¹.
• Segurança: Diferente dos ambientes de base onde a memória é exposta ao host, a execução no enclave do NuTwin é criptograficamente isolada, garantindo zero vazamento de dados para a instância pai.

5. Significância e Alegações

O artigo afirma que o NuTwin consegue reconciliar três requisitos conflitantes: desempenho preditivo de sub-segundo, determinismo físico e isolamento de nuvem de confiança zero. Ao incorporar o PRKE diretamente na função de perda, o sistema evita previsões não físicas durante transientes severos (como scrams). Simultaneamente, o uso do AWS Nitro Enclave aborda o déficit de confiança regulatória para telemetria de segurança crítica ao eliminar a superfície de ataque cibernético associada à infraestrutura de nuvem pública.

O autor posiciona este trabalho como a primeira implementação publicada demonstrando isolamento criptográfico reforçado por hardware para inferência em nuvem em tempo real sob padrões de cibersegurança nuclear, indo além das estações de trabalho de GPU offline e não restritas típicas da literatura anterior.

Roteiro Futuro (conforme declarado pelos autores):

• Expansão da cinética de ponto para PINNs de expansão modal 3D espacial para modelar oscilações axiais de xenônio localizadas.
• Compilação do motor de inferência para alvos AWS Inferentia dentro dos Nitro Enclaves para alcançar tempos de resposta de sub-5 ms.
• Integração com diodos de dados FPGA de hardware para certificação de isolamento físico planta-para-nuvem.