PoE-Oracle: Auditoria Inteligente na Borda para Telemetria Veicular com Arquitetura Multiagente e Validação Ciberfísica

Este repositório reúne os artefatos experimentais e a implementação de referência do estudo PoE-Oracle (Proof-of-Eco Oracle), proposto para auditoria autônoma de trajetos veiculares com potencial de geração de crédito de carbono.

Autores: Miguel Amaral, Marianne Silva e Ivanovitch Silva

Resumo

Mercados de carbono aplicados à mobilidade dependem de dados off-chain confiáveis. O PoE-Oracle aborda esse problema por meio de uma arquitetura ciberfísica que combina telemetria OBD-II, auditoria multiagente e registro imutável em blockchain. O sistema valida consistência físico-química do consumo de combustível, detecta anomalias comportamentais e decide, de forma rastreável, se um trajeto deve ou não ser convertido em ativo digital.

Problema e Motivação

Iniciativas de tokenização ambiental frequentemente enfrentam três limitações:

1. dificuldade em garantir autenticidade de dados coletados fora da cadeia;
2. baixa explicabilidade em decisões de aceitação/rejeição;
3. ausência de vínculo auditável entre veredito técnico e emissão do ativo.

O PoE-Oracle foi desenhado para reduzir essas lacunas com uma abordagem conservadora, orientada à minimização de fraude.

Metodologia

A arquitetura segue um pipeline em cinco etapas:

1. Aquisição: captura de sinais veiculares via OBD-II (1 Hz).
2. Estruturação: normalização dos dados em séries temporais consistentes.
3. Auditoria Multiagente: validação física + investigação heurística/semântica.
4. Veredito: consolidação de evidências e decisão binária (aprovar/rejeitar).
5. Registro em Blockchain: persistência do resultado aprovado como token ERC-721.

Figura 1 — Arquitetura geral da solução, integrando aquisição de dados, auditoria multiagente e camada blockchain.

Figura 2 — Fluxo interno do comitê de auditoria e encadeamento das decisões entre os agentes.

Comitê de Auditoria

• Scientist Agent: estima consumo e emissões de CO₂ por modelagem determinística.
• Investigator Agent: utiliza LLM local para inferir risco de manipulação (ex.: telemetria sintética, padrões incompatíveis, spoofing).
• Judge Agent: integra os pareceres e aplica a política de decisão final.
• Contract Preparer: serializa o resultado para invocação de contrato inteligente.

Base Experimental

O estudo utiliza trajetos reais e cenários sintéticos de controle e fraude, totalizando 80 execuções entre diferentes veículos e viagens.

• dados reais em data/;
• cenários sintéticos em data_synthetic/;
• saídas de avaliação em outputs/.

Os cenários sintéticos incluem casos de condução eficiente, falhas plausíveis de sensor e ataques explícitos (ex.: velocidade impossível, motor desligado em movimento e adulteração de temperatura).

Resultados

Métrica	Valor
Precisão	1,00 (100%)
Falsos positivos (fraudes aceitas)	0%
Acurácia global	62,5%
Revocação	0,43

Os resultados indicam um sistema deliberadamente conservador: a política de decisão elimina aceitação indevida de fraudes, mas sacrifica parte dos casos limítrofes com benefício ambiental marginal.

Figura 3 — Matriz de confusão do experimento, evidenciando o perfil conservador da decisão.

Figura 4 — Exemplo de resultado final processado pelo pipeline para suporte à auditabilidade.

Contribuições

1. arquitetura multiagente explicável para validação de telemetria ambiental;
2. acoplamento entre auditoria técnica e emissão de ativo digital em blockchain;
3. corpus reproduzível com cenários reais e sintéticos para benchmarking antifraude.

Reprodutibilidade

Requisitos

• Python 3.10+
• Ollama com modelo llama3:8b
• Dependências em requirements.txt

Execução

pip install -r requirements.txt
python poe_multi_agent.py

Estrutura do Repositório

• poe_multi_agent.py: pipeline principal de auditoria multiagente.
• contracts/CarbonCredit.sol: contrato inteligente para emissão e registro do ativo.
• data/ e data_synthetic/: conjuntos de dados do estudo.
• outputs/: relatórios por cenário processado.
• figures/: ilustrações utilizadas no material do estudo.