⚡ electrical engineering

Secure Set-based State Estimation for Safety-Critical Applications under Adversarial Attacks on Sensors

Este artículo propone un algoritmo de Estimación de Estado Basada en Conjuntos Seguros (S3E, por sus siglas en inglés) que garantiza certificados de inclusión de estado para sistemas con criticidad de seguridad bajo ataques de sensores mediante el uso de zonotopos restringidos para mantener el estado verdadero dentro del conjunto estimado, detectar y filtrar señales adversarias, y ofrecer estrategias para equilibrar la complejidad computacional con el rendimiento.

Autores originales: M. Umar B. Niazi, Michelle S. Chong, Amr Alanwar, Karl H. Johansson

Publicado 2026-08-03

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: M. Umar B. Niazi, Michelle S. Chong, Amr Alanwar, Karl H. Johansson

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres el capitán de una nave espacial, pero no puedes ver las estrellas ni los instrumentos directamente. En su lugar, tienes una tripulación de sensores que gritan números sobre dónde está la nave y qué tan rápido se mueve. En el mundo de los sistemas ciberfísicos —donde las computadoras controlan cosas del mundo real como redes eléctricas, autos autónomos o robots— estos sensores son los ojos y los oídos. Pero aquí está la parte aterradora: un hacker astuto puede infiltrarse en el sistema de comunicación de la nave y susurrar números falsos al capitán. Si el capitán cree las mentiras, la nave podría chocar contra un asteroide o salir volando por un acantilado.

Durante mucho tiempo, los científicos intentaron resolver esto preguntándose: "¿Podemos confiar en la mayoría?". Si más de la mitad de los sensores dicen la verdad, podemos ignorar a los mentirosos. Pero, ¿qué pasa si el hacker es súper inteligente y logra engañar a más de la mitad de los sensores? O, ¿qué pasa si el hacker es tan sutil que los números parecen casi correctos, solo ligeramente desviados? Los métodos tradicionales a menudo fallan aquí, o se vuelven tan paranoicos que detienen la nave por completo para estar seguros. Este artículo se sumerge en un rincón diferente de la ciencia llamado "estimación basada en conjuntos". En lugar de adivinar una ubicación única y exacta para la nave (como "estamos en la coordenada 5, 5"), este método dibuja una caja difusa y móvil alrededor de todos los lugares posibles donde podría estar la nave. Es como decir: "Sabemos con certeza que la nave está en algún lugar dentro de esta nube brillante". El objetivo es mantener la nave real dentro de esa nube, incluso cuando un hacker intenta hacer que la nube estalle o desaparezca.

Los autores de este artículo, M. Umar B. Niazi y su equipo, han construido un nuevo algoritmo súper robusto llamado Estimación de Estado Basada en Conjuntos Seguros (S3E). Piensa en esto como un juego de detectives mágicos jugado con formas. En su sistema, la computadora no solo mira un sensor; mira cada combinación posible de sensores que podrían estar diciendo la verdad. Dibuja una pequeña "caja de acuerdo" para cada grupo. Si un grupo de sensores está mintiendo, sus cajas no encajarán entre sí; serán disjuntas o vacías, como intentar encajar una pieza cuadrada en un agujero redondo. El algoritmo entonces desecha esos grupos rotos.

Aquí está la parte genial: el artículo demuestra que, mientras los sensores honestos restantes sean suficientes para reconstruir el estado completo de la nave (una propiedad llamada "observabilidad redundante"), el algoritmo aún puede encontrar un grupo de sensores que estén de acuerdo entre sí. No importa si el hacker ha engañado a todos los sensores excepto a uno, o a todos excepto a unos pocos, siempre y que ese grupo específico de sobrevivientes pueda todavía "ver" matemáticamente toda la nave. El algoritmo construye una "nube de seguridad" final combinando las cajas de todos los grupos que sí están de acuerdo. Esto garantiza que el estado real del sistema esté siempre escondido en algún lugar dentro de esa nube, sin importar cuánto se esfuerce el hacker por empujarla hacia afuera.

Los investigadores también descubrieron una "trampa" fascinante para el hacker. Si el hacker intenta inyectar una mentira enorme y obvia, la matemática muestra que las "cajas de acuerdo" se volverán instantáneamente vacías, y el sistema gritará: "¡Algo anda mal!" y descartará los datos de ese sensor. Para mantenerse oculto, el hacker se ve obligado a inyectar mentiras diminutas y silenciosas, pero incluso así, el sistema mantiene la nube de seguridad lo suficientemente ajustada como para que el hacker no pueda dirigir la nave hacia el peligro sin ser detectado.

El equipo probó esta idea con simulaciones divertidas. Primero, lo intentaron con un problema matemático simple con tres sensores, mostrando cómo el algoritmo podía detectar cuando dos estaban mintiendo y aun así encontrar la verdad. Luego, llevaron la idea al mundo real mediante la simulación de un edificio de tres pisos durante un terremoto. Simularon que un hacker estaba manipulando los sensores que miden el movimiento del edificio. Incluso cuando el hacker cambiaba de sensor al que atacar cada segundo, el algoritmo mantenía la "nube de seguridad" alrededor del movimiento real del edificio. La nube se hacía un poco más grande o más pequeña, pero nunca dejó que la posición real del edificio escapara.

El artículo sugiere que este método puede cambiar las reglas del juego para los sistemas críticos de seguridad porque no necesita un "voto de mayoría" para funcionar. Puede manejar escenarios donde un gran número de sensores están comprometidos, siempre que los sensores seguros restantes sean suficientes para observar el sistema. Sin embargo, los autores son honestos sobre la compensación: llevar el registro de todas estas diferentes "cajas de acuerdo" puede ser computacionalmente pesado, como intentar hacer malabares con demasiadas pelotas a la vez. Sugieren estrategias para simplificar el acto de malabares, como fusionar las cajas que se superponen, para que el sistema sea lo suficientemente rápido para su uso en tiempo real. Si bien la matemática es sólida y las simulaciones parecen prometedoras, los autores señalan que la prueba definitiva de qué tan bien maneja esto los ataques más sigilosos y complejos sigue siendo una pregunta abierta para la investigación futura. Pero por ahora, nos han entregado un escudo increíblemente resistente para nuestros ojos digitales.

Resumen Técnico: Estimación de Estado Basada en Conjuntos Segura para Aplicaciones Críticas de Seguridad bajo Ataques Adversarios en Sensores

Definición del Problema
El artículo aborda el desafío crítico de mantener las garantías de seguridad y protección en sistemas ciberfísicos (CPS) cuando las redes de sensores son sometidas a ataques adversarios de inyección de datos falsos. Los métodos tradicionales de estimación de estado segura (SSE) son predominantemente basados en puntos, proporcionando una única estimación de estado con límites de error. Estos métodos enfrentan limitaciones fundamentales: típicamente requieren que estrictamente menos de la mitad de los sensores permanezcan no comprometidos ( $q < p/2$ ) para garantizar errores de estimación acotados. Además, los métodos basados en puntos no pueden proporcionar "certificados de inclusión de estado", los cuales son esenciales para la verificación formal de restricciones de seguridad en aplicaciones críticas de seguridad (por ejemplo, redes eléctricas, vehículos autónomos). Los enfoques de estimación basados en conjuntos existentes para la estimación segura suelen depender de supuestos restrictivos, como requerir que cada sensor individual proporcione observabilidad o asumir que el sistema es estable en estado acotado de entrada acotada, lo que limita su aplicabilidad a una clase estrecha de sistemas.

Metodología: El Algoritmo S3E
Los autores proponen un algoritmo de Estimación de Estado Basada en Conjuntos Segura (S3E) diseñado para mantener la inclusión de estado garantizada incluso cuando un adversario compromete hasta $q$ sensores, donde $q$ puede ser tan alto como $p-1$ (todos excepto uno), siempre que el sistema permanezca observable desde cualquier subconjunto de $c_J$ sensores no comprometidos ( $c_J \leq p-q$ ).

El algoritmo opera en pasos de tiempo discretos y utiliza zonotopos restringidos para representar conjuntos de estados factibles. El procedimiento central consta de cuatro operaciones secuenciales:

Actualización de Tiempo: Computa un conjunto predicho de estados basado en la dinámica del sistema, entradas conocidas y ruido de proceso acotado.
Actualización de Medición: Para cada sensor $i$ , el conjunto predicho se intersecta con el conjunto de estados consistentes con la medición del sensor (considerando el ruido de medición). Esto produce un conjunto $\hat{Z}^i_k$ .
Protocolo de Acuerdo: El algoritmo genera todas las combinaciones posibles de $c_J$ sensores. Para cada combinación (subconjunto $J_h$ ), computa la intersección de los correspondientes conjuntos de actualización de medición ( $\mathcal{I}^h_k = \bigcap_{j \in J_h} \hat{Z}^j_k$ ). Estas intersecciones se denominan "conjuntos de acuerdo".
Estimación: El conjunto estimado final $\hat{X}_k$ es la unión de todos los conjuntos de acuerdo no vacíos.

Las garantías teóricas se establecen mediante inducción, demostrando que si el conjunto inicial contiene el estado real y el sistema satisface el supuesto de redundancia de observabilidad, el estado real $x(k)$ está garantizado dentro de $\hat{X}_k$ para todo $k$ .

Contribuciones Clave

Supuestos Relajados: A diferencia de los métodos basados en puntos que requieren $q < p/2$ , el algoritmo S3E funciona correctamente siempre que al menos un sensor no esté comprometido ( $q \leq p-1$ ), siempre que los sensores seguros restantes mantengan la observabilidad.
Certificados de Inclusión de Estado: El método devuelve un conjunto (una colección de zonotopos restringidos) en lugar de un punto, proporcionando un certificado riguroso de que el estado real se encuentra dentro de los límites estimados. Esto es crucial para verificar las restricciones de seguridad.
Detección, Identificación y Filtrado de Ataques: El artículo deriva condiciones suficientes para:
- Detección: Si la intersección de todos los conjuntos de acuerdo es vacía, se detecta un ataque.
- Identificación: Si la actualización de medición de un sensor específico resulta en un conjunto vacío (debido a la inconsistencia con la actualización de tiempo), ese sensor se identifica como comprometido.
- Filtrado: Si un conjunto de acuerdo que involucra a un sensor específico es vacío, los datos de ese sensor son efectivamente filtrados de esa hipótesis específica.
Restricciones de Sigilo: El análisis demuestra que para que un atacante permanezca indetectado (es decir, para mantener todos los conjuntos de acuerdo no vacíos), debe inyectar señales de magnitud suficientemente pequeña. Los ataques de gran magnitud son descartados automáticamente por el algoritmo, obligando al adversario a realizar un intercambio entre el impacto del ataque y el sigilo.
Gestión de la Complejidad: Los autores reconocen que el número de conjuntos de acuerdo puede crecer exponencialmente bajo ataques sigilosos. Proponen estrategias para gestionar esto, incluyendo la eliminación de conjuntos vacíos, el sobre-acotamiento de zonotopos que se intersectan y la aplicación de técnicas de reducción de zonotopos para limitar el número de generadores.

Resultados y Evaluación
La eficacia del algoritmo S3E se demuestra mediante simulaciones numéricas:

Sistema Lineal Simple: Un sistema 1D con 3 sensores y 2 sensores comprometidos ( $q=2, p=3$ ) ilustra que, aunque el conjunto estimado puede consistir en intervalos disjuntos (hipótesis), el estado real siempre está incluido. El artículo compara esto con métodos basados en puntos, mostrando que los estimadores basados en puntos fallan o producen límites de error excesivamente conservadores cuando $q \geq p/2$ .
Modelo de Edificio de Tres Pisos: Una simulación más realista de una estructura de edificio bajo actividad sísmica con 3 sensores (que miden desplazamiento y velocidad) y 1 sensor comprometido ( $q=1$ ) demuestra la capacidad del algoritmo para rastrear el estado real. Los resultados muestran que el conjunto estimado permanece acotado y contiene la trayectoria real, incluso cuando el sensor específico comprometido cambia con el tiempo.
Reducción de Complejidad: Las simulaciones en un sistema lineal 2D con 4 sensores y 2 sensores comprometidos muestran cómo la aplicación de técnicas de reducción de complejidad (fusionar conjuntos que se intersectan) controla eficazmente el crecimiento del conjunto estimado con una pérdida mínima de precisión.

Significancia y Reivindicaciones
El artículo afirma que el algoritmo S3E relaja fundamentalmente los supuestos requeridos por los métodos de estimación segura existentes, haciéndolo aplicable a escenarios donde un adversario puede comprometer a la mayoría de los sensores. Al aprovechar las propiedades geométricas de las representaciones basadas en conjuntos, el método asegura que la verificación de seguridad siga siendo posible incluso bajo ataques activos. Los autores enfatizan que, si bien la complejidad computacional en el peor de los casos puede aumentar con los ataques sigilosos, el requisito de que el atacante posea un conocimiento perfecto del sistema y recursos computacionales para mantener el sigilo actúa como una barrera natural. El trabajo posiciona la estimación basada en conjuntos como una evolución necesaria para los sistemas críticos de seguridad donde la verificación formal de la inclusión de estado es innegociable, ofreciendo una alternativa robusta a los estimadores basados en puntos que fallan bajo condiciones de alto compromiso de sensores.

Más como este