Resumo Técnico: Inteligência de Borda Interpretável em 5G

Declaração do Problema

A migração da computação para nós de Computação de Borda Multi-acesso (MEC) 5G para satisfazer os requisitos de Comunicação Ultra-Confiável de Baixa Latência (URLLC) desmantelou o perímetro de segurança centralizado tradicional. Embora a Inspeção Profunda de Pacotes (DPI) e a detecção baseada em assinaturas tenham sido eficazes em arquiteturas centralizadas 4G/3G, elas são estruturalmente inadequadas para redes privadas 5G devido a:

1. Criptografia: Protocolos como TLS 1.3 e QUIC criptografam os payloads de ponta a ponta, tornando a DPI inviável sem violar as restrições de latência ou jurisdições legais.
2. Cegueira de Zero-Day: Sistemas baseados em assinaturas não conseguem detectar ameaças inéditas ou botnets (ex: classe Mirai) que carecem de catalogação prévia.
3. Opacidade Operacional: A detecção de anomalias não supervisionada usando Aprendizado Profundo (ex: Autoencoders) pode identificar desvios estatísticos, mas tipicamente produz apenas um score de anomalia escalar. Em redes privadas regidas por Acordos de Nível de Serviço (SLA), os operadores exigem justificativa causal documentada para automatizar ações de mitigação com segurança (ex: quarentena). Um score escalar não fornece tal base.
4. Desvio de Domínio (Domain Shift): Modelos treinados em conjuntos de dados de referência costumam falhar em implantações reais devido à "suposição de mundo fechado". Diferenças em hardware, camadas de protocolo e presença específica de campos (ex: identificadores de Service VLAN) entre os dados de treinamento e as interfaces de borda podem causar taxas catastróficas de falsos positivos.

Metodologia

Os autores propõem o framework de Inteligência de Borda Interpretável (IEI), projetado para hardware MEC de prateleira (commodity) e alinhado aos padrões 3GPP NWDAF (Network Data Analytics Function). O sistema opera via uma arquitetura de caminho duplo:

1. Mecanismo de Detecção Central: LSTM-Autoencoder

• Arquitetura: Um Autoencoder LSTM é treinado exclusivamente em tráfego benigno para aprender a estrutura temporal dos fluxos de rede (intervalos entre chegada de pacotes, ordenação de protocolos).
• Mecanismo: O modelo comprime sequências de entrada em um gargalo latente de 8 dimensões e tenta reconstruí-las. Anomalias são detectadas quando o Erro Quadrático Médio (MSE) da reconstrução excede um limiar ($\tau$) definido no percentil 95 da distribuição de treinamento.
• Features: A entrada inclui características espaciais (tamanho de payload, flags), estatísticas temporais (densidade de rajadas) e campos de protocolo específicos de 5G (GTP-U TEID, identificador de Service VLAN sVid). Identificadores espaciais (IP/MAC) são excluídos para evitar overfitting a endereços específicos.

2. Mecanismo de Explicabilidade: K-Means Compressed KernelSHAP

• Desafio: Os cálculos padrão de valores de Shapley possuem uma complexidade combinatória de $O(2^d)$, tornando-os incompatíveis com a inferência de sub-milissegundos na borda.
• Solução: O framework emprega uma técnica de compressão K-Means no conjunto de dados de fundo. Ao comprimir a distribuição de fundo em $K=50$ centroides, a complexidade computacional é reduzida mantendo uma alta fidelidade de atribuição ($\rho = 0,971$ contra o Shapley exato).
• Execução: Esta atribuição de "caminho lento" roda assincronamente. Apenas fluxos sinalizados como anômalos pelo gatilho do caminho rápido acionam o mecanismo KernelSHAP, que gera contribuições marginais por característica para o erro de reconstrução.

3. Pipeline Operacional

• Caminho Rápido (Fast-Path): O processamento síncrono (Ingestão de telemetria $\to$ Normalização $\to$ Inferência LSTM) completa em aproximadamente 14,7 ms, satisfazendo os limites de URLLC. Fluxos normais são liberados imediatamente.
• Caminho Lento (Slow-Path): Processamento assíncrono para fluxos sinalizados, gerando um relatório de diagnóstico NWDAF estruturado que nomeia a característica causa-raiz e a mapeia para elementos de protocolo 3GPP.
• Protocolo de Recalibração: Um passo de adaptação leve e sem rótulos onde o MinMaxScaler e o limiar $\tau$ são reajustados em 5 minutos de tráfego benigno capturado localmente para alinhar o modelo com a interface de hardware específica.

Principais Contribuições

1. Atribuição Causal Viável na Borda: Demonstra que a atribuição Shapley no erro de reconstrução de LSTM pode operar dentro das restrições de latência URLLC em hardware comum. A compressão K-Means reduz a complexidade do KernelSHAP, alcançando atribuição sub-100 ms com alta fidelidade.
2. Isolamento Causal de um Campo de Protocolo: Através de ablação controlada, o estudo identifica a ausência do identificador de Service VLAN (sVid) como o driver causal do desvio de domínio. Zerar este campo em um dataset de referência reproduziu as altas taxas de falsos positivos observadas em implantações comerciais reais, provando que a falha se deve a um campo de protocolo específico e não a ruído estatístico geral.
3. Protocolo de Recalibração Leve: Um procedimento de aquecimento local de cinco minutos (reajuste de scaler e limiar, sem atualizações de pesos) reduziu a taxa de falsos positivos (FPR) de 61,3% para 3,1% em implantações reais, não exigindo infraestrutura de retreinamento ou dados de ataque rotulados.
4. Relatórios de Diagnóstico Alinhados a Padrões: O framework gera relatórios em linguagem natural que fazem a ponte entre saídas de IA e a documentação causal exigida pela 3GPP TS 23.288 e SLAs empresariais.

Resultados

• Desempenho de Referência (5G-NIDD): Em um conjunto de teste de holdout de 508.000 fluxos, o LSTM-AE alcançou um AUC-ROC de 0,991 e um F1-score de 0,971. Superou significativamente o Isolation Forest, Autoencoders 1D-CNN e o ensemble Kitsune, particularmente na detecção de ataques de inundação (flood) de UDP e SYN, onde a periodicidade temporal é fundamental.
• Latência: A inferência do caminho rápido teve média de 14,7 ms (p99: 18,2 ms), bem dentro dos limites de URLLC. A atribuição do caminho lento (KernelSHAP) teve média de 85,3 ms, mas roda de forma assíncrona, não impondo sobrecarga ao roteamento de tráfego normal.
• Implantação Real e Desvio de Domínio:
  • Pré-Recalibração: Aplicar um modelo treinado no núcleo a uma interface Wi-Fi comercial resultou em um FPR de 61,3% (95% CI: 59,1–63,4%). O KernelSHAP identificou corretamente a ausência de sVid como o principal driver da anomalia.
  • Pós-Recalibração: Após uma recalibração local de 5 minutos, o FPR caiu para 3,1% (95% CI: 2,4–3,9%).
  • Confirmação por Ablação: Zerar artificialmente o campo sVid no dataset de referência elevou o FPR de 1,2% para 58,7%, confirmando que a ausência de sVid isoladamente é suficiente para causar a falha de implantação.

Significância e Alegações

O artigo afirma estabelecer que a segurança de IA na borda é tanto um problema de calibração de hardware quanto de modelagem.

• Além de Scores Black-Box: O trabalho demonstra que o aprendizado profundo não supervisionado, quando combinado com explicabilidade eficiente, pode fornecer a rastreabilidade causal necessária para operações de segurança autônomas em redes privadas 5G.
• Diagnóstico de Protocolo Específico: É o primeiro isolamento empírico de um campo de protocolo 3GPP específico (sVid) como a fonte causal de uma falha de implantação em MEC. Isso vai além de observações genéricas de "desvio de distribuição" para descobertas de engenharia acionáveis.
• Realidade de Implantação: O estudo argumenta que tratar um nó MEC físico como um simples alvo de substituição (drop-in) para um modelo pré-treinado garante a falha operacional. Uma fase de recalibração específica para o hardware é apresentada como um passo não negociável para camadas de segurança funcionais.
• Escalabilidade: Embora a implementação atual utilize um modelo centralizado com recalibração local, os autores observam que a transição para uma topologia de aprendizado federado é o caminho necessário para escalar esta abordagem através de massivos implantações nacionais de 5G, preservando a privacidade.

Os autores reconhecem limitações, incluindo uma taxa de recall de 88,0% para Inundações de Sinalização AMF (devido à sua mimetização adversarial de tráfego benigno) e a dependência atual de Python/Scapy, que limita as velocidades de ingestão em comparação com soluções eBPF ou DPDK. No entanto, o framework valida com sucesso um caminho para segurança rastreável por padrões, explicável e em tempo real para a infraestrutura distribuída de 5G.