File size: 16,607 Bytes
96bba34 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 | <div align="center">
<img src="docs/assets/logo.png" alt="SADAR" width="220" />
<h1>SADAR</h1>
<p><b>Smart Anomaly Detection for Aviation Routes</b></p>
<p>Detección temprana de comportamiento de vuelo no conforme sobre Madrid-Barajas (LEMD).</p>
<p>
<img src="docs/assets/qr-placeholder.png" alt="QR" width="220" onerror="this.style.display='none'" />
</p>
<p>
<a href="README.md"><img src="https://img.shields.io/badge/English-0d1a1f?style=flat&logoColor=7fd1c6&labelColor=0a1014" alt="English" /></a>
·
<a href="README.es.md"><img src="https://img.shields.io/badge/Espa%C3%B1ol-0d1a1f?style=flat&logoColor=7fd1c6&labelColor=0a1014" alt="Español" /></a>
</p>
<p>
<img src="https://img.shields.io/badge/Python-3.11-0a1014?logo=python&logoColor=7fd1c6&labelColor=0d1a1f" />
<img src="https://img.shields.io/badge/PyTorch-2.x-0a1014?logo=pytorch&logoColor=7fd1c6&labelColor=0d1a1f" />
<img src="https://img.shields.io/badge/FastAPI-0.136-0a1014?logo=fastapi&logoColor=7fd1c6&labelColor=0d1a1f" />
<img src="https://img.shields.io/badge/React-18-0a1014?logo=react&logoColor=7fd1c6&labelColor=0d1a1f" />
<img src="https://img.shields.io/badge/Vite-5-0a1014?logo=vite&logoColor=7fd1c6&labelColor=0d1a1f" />
<img src="https://img.shields.io/badge/MLflow-3.x-0a1014?logo=mlflow&logoColor=7fd1c6&labelColor=0d1a1f" />
<img src="https://img.shields.io/badge/Optuna-4.x-0a1014?logoColor=7fd1c6&labelColor=0d1a1f" />
<img src="https://img.shields.io/badge/uv-package%20mgr-0a1014?logoColor=7fd1c6&labelColor=0d1a1f" />
<img src="https://img.shields.io/badge/Hugging%20Face-Spaces-0a1014?logo=huggingface&logoColor=7fd1c6&labelColor=0d1a1f" />
<img src="https://img.shields.io/badge/Docker-compose-0a1014?logo=docker&logoColor=7fd1c6&labelColor=0d1a1f" />
</p>
<p>
<a href="https://medium.com/@devrup404/cuando-el-modelo-m%C3%A1s-complejo-no-es-el-que-detecta-mejor-db64f1195ae9"><img src="https://img.shields.io/badge/Medium-Leer%20el%20art%C3%ADculo-0a1014?logo=medium&logoColor=7fd1c6&labelColor=0d1a1f" alt="Leer en Medium" /></a>
</p>
</div>
---
### Descripción del proyecto
**SADAR** (Smart Anomaly Detection for Aviation Routes) es un sistema de deep learning que aprende cómo es una aproximación o despegue **normal** en Madrid-Barajas (LEMD) y marca cualquier trayectoria que se desvíe del patrón aprendido: motores y al aire (go-arounds), rutas anómalas, pérdidas de transpondedor o maniobras compatibles con una emergencia.
Está construido sobre tres autoencoders profundos entrenados con unos 20.000 vuelos reales de ADS-B de la red OpenSky: un **autoencoder LSTM**, un **autoencoder Transformer** y un **VAE-LSTM**. Los tres se entrenan en igualdad de condiciones y se comparan cabeza a cabeza; el **VAE-LSTM** es el que se sirve en producción porque combina la mejor PR-AUC con la menor latencia de detección.
> **Alcance.** SADAR se entrena exclusivamente con operaciones normales de LEMD y funciona como monitor de conformidad de trayectorias: aprende el patrón normal y señala cualquier desviación para revisión humana. No es un predictor de eventos catastróficos.
### Lo destacado
- **Deep learning de una sola clase** sobre 7 variables dinámicas (posición, altitud, velocidad, seno/coseno del rumbo, régimen vertical).
- **Selección comparativa**: baseline Isolation Forest vs LSTM vs Transformer vs VAE-LSTM con el mismo preprocesado y las mismas métricas.
- **Banco de anomalías sintéticas** con cinco tipos de inyección (desviación de ruta, salto de altitud, anomalía de velocidad, holding, congelado de transpondedor) en varias intensidades, mide **PR-AUC** y **latencia de detección**.
- **Dashboard estilo torre de control** con React + Vite: radar en vivo, ranking de anomalías, simulador con sliders y página de métricas.
- **Totalmente reproducible**: `uv` para Python, `pnpm` para el front, configs YAML, semillas fijas.
### Stack
| Capa | Herramientas |
|---|---|
| Modelos | PyTorch · scikit-learn (baseline) · Optuna · MLflow |
| Datos | pandas · pyarrow · pyproj · NumPy |
| Backend | FastAPI · uvicorn · uv |
| Frontend | React 18 · Vite 5 · TypeScript · framer-motion |
| Despliegue | Docker · Hugging Face Spaces |
### Capturas de la demo
<details>
<summary><b>1. Consola torre - radar en directo sobre LEMD</b></summary>
Scope en tiempo real centrado en Barajas. Cada aeronave se colorea según su estado (en seguimiento / en alerta) y el panel lateral muestra todos los vuelos del espacio aéreo con su indicativo y su estado.
</details>
<details>
<summary><b>2. Simulador - inyecta una anomalía y observa la alerta</b></summary>
La estrella de la demo. Eliges un vuelo normal, seleccionas el tipo de anomalía (desviación de ruta, salto de altitud, velocidad, holding, corte de transpondedor), ajustas intensidad y momento, y la inyectas en vivo. El score de la derecha cruza el umbral y se reporta la latencia en segundos.
</details>
<details>
<summary><b>3. Métricas - comparación de modelos y detector elegido</b></summary>
Reporta la PR-AUC y el desempeño por anomalía de baseline, LSTM, Transformer y VAE-LSTM, además del motivo por el que se selecciona el **VAE-LSTM** como modelo de producción.
</details>
<details>
<summary><b>4. Métricas - desglose por tipo de anomalía</b></summary>
PR-AUC detallada por tipo de anomalía e intensidad. Sirve para justificar qué detector funciona mejor en cada modo de fallo.
</details>
<details>
<summary><b>5. Consola torre - instantánea completa del tráfico de LEMD</b></summary>
Vista más amplia del radar con toda la flota visible, bloque de datos del vuelo y, abajo a la derecha, el histograma en vivo del anomaly score.
</details>
<details>
<summary><b>6. Consola torre - alerta levantada sobre un vuelo</b></summary>
Una aeronave marcada se pone en rojo y el controlador recibe el score, el umbral y la clasificación sugerida en el panel derecho.
</details>
### Arquitectura
```
┌──────────────────┐ ┌──────────────────┐
│ Parquet ADS-B │ │ Banco anomalías │
│ (OpenSky / LEMD)│ │ sintéticas │
└────────┬─────────┘ └────────┬─────────┘
│ │
┌────────▼────────┐ │
│ Preprocesado │ │
│ · limpieza │ │
│ · resample 10s │ │
│ · XY relativos │ │
│ · sin/cos rumbo │ │
│ · estandarizado │ │
└────────┬────────┘ │
│ │
┌────────▼────────────────────────────▼────────┐
│ Entrenamiento (solo vuelos normales) │
│ ┌──────────┐ ┌─────────────┐ ┌────────────┐ │
│ │ Isolation│ │ LSTM-AE │ │ Transformer│ │
│ │ Forest │ │ │ │ AE │ │
│ └──────────┘ └─────────────┘ └────────────┘ │
│ ┌─────────────────┐ │
│ │ VAE-LSTM ★ │ ← elegido │
│ └─────────────────┘ │
└────────┬─────────────────────────────────────┘
│ checkpoint + scaler + umbral
┌────────▼─────────┐
│ Servicio FastAPI│ /api/health · /api/scene
│ (uvicorn) │ /api/flights · /api/metrics
└────────┬─────────┘ /api/simulate
│
┌────────▼─────────┐
│ React + Vite │ Radar · Simulador · Métricas
│ dashboard │
└──────────────────┘
```
### Ejecutarlo en local
Requisitos: **Python 3.11**, [`uv`](https://docs.astral.sh/uv/) para las deps de Python, **Node 20+** y [`pnpm`](https://pnpm.io/) para el frontend.
Dashboard en `http://localhost:5180`, API en `http://localhost:8000`.
<details>
<summary><b>macOS / Linux - con Makefile (recomendado)</b></summary>
```bash
uv sync
pnpm -C frontend install
make dev
```
`make dev` arranca el backend FastAPI y el frontend Vite juntos con hot reload.
</details>
<details>
<summary><b>macOS / Linux - sin Makefile</b></summary>
Dos terminales:
```bash
# terminal 1: backend
uv sync
uv run uvicorn sadar.serve.app:app --port 8000
# terminal 2: frontend
pnpm -C frontend install
pnpm -C frontend dev
```
</details>
<details>
<summary><b>Windows (PowerShell)</b></summary>
PowerShell no trae `make`; arranca los dos servicios en dos terminales.
```powershell
# instalación una sola vez
uv sync
pnpm -C frontend install
# terminal 1: backend
uv run uvicorn sadar.serve.app:app --port 8000
# terminal 2: frontend
pnpm -C frontend dev
```
Si no tienes `pnpm`: `npm install -g pnpm`. Si no tienes `uv`: `winget install astral-sh.uv`.
</details>
<details>
<summary><b>Windows con Make (Chocolatey / scoop / WSL)</b></summary>
```powershell
choco install make # o: scoop install make
make dev
```
O ejecuta todo dentro de WSL Ubuntu y sigue las instrucciones de macOS / Linux.
</details>
### Ejecutarlo con Docker
Igual en cualquier sistema operativo, solo necesitas Docker Desktop / Docker Engine.
<details>
<summary><b>Un contenedor con Docker Compose</b></summary>
```bash
docker compose up --build
```
Abre `http://localhost:5180`. Modelos, tensores preprocesados e informes se montan en sólo lectura desde `./models`, `./data/processed` y `./reports`.
</details>
<details>
<summary><b>Imagen única (la misma que en producción / Hugging Face Spaces)</b></summary>
```bash
docker build -t sadar .
docker run --rm -p 7860:7860 sadar
```
Abre `http://localhost:7860`. Los modelos, tensores e informes van dentro de la imagen; no necesitas volúmenes.
</details>
### Desplegar en Hugging Face Spaces
El repositorio trae un [Dockerfile](Dockerfile) listo para HF Spaces (una sola imagen, el frontend servido por FastAPI en el puerto 7860).
```bash
git lfs install
git clone https://huggingface.co/spaces/<tu-usuario>/sadar
cd sadar
# copia los archivos del repositorio SADAR dentro
git lfs track "*.npy" "*.npz" "*.pt"
git add . && git commit -m "feat: initial deploy" && git push
```
### Estructura del repositorio
```
SADAR/
├── src/sadar/ Paquete Python (importable como `sadar`)
│ ├── data/ Pipeline de datos (parquet crudo → tensores)
│ │ ├── pipeline.py Punto de entrada: `sadar-preprocess`
│ │ ├── io.py Carga de parquet, dedupe, manifests
│ │ ├── cleaning.py Nulos, huecos, eliminación de go-arounds
│ │ ├── features.py XY relativo a pista, sin/cos del rumbo
│ │ ├── scaling.py Estandarización por feature (fit solo en train)
│ │ ├── splitting.py Split sin leak por flight_id y fecha
│ │ └── windowing.py Ventanas de longitud fija
│ ├── models/ Modelos y entrenadores
│ │ ├── baseline.py Baseline Isolation Forest
│ │ ├── lstm_autoencoder.py Arquitectura LSTM-AE
│ │ ├── transformer_autoencoder.py Arquitectura Transformer-AE
│ │ ├── vae_lstm.py Arquitectura VAE-LSTM (elegida)
│ │ ├── training.py Loop común, device, checkpoint I/O
│ │ ├── train_lstm.py Entrada: `sadar-train-lstm`
│ │ ├── train_transformer.py Entrada: `sadar-train-transformer`
│ │ ├── train_vae.py Entrada: `sadar-train-vae`
│ │ └── tune_vae.py Búsqueda Optuna: `sadar-tune-vae`
│ ├── eval/ Evaluación y banco sintético
│ │ ├── synthetic.py Inyección de anomalías (5 tipos, varias intensidades)
│ │ ├── evaluate.py Evaluación por modelo: `sadar-evaluate`
│ │ └── compare.py Informe comparativo: `sadar-compare`
│ └── serve/ Inferencia en producción
│ ├── app.py App FastAPI (también sirve la SPA en prod)
│ └── inference.py ConformanceService (carga modelo + scaler)
│
├── frontend/ Dashboard React + Vite (pnpm)
│ ├── src/
│ │ ├── pages/ Dashboard, Simulador, Métricas, Presentación
│ │ ├── components/ RadarScope, paneles, gráficas
│ │ ├── api.ts Cliente tipado para /api/*
│ │ └── i18n.tsx Traducciones EN / ES
│ ├── public/ Logo y estáticos
│ ├── vite.config.ts Proxy de dev /api → :8000
│ └── package.json
│
├── configs/ Configuración YAML
│ ├── preprocessing.yaml
│ ├── baseline.yaml
│ ├── lstm.yaml · transformer.yaml · vae.yaml
│ ├── tune.yaml · eval.yaml · compare.yaml
│ └── serve.yaml Selecciona el checkpoint de producción
│
├── models/ Checkpoints entrenados (Git LFS)
│ ├── lstm_autoencoder.pt
│ ├── transformer_autoencoder.pt
│ └── vae_lstm.pt ★ servido en producción
│
├── data/
│ ├── raw/ Parquet ADS-B (fuera del repositorio, $SADAR_DATA_DIR)
│ └── processed/ Tensores estandarizados (Git LFS)
│ ├── scaler.npz
│ ├── train.npy · val.npy · test.npy
│ └── anomalies.npy
│
├── reports/ Métricas generadas
│ ├── model_comparison.json
│ └── vae_tuning.json
│
├── notebooks/ EDA
├── docs/assets/ Capturas y logo del README
│
├── Dockerfile Imagen de producción (HF Spaces, un contenedor)
├── docker-compose.yml Stack local de dos contenedores
├── pyproject.toml · uv.lock Deps Python gestionadas con uv
├── Makefile `make dev`, `make preprocess`, ...
└── README.md · README.es.md Este archivo (EN / ES)
```
### Limitaciones
- El dataset no contiene incidentes reales catastróficos, SADAR valida una metodología, no eventos históricos.
- No se dispone de planes de vuelo, la "ruta prevista" se aproxima como "patrón normal aprendido".
- Los huecos de transpondedor son mayoritariamente cobertura del receptor, se usan como característica, no como etiqueta.
- Solo hay cuatro vuelos reales con squawk de emergencia, se usan para validar, jamás para entrenar.
---
<div align="center">
<sub><b>SADAR</b> · Smart Anomaly Detection for Aviation Routes</sub>
<br />
<sub>Monitorización de conformidad de vuelos con deep learning sobre Madrid-Barajas (LEMD) · 2026</sub>
</div>
|