Detecção de injeção de dados em sistemas robóticos ROS 2 usando métricas de entropia e um pipeline autoencoder+LSTM
Palavras-chave:
ROS 2, Detecção de Anomalias, Métricas de Entropia, Autoencoder + LSTM, Séries TemporaisResumo
Sistemas robóticos distribuídos baseados em ROS 2 requerem mecanismos leves e em tempo real para a detecção precoce de comportamentos anômalos (Blázquez-García et al., 2021). Injeção de dados ou irregularidades na publicação de tópicos comprometem a segurança, a robustez e a continuidade operacional. Embora o ROS 2 incorpore medidas de segurança (por exemplo, DDS Security), sua sobrecarga pode ser significativa; portanto, estratégias de monitoramento complementares que operam com telemetria interna, sem instrumentação de rede ou criptografia complexa, são valiosas (Zhang et al., 2022; Fernández et al., 2018). Este trabalho apresenta uma abordagem híbrida que combina métricas de entropia calculadas em janelas deslizantes com um pipeline Autoencoder (AE) + LSTM treinado exclusivamente com dados nominais do robô. Três medidas entrópicas complementares são empregadas: Shannon (Shannon, 1948), transições (baseadas em diferenças sucessivas; Nardone, 2014) e KDE (uma aproximação não paramétrica da densidade; Myers et al., 2025). Todas são calculadas em janelas de W = 100 amostras para capturar o comportamento recente. A estacionariedade também é verificada usando ADF em segmentos nominais, permitindo a calibração estatística dos limiares (Dickey e Fuller, 1979; Wang et al., 2023). O uso de AE e LSTM é suportado por representação robusta e modelagem sequencial (Vincent et al., 2008; Hochreiter e Schmidhuber, 1997; Malhotra et al., 2016; Hundman et al., 2018). O sistema depende de telemetria interna (por exemplo, /cmd_vel, /odom, /laser_scan, /imu/data; e tags /movement_label, /attack_type) e produz uma decisão binária com K-persistência e alertas (/ads/alert). Na avaliação offline, com seleção explícita do ponto de operação sob restrição FPR, altas taxas de detecção e baixa latência são alcançadas, indicando viabilidade para implantação online sobre ROS 2 (Abokhdair e Baig, 2025).Downloads
Referências
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.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2025 Jorge N. Gutiérrez, Bruno Lopes Dalmazo, Paulo Lilles Jorge Drews Junior (Autor/a)
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
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.
