Combinando métricas de entropia e modelos Autoencoder-LSTM para a detecção leve de injeção de dados no ROS 2
Autor: Jorge Nelson Gutiérrez Pena (Currículo Lattes)
Resumo
Garantir a segurança de sistemas robóticos distribuídos baseados em ROS 2 requer mecanismos leves capazes de detectar precocemente comportamentos anômalos sob requisitos de tempo real. Este trabalho propõe um esquema híbrido para detecção de ataques de injeção de dados que combina métricas de entropia calculadas em janelas deslizantes (entropia de Shannon, entropia de transição e entropia baseada em KDE) com um pipeline AE-LSTM treinado exclusivamente com dados nominais do robô. Primeiramente, caracteriza a estabilidade temporal das métricas e verifica a estacionariedade por meio do teste Augmented Dickey-Fuller (ADF), o que permite a calibração de limiares em segmentos nominais. Em seguida, o AE gera um espaço latente sobrecompleto que o LSTM utiliza para prever um passo à frente; a pontuação de anomalia é definida como uma combinação padronizada de forma robusta (mediana/MAD) entre o erro de reconstrução (AE) e o erro de previsão (LSTM), com uma regra de persistência K para controlar alarmes falsos. Na avaliação com dados offline, com busca em grade de parâmetros e restrição explícita da taxa de falsos positivos (False Positive Rate, FPR), isto é, a proporção de amostras nominais indevidamente sinalizadas como anômalas, o ponto de operação selecionado (alpha = 1,1; beta = 1,4; K = 3) atinge Recall aproximado de 0,999 com FPR aproximado de 0,097 e F1 aproximado de 0,692 (prevalência pi aproximada de 0,098; N = 7559). Em nível de evento, obtém taxa de acerto de 100%, latência média de 0,27 janelas e cobertura média de 0,908, evidenciando detecção oportuna com taxas de falso alarme controladas. A abordagem baseia-se apenas na telemetria embarcada, não depende de inspeção de tráfego de rede e é adequada para implantação online em ROS 2, atendendo aos requisitos de tempo real.