Abordando as vulnerabilidades em sistemas de detecção de vazamentos de água

Muitos modelos de aprendizado de máquina podem ser enganados por ataques inteligentes. Esses ataques adicionam pequenas mudanças nas entradas, fazendo com que o modelo dê respostas erradas. Esse problema é especialmente importante para sistemas que ajudam a monitorar a distribuição de água. Entender esses ataques pode ajudar a construir modelos mais robustos e confiáveis.

Nesta discussão, classificamos diferentes tipos de ataques que podem atingir sistemas de aprendizado de máquina usados para detectar vazamentos em Redes de distribuição de água. Focamos especialmente em um tipo de ataque onde um ator mal-intencionado encontra o melhor lugar no sistema onde um vazamento poderia passar despercebido. Também usamos Métodos específicos para resolver esse problema e testamos em duas redes padrão de distribuição de água.

#Importância da Robustez no Aprendizado de Máquina

As diretrizes da União Europeia ressaltam a importância de garantir que os sistemas de aprendizado de máquina sejam confiáveis, especialmente em áreas críticas como a gestão da água. Para melhorar a confiabilidade de um modelo, é necessário identificar e entender suas fraquezas. Muitos modelos têm entradas específicas projetadas para enganá-los e fazer previsões incorretas. Esse tipo de entrada já mostrou expor falhas em vários modelos avançados de aprendizado de máquina.

Esta discussão se concentra em sistemas de distribuição de água, onde ser confiável é vital. A perda de água é um problema significativo em todo o mundo, e as mudanças nas condições climáticas estão aumentando a probabilidade de secas. Por isso, há uma necessidade urgente de melhorar nossa abordagem à gestão dos recursos hídricos. Sistemas de aprendizado de máquina ajudam em várias tarefas, como detectar vazamentos e identificar eventos de contaminação.

#Investigando Vulnerabilidades dos Sistemas de Água

Pesquisas foram feitas para entender as fraquezas nas redes de distribuição de água. Alguns métodos envolvem criar modelos para identificar pontos fracos sem depender de sistemas de monitoramento. Outros estudos investigaram ataques que visam modelos de aprendizado de máquina usados em sistemas que combinam aspectos físicos e digitais. No entanto, esses estudos geralmente analisam apenas tipos específicos de sensores e não cobrem os sensores de Pressão mais comumente usados.

#Nossas Contribuições

No nosso trabalho, apresentamos:

• Um sistema para classificar diferentes tipos de ataques em sistemas de Detecção de Vazamentos em redes de distribuição de água.
• Um estudo detalhado de um tipo específico de ataque: encontrar o ponto menos sensível na rede de água onde um vazamento poderia ocorrer sem ser detectado.
• Três métodos diferentes para resolver esse problema, que testamos em duas redes de distribuição de água comuns.

#Visão Geral de Ataques Adversariais

Ataques adversariais foram notados pela primeira vez em classificação de imagens. Esses ataques demonstram que pequenas mudanças em uma imagem podem enganar um classificadores e fazer com que ele tome decisões erradas. Esse conceito pode ser ampliado para incluir qualquer método que crie entradas para um modelo de aprendizado de máquina que levem a previsões erradas.

Nos casos em que um modelo de aprendizado de máquina usa medições como entradas, um ataque adversarial também pode envolver alterar o próprio sistema para criar medições enganosas. Essas mudanças precisam seguir leis físicas, já que as medições devem ser realistas.

#Detectando Vazamentos em Redes de Distribuição de Água

Os sistemas de detecção de vazamentos dependem de medir o fluxo e a pressão da água em pontos específicos da rede. As medições dependem de vários fatores, incluindo o layout da rede, as necessidades de água em diferentes locais e possíveis vazamentos. Ao criar uma entrada adversarial, focamos em como os vazamentos afetam as leituras de pressão. Simplificamos mantendo outros fatores constantes, como a demanda de água e o layout da rede.

A ideia básica de um detector de vazamentos é que ele usa medições de pressão para indicar se um vazamento está presente ou não.

#Tipos de Cenários Adversariais

Existem dois cenários principais que envolvem como um detector de vazamentos pode ser enganado:

1. Um falso alarme ocorre quando o detector indica que um vazamento existe, mas não há nenhum.
2. Um ataque oculto é quando um vazamento existe, mas o detector não consegue perceber.

No caso de um falso alarme, um atacante pode tentar mudar certos componentes da rede, como sensores ou tubos, ou pode manipular a demanda de água em locais específicos. Eles não querem criar um vazamento real; o objetivo é fazer o sistema achar que há um vazamento quando não há.

Para ataques ocultos, o atacante realmente cria um vazamento na rede física. Eles podem tentar alterar a sensibilidade do detector ou podem colocar o vazamento em um local que o detector é menos provável de notar.

Nesta discussão, focamos em encontrar o ponto menos sensível na rede para ataques ocultos. Esse ponto é onde o maior vazamento não detectado poderia ocorrer.

#Encontrando o Ponto Menos Sensível

Quando um atacante não tem acesso ao sistema de detecção de vazamentos mas quer criar um vazamento que passe despercebido, eles precisam identificar onde na rede o vazamento será menos detectado. Isso inclui definir o número de nós, colocar sensores e determinar as leituras de pressão de vazamentos de diferentes tamanhos.

O ponto menos sensível é onde um vazamento pode ocorrer sem que o detector perceba.

#Métodos para Encontrar o Ponto Menos Sensível

Propomos três métodos para determinar o ponto menos sensível:

1. Busca por Bisseção: Esse método envolve encontrar uma área de vazamento que não é detectada no ponto menos sensível, mas detectada em todos os outros lugares. Embora esse método possa ser demorado, ele garante encontrar o ponto menos sensível.

2. Algoritmo Genético Básico: Esse algoritmo usa um conjunto de nós e horários de início como seus 'genes'. O maior vazamento não detectado é encontrado através de uma busca sistemática.

3. Algoritmo Genético com Embeddings Espectrais: Esse método também usa um algoritmo genético, mas leva em conta a topologia da rede. Cada nó recebe um vetor de valores numéricos que representam sua posição na rede.

Vamos testar esses métodos em duas diferentes redes de distribuição de água.

#Testando os Métodos em Redes de Referência

Desenvolvemos um detector básico de vazamentos que usa um modelo baseado em medições dos sensores da rede. Para coletar valores de pressão para o detector, usamos um software para simular o fluxo e a pressão da água em várias condições, incluindo vazamentos.

Primeiro, testamos nossos métodos na rede de Hanoi, que tem várias junções e uma fonte de água. As demandas de água nos nós da rede são geradas de maneira realista com base em dados existentes.

Em seguida, avaliamos uma rede maior chamada rede de L-Cidade, que tem mais junções e fontes de água. A rede de L-Cidade é mais complexa, então precisamos ajustar nossa abordagem de acordo.

Para ambas as redes, treinamos o detector usando dados coletados ao longo de vários dias e depois buscamos o ponto menos sensível nos dias seguintes.

#Resultados da Rede de Hanoi

Usando o método de Busca por Bisseção, descobrimos que o ponto menos sensível está sempre perto da fonte de água. Isso se deve ao alto fluxo de água, que significa que um vazamento ali causa menos queda de pressão. Como esse local é conhecido por ser um ponto crítico de proteção, excluímos ele de buscas futuras.

Na nossa análise inicial, identificamos o ponto menos sensível em nós específicos quando os outros nós importantes são desconsiderados. Os resultados mostram que tanto o algoritmo genético básico quanto os embeddings espectrais conseguem encontrar o ponto menos sensível na rede de forma eficaz.

#Resultados da Rede de L-Cidade

Para a rede de L-Cidade, não é prático encontrar o ponto menos sensível globalmente devido ao seu tamanho. Em vez disso, identificamos o ponto em horários fixos de início de vazamento. Durante nossos testes, os padrões mostram que os pontos sensíveis continuam próximos às fontes de água, assim como encontramos na rede de Hanoi.

O desempenho dos nossos métodos mostra resultados promissores, especialmente o algoritmo genético, que pode fornecer resultados rápidos.

#Conclusão

Neste trabalho, aplicamos a ideia de ataques adversariais à detecção de vazamentos em redes de distribuição de água. Ao classificar diferentes tipos de ataques, focamos em encontrar pontos na rede que são vulneráveis. Propomos três métodos para buscar esses pontos vulneráveis e, através de testes, demonstramos sua eficácia em duas redes de distribuição de água.

Entender esses pontos vulneráveis pode ajudar a desenvolver métodos de detecção mais robustos no futuro. O potencial de melhorar a detecção de vazamentos colocando sensores estrategicamente com base nas descobertas anteriores oferece uma aplicação prática deste trabalho.