Aplicación de técnicas de ML/IA y Edge Computing para la Movilidad Sostenible: Perspectivas del Proyecto SUCCESS-6G

Los avances tecnológicos clave en la capacidad de transmitir, procesar y analizar grandes volúmenes de datos vehiculares están transformando profundamente el ámbito de los vehículos conectados y autónomos, abriendo nuevas posibilidades en este sector.

Las redes 5G, así como las redes emergentes 6G, permiten una amplia adquisición de datos, así como despliegues escalables y flexibles, posibilitando la conectividad y operación efectiva de los vehículos. La inteligencia artificial (IA) se ha aplicado cada vez más a la monitorización del estado de los equipos vehiculares, con el objetivo de mejorar la seguridad, reducir costes y optimizar las estrategias de mantenimiento. El MEC (Mobile Edge Computing) permite un procesamiento más rápido y una toma de decisiones local al mantener los datos cerca de su fuente.

El proyecto SUCCESS-6G, liderado por CTTC y con la colaboración de diversos socios industriales, afronta el reto de integrar estas tecnologías para facilitar la identificación de anomalías vehiculares y optimizar las operaciones a través de dos casos de uso: i) monitorización del estado del vehículo en tiempo real y provisión de fallos; ii) actualizaciones de software vehicular por el aire (OTA).

En este marco, Optare ha contribuido a:

• extraer conocimiento a partir de flujos de datos de vehículos para el diagnóstico de fallos
• desarrollar modelos de detección de intrusiones impulsados por IA para proteger las comunicaciones V2X
• explorar el entrenamiento descentralizado de modelos mediante técnicas de aprendizaje federado

Áreas clave de innovación en SUCCESS-6G

A continuación, se presenta un desglose de las principales áreas de innovación abordadas por el proyecto SUCCESS-6G, organizadas en torno a capacidades técnicas, arquitecturas y aplicaciones en entornos vehiculares conectados y seguros. Este enfoque abarca desde la infraestructura de red hasta la integración de tecnologías avanzadas de IA, optimización de servicios y monitorización en tiempo real para vehículos autónomos y conectados.

1. Redes 5G Privadas y Edge Computing

• Red 5G Privada: Despliegue de infraestructura dedicada de red 5G privada, diseñada específicamente para aplicaciones de movilidad inteligente, especialmente vehículos autónomos. Esta red aislada y segura ofrece mayor fiabilidad y calidad de servicio en entornos de alta demanda y movilidad.
• Edge Computing: Despliegue de nodos edge que procesan datos localmente, reduciendo la latencia y mejorando la eficiencia en servicios críticos, como los procesos de traspaso entre nodos. Esta infraestructura permite que vehículos y dispositivos conectados operen de forma más rápida y eficiente en entornos dinámicos.

2. Monitorización Avanzada en Tiempo Real

• Supervisión del Rendimiento: Herramientas avanzadas para medir el rendimiento en tiempo real, incluyendo los tiempos de respuesta y la estabilidad de la red durante los procesos de traspaso entre nodos 5G. Esta supervisión permite evaluar el comportamiento de la red durante la movilidad vehicular, identificando fluctuaciones y asegurando un servicio continuo.
• Infraestructura de Observabilidad: Implementación de bases de datos de series temporales como plataforma centralizada para el almacenamiento y análisis de métricas de rendimiento. Esto permite realizar análisis detallados y predictivos sobre posibles fallos en la red, con el objetivo de mejorar la resiliencia operativa y la estabilidad.
• Visualización de Datos en Tiempo Real: Visualización en tiempo real de métricas y estadísticas de rendimiento a través de histogramas y otros gráficos, facilitando la toma de decisiones basada en datos para optimizar el rendimiento durante escenarios de prueba en entornos reales, como los realizados en el circuito de Castellolí.

3. Tecnologías de Machine Learning (ML) e Inteligencia Artificial (IA)

• Integración de Machine Learning: Integración de técnicas avanzadas de aprendizaje automático e inteligencia artificial para optimizar la detección de anomalías y el mantenimiento predictivo. Uso de modelos de inferencia basados en IA para detectar comportamientos maliciosos y mejorar la eficiencia operativa en entornos vehiculares.
• Detección de Anomalías en Tiempo Real: Implementación de sistemas ML/IA para detectar fallos en tiempo real, ayudando a identificar anomalías en el comportamiento del vehículo, fallos en sensores y vulnerabilidades de seguridad en las comunicaciones del vehículo.
• Transparencia y Explicabilidad: Uso de herramientas como SHAP para garantizar la interpretabilidad de los modelos, lo cual es esencial en seguridad vehicular y diagnósticos, proporcionando explicaciones claras sobre cómo se toman las decisiones dentro del sistema.

 4. Orquestación Dinámica de Servicios

• Orquestador: Gestiona la migración dinámica de servicios entre nodos de edge, ajustando los recursos de red según las condiciones de movilidad del vehículo. Esto garantiza la continuidad del servicio a medida que los vehículos se desplazan entre distintos nodos 5G.
• Escalabilidad: El orquestador permite la escalabilidad dinámica de los recursos de red, asegurando que esta pueda adaptarse a los cambios en la demanda en tiempo real.

5. Monitoreo Inteligente del Estado del Vehículo en Redes 5G

• Objetivo del Monitoreo: Evaluar el rendimiento del sistema de inferencia en tiempo real durante la movilidad vehicular en un entorno 5G, prestando especial atención a los tiempos de respuesta y la estabilidad del sistema durante los traspasos entre nodos 5G (Edge_1 y Edge_2).
• Hitos Tecnológicos: Medición precisa de los tiempos de respuesta posteriores al traspaso y monitoreo de las fluctuaciones durante las transferencias de red. Se integraron componentes como kServe, Mediator, InfluxDB2 y Prometheus para una observabilidad continua de los indicadores de rendimiento.

6. Marco de Seguridad con Detección de Comportamientos Maliciosos Basada en IA

• Objetivo de Seguridad:
  • Supervisar los datos del vehículo y detectar en tiempo real comportamientos maliciosos mediante un modelo de detección basado en Aprendizaje por Refuerzo Profundo (DRL, por sus siglas en inglés), diseñado específicamente para hacer frente a ataques comunes como la repetición de datos (data replay) y los ataques de denegación de servicio (Denial-of-Service, DoS).
• Hitos tecnológicos:
  • Uso de la plataforma SUPERCOM para la simulación de OBUs (Unidades a Bordo) y RSUs (Unidades en la Carretera), integrando el modelo de inferencia basado en IA para detectar fallos de seguridad.
  • Evaluación de métricas de seguridad del modelo, como Precisión (Accuracy), Precisión Positiva (Precision), Sensibilidad (Recall), F1-Score, así como métricas adicionales como MTTD (Tiempo Medio de Detección) y MTTR (Tiempo Medio de Respuesta), con el fin de valorar la efectividad de la respuesta ante ataques.

7. Pipeline de ML de Extremo a Extremo para la Detección de Anomalías

• Diseño del Pipeline de ML:
  • Diseño e implementación de un pipeline integral de aprendizaje automático, que abarca desde la recopilación de datos hasta la optimización y el despliegue en producción. Este pipeline permite detectar anomalías de manera eficaz y es escalable para su uso en vehículos conectados en escenarios reales.
• Hitos Tecnológicos:
  • Despliegue de un modelo central basado en LightGBM, optimizado con Optuna para la selección de hiperparámetros, lo que garantiza un alto rendimiento.
  • Análisis de explicabilidad mediante SHAP para proporcionar transparencia en las decisiones del modelo, asegurando la confianza del usuario en el sistema de diagnóstico.

8. Simulación Avanzada de Anomalías y Evaluación

• Simulación de Anomalías: Introducción controlada de anomalías dispersas y colectivas en conjuntos de datos reales para evaluar la robustez del sistema frente a diferentes tipos de fallos, desde fallos esporádicos hasta problemas persistentes.
• Resultados de la Evaluación: Alta precisión en la detección de fallos persistentes, pero se necesita mejorar la sensibilidad del modelo para detectar fallos esporádicos, donde el recall es más bajo.

9. Despliegue en el Mundo Real y Monitoreo de Telemetría

• Despliegue en Producción: Validación del sistema de ML en un entorno de producción real, utilizando InfluxDB para la trazabilidad de datos y el monitoreo continuo de las inferencias del modelo en condiciones de conducción reales.
• Hitos Tecnológicos: Evaluación continua de las métricas de rendimiento en entornos dinámicos y del mundo real, como el circuito de Castellolí, con un seguimiento detallado de los datos de telemetría generados por vehículos conectados.

Conclusiones

La integración de soluciones avanzadas de orquestación de servicios, computación en el borde y monitoreo en tiempo real impulsado por IA promete una experiencia de usuario fluida y segura para aplicaciones como la movilidad autónoma o conectada habilitada por redes 5G/6G.

Al implementar y validar un enfoque robusto, seguro y computacionalmente eficiente para la realización de nuevos servicios vehiculares, la investigación realizada bajo el proyecto SUCCESS-6G contribuye a abordar los desafíos de la movilidad y a dar forma a los sistemas de transporte del mañana.

Agradecimientos

El proyecto SUCCESS-6G ha recibido financiación del Ministerio de Transformación Digital y Función Pública de España, y cofinanciado por la Unión Europea a través del programa NextGenerationEU mediante la Facility de Recuperación y Resiliencia (referencias TSI-063000-2021-39/40/41). El consorcio del proyecto está compuesto por el Centre Tecnològic Telecomunicacions de Catalunya (CTTC), Optare Solutions, NearBy Computing, Idneo y Cellnex, con el objetivo de avanzar hacia una conectividad más inteligente y sostenible en el ámbito de la movilidad y los vehículos autónomos.