Detección de inyección de datos en sistemas robóticos ROS 2 mediante métricas de entropía y un pipeline autoencoder+LSTM
Palabras clave:
ROS 2, Detección de anomalías, Métricas de entropía, Autoencoder+LSTM, Series temporalesResumen
Los sistemas robóticos distribuidos basados en ROS 2 requieren mecanismos de detección temprana de comportamientos anómalos que sean livianos y operables en tiempo real (Blázquez-García et al., 2021). La inyección de datos o las irregularidades en la publicación de tópicos comprometen seguridad, robustez y continuidad operativa. Aunque ROS 2 incorpora medidas de seguridad (p. ej., DDS Security), su sobrecarga puede ser no trivial; por eso se valoran estrategias complementarias de vigilancia que funcionen sobre telemetría interna, sin instrumentación de red ni criptografía pesada (Zhang et al., 2022; Fernández et al., 2018). Este trabajo presenta un enfoque híbrido que combina métricas de entropía calculadas en ventanas deslizantes con un pipeline Autoencoder (AE) + LSTM entrenado exclusivamente con datos nominales del robot. Se emplean tres medidas entrópicas complementarias: Shannon (Shannon, 1948), transiciones (basada en diferencias sucesivas; Nardone, 2014) y KDE (aproximación no paramétrica de la densidad; Myers et al., 2025). Todas se calculan sobre ventanas de W = 100 muestras para capturar el comportamiento reciente. Además, se verifica la estacionariedad mediante ADF en segmentos nominales, lo que habilita calibración estadística de umbrales (Dickey y Fuller,1979; Wang et al., 2023). El uso de AE y LSTM se apoya en representación robusta y modelado secuencial (Vincent et al., 2008; Hochreiter y Schmidhuber, 1997; Malhotra et al., 2016; Hundman et al., 2018). El sistema se apoya en telemetría interna (p. ej., /cmd_vel, /odom, /laser_scan, /imu/data; y etiquetas /movement_label, /attack_type), y produce una decisión binaria con persistencia K y alertas (/ads/alert). En evaluación offline, con selección explícita del punto de operación bajo restricción de FPR, se obtienen altas tasas de detección y baja latencia, lo que indica viabilidad para despliegue en línea sobre ROS 2 (Abokhdair y Baig, 2025).Descargas
Referencias
Abokhdair, M., & Baig, Z. (2025). A deep learning–based intrusion detection system for ROS 2. In Proceedings of the International Joint Conference on Neural Networks (IJCNN). IEEE. (En prensa)
Ahmed, S., Khan, S., & Mian, A. (2023). Entropy-SLAM: Improving robustness and resilience of SLAM systems using entropy-based anomaly detection. In Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE.
Blázquez-García, A., Conde, A., Mori, U., & Lozano, J. A. (2021). A review on outlier/anomaly detection in time series data. ACM Computing Surveys, 54(3), 1–33.
Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74(366), 427–431.
Fernández, G., Rossi, F. A. E., & García, F. J. (2018). Security and performance considerations in ROS 2: A balancing act. arXiv preprint arXiv:1809.09566.
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.
Hundman, K., Constantinou, V., Laporte, C., Colwell, I., & Soderstrom, T. (2018). Detecting spacecraft anomalies using LSTMs and nonparametric dynamic thresholding. In Proceedings of the 24th ACM SIGKDD International Conference on Knowledge
Discovery & Data Mining (pp. 387–395). ACM.
Malhotra, P., Ramakrishnan, A., Anand, G., Vig, L., Agarwal, P., & Shroff, G. (2016). LSTM-based encoder–decoder for multi-sensor anomaly detection. arXiv preprint arXiv:1607.00148.
Myers, A., Kay, B., Alvarez, I., Hughes, M., Mackenzie, C., Ortiz Marrero, C., Ellwein, E., & Lentz, E. (2025). Entropic analysis of time series through kernel density estimation. arXiv preprint arXiv:2503.18916.
Nardone, P. (2014). Entropy of difference. arXiv preprint arXiv:1411.0506. Shannon, C. E. (1948). A mathematical theory of communication. Bell System Technical Journal, 27, 379–423, 623–656.
Tatbul, N., Lee, T. J., Zdonik, S., Alam, M., & Gottschlich, J. (2018). Precision and recall for time series. In Advances in Neural Information Processing Systems (NeurIPS).
Vincent, P., Larochelle, H., Bengio, Y., & Manzagol, P.-A. (2008). Extracting and composing robust features with denoising autoencoders. In Proceedings of the 25th International Conference on Machine Learning (pp. 1096–1103). ACM.
Wang, Y., Zhang, M., & Li, R. (2023). Entropy-based anomaly detection in time series using ADF stationarity validation. IEEE Transactions on Industrial Informatics, 19(4), 4450–4461.
Zhang, T., Shangguan, L., Su, Q., & Zhou, Y. (2022). On the (in)security of secure ROS2. In Proceedings of the 2022 ACM SIGSAC Conference on Computer and Communications Security (CCS) (pp. 1929–1944). ACM.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Jorge N. Gutiérrez, Bruno Lopes Dalmazo, Paulo Lilles Jorge Drews Junior (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores conservan sus derechos de autor y ceden a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la licencia Creative Commons Reconocimiento 4.0 Internacional License. que permite compartir la obra siempre que se indique la publicación inicial en esta revista.
