FluxGraph: Synergizing Dynamic Graph Attention and Flux Memory for Unsupervised Time Series Anomaly Detection

Resumo Técnico: FluxGraph

Definição do Problema
A detecção de anomalias em séries temporais é crítica para sistemas ciberfísicos (CPS) e redes de barramento de controle automotivo (CAN). No entanto, métodos não supervisionados existentes enfrentam desafios significativos em ambientes reais e não estacionários. Métodos tradicionais baseados em reconstrução frequentemente falham ao detectar anomalias de mascaramento sutis ou desvios graduais de linha de base, pois dependem de objetivos de otimização únicos e tendem a suavizar padrões transientes. Da mesma forma, métodos baseados em previsão respeitam a continuidade sequencial, mas frequentemente perdem mudanças em dependências entre variáveis ou desvios lentos que permanecem consistentes com o histórico de curto prazo. Atualmente, muitas anomalias críticas manifestam-se não como grandes desvios estatísticos, mas como pequenos deslocamentos na dinâmica temporal, mudanças graduais nas relações entre sensores ou transições entre regimes operacionais. As abordagens atuais carecem da capacidade de raciocinar conjuntamente sobre valores pontuais, dependências sequenciais, estruturas relacionais e evolução do estado global.

Metodologia
Os autores propõem o FluxGraph, um framework não supervisionado que sinergiza atenção de grafo dinâmica com memória de fluxo e regulação adaptativa consciente do estado. A arquitetura processa janelas de comprimento fixo de observações multivariadas normalizadas através dos seguintes componentes:

1. Normalização Reversível com Restrição KL entre Janelas: Para abordar a deriva de distribuição contínua entre janelas adjacentes, o modelo emprega uma Normalização de Instância Reversível baseada em Janela (WindowRevIN) aprimorada com um regularizador de divergência de Kullback-Leibler (KL) entre janelas. Isso suprime deslocamentos de distribuição sem introduzir viés de antecipação (lookahead bias), garantindo uma entrada estável para os módulos subsequentes.
2. Grafo de Sensores Dinâmico com Refluxo de Características: Diferente de grafos de topologia fixa, o FluxGraph constrói uma matriz de adjacência suave condicionada ao conteúdo da janela atual. Crucialmente, ele introduz um mecanismo de refluxo de características onde características de alto nível extraídas por camadas mais profundas são retroalimentadas para atualizar iterativamente a matriz de adjacência. Isso permite que a topologia do grafo se adapte em tempo real a mudanças nas estruturas intercanais e anomalias relacionais sutis.
3. Caule Temporal de Múltiplas Escalas: O modelo extrai características em diferentes campos receptivos usando convoluções depthwise paralelas, combinando o sinal original normalizado, sinais condicionados pelo grafo e diferenças de primeira ordem.
4. Blocos de Atenção de Fluxo: Estes blocos integram três caminhos complementares:
   • Autoatenção temporal padrão com viés posicional relativo.
   • Atenção sobre vetores de memória persistente que acumulam padrões de longo alcance.
   • Convolução depthwise leve para refinamento local.
     Um mecanismo de portão adaptativo impulsionado pela entropia de estado equilibra dinamicamente a contribuição desses caminhos com base na incerteza do estado operacional do sistema.
5. Memória de Estado de Processo: Este módulo mantém protótipos operacionais latentes para rastrear explicitamente mudanças de regime e transições de estado, que são difíceis de capturar apenas via reconstrução local. Ele estima a confiança de atribuição com base na entropia e modela as transições esperadas entre estados consecutivos.
6. Fusão de Múltiplas Evidências: A arquitetura gera quatro saídas paralelas (reconstrução, previsão de um passo, previsão de transição de estado e expectativas de estado por canal). Sete sinais residuais complementares (incluindo desvios pontuais, discrepâncias relacionais e inconsistências de transição de estado) são fundidos usando uma função de agregação logarítmica. Esta abordagem elimina discrepâncias de magnitude entre resíduos heterogêneos, impedindo que outliers de grande amplitude mascarem anomalias estruturais sutis.

Principais Contribuições

• Framework Sinérgico: A integração de fluxo de características bidirecional (via loop de refluxo de características) com regulação adaptativa consciente do estado dentro de um framework unificado não supervisionado.
• Otimização de Topologia Dinâmica: A proposta de um mecanismo iterativo onde características profundas refinam o grafo de sensores dinâmico, permitindo a detecção de derivas relacionais que modelos de topologia fixa perdem.
• Portão de Entropia de Estado: A introdução de um mecanismo de portão impulsionado pela entropia de estado, permitindo que o modelo alterne adaptativamente o foco entre padrões globais e variações locais com base na incerteza do sistema em tempo real.
• Fusão de Múltiplas Evidências em Espaço Logarítmico: Uma estratégia de agregação inovadora que funde sete sinais residuais distintos em espaço logarítmico para garantir a detecção equilibrada tanto de falhas pontuais abruptas quanto de derivas sistêmicas lentas.

Resultados
O FluxGraph foi avaliado em benchmarks de sensores industriais (SMD, HAI), barramento CAN automotivo (Car-Hacking) e rede de tráfego (ROAD).

• Sensores Industriais (SMD): O FluxGraph alcançou F1 baseado em intervalo (RF1) ótimo de 0,62, VROC de 0,93 e VPR de 0,67, superando as linhas de base como Mamba, LSTM-AE e ALoRa por uma margem significativa. Isso demonstra capacidade superior na detecção de deriva gradual e anomalias estruturais.
• Sensores Industriais (HAI): Embora ligeiramente inferior em RF1 (0,59) comparado a algumas linhas de base focadas em reconstrução (devido à prevalência de anomalias pontuais no HAI), o FluxGraph alcançou o maior VROC (0,96) e VPR (0,72), indicando uma capacidade de classificação superior em configurações não supervisionadas.
• Generalização Cross-Domain:
  • Barramento CAN (Car-Hacking): Alcançou 99,98% de precisão e um Macro AUROC perfeito de 1,00000, superando modelos especializados como LiPar e MobileNetV3.
  • Grafo de Tráfego (ROAD): Demonstrou forte desempenho na detecção de ataques de mascaramento, melhorando significativamente a Precisão e os escores F1 para ataques furtivos (ex: Reverse Light Off) onde outras linhas de base falharam.
• Estudos de Ablação: Confirmaram que remover qualquer componente central (previsão, reconstrução, grafo dinâmico, memória de fluxo ou memória de estado) leva à degradação do desempenho. O estudo também validou que a agregação logarítmica é superior à soma linear ou max pooling para fundir resíduos heterogêneos.
• Eficiência: Apesar de sua complexidade, o FluxGraph mantém um tempo de inferência de 2,45 ms por lote em uma NVIDIA RTX4090, comparável ao ALoRa e quase duas vezes mais rápido que o Mamba, tornando-o adequado para monitoramento industrial em tempo quase real.

Significância e Alegações
O artigo afirma que o FluxGraph aborda os pontos cegos fundamentais dos métodos de detecção de anomalias de objetivo único. Ao modelar explicitamente a interação entre correlações de sensores dinâmicos, evolução de estado global e dinâmica temporal local, o framework pode detectar anomalias de grão fino que são sistematicamente perdidas pelas abordagens existentes. Os autores enfatizam que o refluxo de características iterativo e a fusão de múltiplas evidências em espaço logarítmico são inovações críticas que permitem ao modelo distinguir entre deriva operacional normal e anomalias sutis e furtivas (como ataques de mascaramento) sem a necessidade de dados rotulados. Os resultados sugerem que este framework espaço-temporal unificado oferece generalização robusta entre domínios, tornando-o uma solução viável para diversas aplicações de CPS, desde plantas industriais até redes de veículos.