An Experimental Study of Trojan Vulnerabilities in UAV Autonomous Landing

Resumen Técnico: Un Estudio Experimental de Vulnerabilidades de Troyanos en el Aterrizaje Autónomo de UAV

Planteamiento del Problema
La Movilidad Aérea Urbana (UAM, por sus siglas en inglés) depende en gran medida de los Vehículos Aéreos No Tripulados Autónomos (UAAV) para tareas críticas como taxis aéreos y entrega de carga. Estos sistemas utilizan el aprendizaje profundo, específicamente Redes Neuronales Convolucionales (CNN), para la detección de obstáculos en tiempo real, la predicción de trayectorias e identificación de zonas de aterrizaje. Aunque son efectivos, estos modelos introducen riesgos de ciberseguridad, particularmente ataques de "Troyano" (o de puerta trasera). A diferencia de las amenazas tradicionales como el spoofing de GPS, que pueden mitigarse mediante la validación de señales, los ataques de Troyano incrustan disparadores (triggers) encubiertos dentro de los datos de entrenamiento del modelo. Estos disparadores permanecen latentes durante la operación normal pero causan fallos catastróficos y predecibles —como la identificación errónea de plataformas de aterrizaje o la omisión de obstáculos— cuando se encuentran patrones específicos. A pesar de la gravedad de estos riesgos, las vulnerabilidades de los troyanos en los sistemas de navegación y aterrizaje de los UAAV siguen siendo poco exploradas en comparación con las aplicaciones estándar de aprendizaje automático.

Metodología
El estudio emplea un marco de cuatro fases para evaluar sistemáticamente la susceptibilidad de los sistemas de aterrizaje de los UAAV a los ataques de troyanos utilizando el marco DroNet:

1. Recopilación de Datos: Debido a la falta de conjuntos de datos públicos alineados con las necesidades específicas de la UAM, los autores construyeron un conjunto de datos personalizado. Esto implicó la captura de más de 5,000 imágenes de plataformas de aterrizaje utilizando un avión híbrido diseñado a medida equipado con cámaras de alta resolución. El conjunto de datos cubre diversos escenarios urbanos, variaciones de iluminación y obstáculos. Los datos se dividieron en un 60% para entrenamiento, 20% para validación y 20% para pruebas.
2. Preparación y Envenenamiento de Datos: Para simular un ataque, se incrustaron disparadores de troyanos en el 30% del conjunto de datos de entrenamiento. Los disparadores fueron patrones visuales, específicamente diseños de tablero de ajedrez de varios tamaños (5x5, 10x10, 15x15). El patrón de 5x5 fue seleccionado para el estudio ya que demostró ser efectivo para causar una clasificación errónea y, al mismo tiempo, permanecer relativamente imperceptible. Estas imágenes envenenadas fueron etiquetadas con salidas incorrectas (por ejemplo, identificar erróneamente una zona segura como insegura) para entrenar al modelo para asociar el disparador con la clase incorrecta. Se aplicó aumentación de datos (rotación, volteo, variación de color) para asegurar la robustez.
3. Fase de Entrenamiento: Se utilizó una arquitectura de CNN basada en VGG16 (preentrenada en ImageNet). La capa de clasificación superior fue eliminada y reemplazada con capas personalizadas para la detección de zonas de aterrizaje y obstáculos. El modelo fue entrenado durante 240 épocas: las primeras 120 épocas congelaron las capas base de VGG16 para entrenar las nuevas capas, seguidas de 120 épocas de ajuste fino (fine-tuning) de las últimas cuatro capas con una tasa de aprendizaje reducida.
4. Fase de Prueba: El modelo entrenado fue evaluado tanto con datos limpios como con datos que contenían los disparadores de troyanos incrustados. El rendimiento se midió utilizando métricas estándar (precisión, exactitud, exhaustividad, puntuación F1) para cuantificar la degradación del rendimiento cuando los disparadores están presentes.

Resultos Clave
Los resultados experimentales demostraron una vulnerabilidad significativa en el sistema de aterrizaje autónomo cuando se expone a ataques de troyanos:

• Caída de Exactitud: El modelo logró una exactitud del 96.4% con datos limpios. Sin embargo, al ser probado con datos que contenían los disparadores de troyanos, la exactitud cayó drásticamente al 73.3%.
• Modo de Fallo: La presencia del sutil disparador de tablero de ajedrez de 5x5 causó que el modelo clasificara erróneamente las zonas de aterrizaje, lo que conduce a posibles errores de navegación o aterrizajes fallidos.
• Sigilo: El estudio confirmó que el modelo funciona normalmente bajo condiciones estándar, lo que hace que el ataque sea difícil de detectar sin pruebas adversarias específicas.

Significancia y Contribuciones
Este trabajo contribuye al campo de la seguridad de la UAM mediante:

1. Cuantificación de la Vulnerabilidad: Proporciona evidencia empírica del impacto severo que los ataques de troyanos pueden tener en la fiabilidad de los sistemas de aterrizaje de los UAAV, resaltando una brecha crítica en las evaluaciones de seguridad actuales.
2. Desarrollo de un Marco de Trabajo: El estudio establece una metodología para la recopilación de conjuntos de datos personalizados y la evaluación de las vulnerabilidades de troyanos en sistemas aéreos autónomos, abordando la falta de recursos existentes para este dominio específico.
3. Conciencia de Seguridad: Al demostrar cómo los disparadores encubiertos pueden comprometer la toma de decisiones crítica para la seguridad, el artículo subraya la necesidad urgente de mecanismos de defensa robustos adaptados a las restricciones de recursos y los requisitos de tiempo real de las operaciones de UAM.

Los autores concluyen que, si bien se ha progresado en la ciberseguridad general de los UAV, las defensas específicas contra los ataques de troyanos en los sistemas de navegación basados en aprendizaje profundo requieren mayor desarrollo para garantizar el despliegue seguro de la Movilidad Aérea Urbana.