Resumen Técnico: Detección de Intrusiones impulsada por IA para UAV en Ecosistemas Urbanos Inteligentes

1. Planteamiento del Problema

La integración de Vehículos Aéreos No Tripulados (UAV) en Ecosistemas Urbanos Inteligentes ofrece un potencial transformador para aplicaciones como el monitoreo del tráfico, la respuesta ante desastres y los servicios de entrega. Sin embargo, esta proliferación introduce una crisis de seguridad de doble capa que la literatura existente suele abordar de forma aislada:

1. Ciberataques: Los UAV, como sistemas ciberfísicos, son vulnerables a ataques dirigidos a su infraestructura de comunicación (p. ej., interferencia/jamming, suplantación/spoofing, inyección de mensajes y denegación de servicio). Estos exploits pueden conducir a la pérdida de control, robo de datos o fallo de la misión.
2. Intrusiones Físicas: Por el contrario, los propios UAV no autorizados representan amenazas para la seguridad pública y la privacidad. Pueden ser utilizados para espionaje, la interrupción de eventos públicos, la interferencia con el tráfico aéreo (incluyendo los eVTOL emergentes) o la liberación de materiales peligrosos.

La literatura de revisión actual suele centrarse ya sea en Sistemas de Detección de Intrusiones (IDS) cibernéticos o en la detección física de contra-UAV, careciendo de un marco unificado que aborde ambas amenazas simultáneamente dentro del entorno de recursos limitados y dinámico de una ciudad inteligente. Además, existe una escasez de conjuntos de datos específicos para UAV, ya que muchos estudios dependen de datos de redes de TI genéricas que carecen de validez ecológica para los enlaces de mando y control (C2) y la telemetría de los UAV.

2. Metodología y Marco de Trabajo

Este artículo proporciona una síntesis estructurada y basada en evidencia del estado del arte en IDS impulsados por IA para UAV. La metodología consiste en:

• Síntesis de Literatura: Una revisión exhaustiva de la literatura de la última década (con énfasis en 2019–2025) para categorizar amenazas y soluciones.
• Construcción de una Taxonomía Unificada: Los autores proponen una arquitectura de IDS unificada que integra la detección cibernética y física. Esta arquitectura se organiza en cuatro niveles de despliegue:
  • A bordo (Onboard): Detección ligera para la seguridad del vuelo e integridad inmediata del enlace (p. ej., verificaciones de consistencia de IMU/GPS).
  • Cooperativo/Enjambre (Cooperative/Swarm): Validación entre pares para reducir falsas alarmas y detectar suplantación localizada.
  • Borde/Niebla (Edge/Fog): Procesamiento intermedio para la fusión de múltiples sensores (RF, Visión, Acústica) y pre-filtrado antes de la transmisión a la nube.
  • Estación de Control de Tierra (GCS)/Nube: Analítica centralizada, aplicación de políticas para toda la flota, análisis forense y reentrenamiento de modelos.
• Análisis de Técnicas de IA: La encuesta categoriza los enfoques de IA en:
  • Aprendizaje Supervisado: Utilizando conjuntos de datos etiquetados (p. ej., SVM, Árboles de Decisión, Aprendizaje Profundo) para clasificar ataques conocidos (suplantación, secuestro) o detectar UAV no autorizados mediante visión computacional (p. ej., YOLO, CNNs).
  • Aprendizaje No Supervisado: Utilizando datos no etiquetados (p. ej., Autoencoders, SVM de una clase) para detectar anomalías y amenazas desconocidas sin etiquetado previo.
  • Aprendizaje por Refuerzo (RL): Empleando agentes para aprender políticas óptimas de detección y mitigación en entornos dinámicos, equilibrando la precisión de detección con las restricciones de latencia y energía.
• Estrategia de Fusión de Datos: El artículo aboga por la fusión multimodal (combinando tráfico de red, firmas de RF, datos visuales y sensores acústicos) para mitigar los desafíos ambientales (clutter, clima) y la evasión adversarial.

3. Contribuciones Clave

El artículo realiza las siguientes contribuciones específicas al campo:

1. Alcance Unificado: Integra las perspectivas de los ciberataques a los enlaces de comunicación de los UAV y las intrusiones físicas por parte de UAV no autorizados en una única visión de IDS, abordando un vacío en las encuestas previas que trataban estos dominios por separado.
2. Categorización de Amenazas: Clasifica las intrusiones en dos clases primarias: ciberataques dirigidos a la infraestructura e intrusiones físicas no deseadas/no autorizadas, detallando vectores de ataque específicos (p. ej., suplantación de GPS, jamming, invasión de la privacidad).
3. Taxonomía de IDS Unificada: Presenta una taxonomía detallada alineada con los mecanismos de detección, calibración, fusión, decisión y respuesta a través de los niveles de a bordo, cooperativo, borde y control de tierra.
4. Consolidación de Datasets: Consolida una lista de conjuntos de datos disponibles públicamente adecuados tanto para tráfico de red (p. ej., CIC-IDS2018, NSL-KDD) como para modalidades de visión (p. ej., Anti-UAV, DUT Anti-UAV), señalando explícitamente su aplicabilidad y limitaciones para tareas específicas de UAV.
5. Direcciones de Investigación: Identifica diez direcciones críticas de investigación abierta: Escalabilidad, Robustez, Explicabilidad, Escasez de Datos, Automatización, Detección Híbrida, Modelos de Lenguaje Extensos (LLMs), Enfoques Multimodales, Aprendizaje Federado y Preservación de la Privacidad.

4. Resultados y Hallazgos

La encuesta sintetiza los hallazgos de numerosos estudios para resaltar las capacidades y limitaciones actuales:

• Desempeño de Modelos de IA:
  • Métodos Supervisados: Las técnicas de aprendizaje profundo y visión computacional (p. ej., YOLOv4, CNNs) muestran una alta precisión en la detección y seguimiento de UAV en datos visuales. Para amenazas cibernéticas, algoritmos como Random Forest y XGBoost han demostrado una alta precisión (p. ej., ~90% para detección de secuestro, ~89.7% para suplantación de GPS) en conjuntos de datos específicos.
  • Métodos No Supervisados: Los enfoques como Autoencoders y SVM de una clase son efectivos para detectar anomalías y escuchas no autorizadas, aunque a menudo carecen de comparativas numéricas específicas en la literatura actual.
  • Aprendizaje por Refuerzo: Los IDS basados en RL (p. ej., DQN, DRL-BWO) muestran potencial en entornos dinámicos, logrando altos puntajes F1 (hasta 0.988) en simulación, aunque a menudo dependen de conjuntos de datos de ciberseguridad genéricos en lugar de tráfico nativo de UAV.
• Compromisos de Despliegue (Trade-offs):
  • Latencia: Los sistemas a bordo ofrecen los tiempos de respuesta más rápidos, mientras que los sistemas GCS/Nube exhiben la mayor latencia debido a la sobrecarga de comunicación.
  • Energía: Los enfoques a bordo y cooperativos de enjambre demandan los mayores recursos computacionales de los UAV individuales, mientras que los despliegues en el borde y la nube ofrecen beneficios significativos de descarga (offloading).
  • Precisión vs. Recursos: Existe un compromiso distintivo donde los modelos complejos y de alta precisión deben ser comprimidos (mediante poda, cuantización o destilación) para ajustarse a las restricciones a bordo, lo que a menudo requiere una arquitectura híbrida donde modelos simples se ejecutan a bordo y modelos complejos se ejecutan en el borde o la nube.
• Limitaciones de Datos: Un hallazgo significativo es la dependencia de muchos estudios en datasets de TI genéricos (p. ej., KDD Cup 1999, NSL-KDD) que no reflejan con precisión la telemetría específica de los UAV, el tráfico por ráfagas o los impedimentos de RF. Esto limita la validez ecológica de los resultados reportados.

5. Significación y Reivindicaciones

El artículo sostiene que su importancia radica en proporcionar un marco integral y unificado para la seguridad de los UAV que cierra la brecha entre los dominios cibernético y físico.

• Defensa Holística: Argumenta que la seguridad efectiva de los UAV en ciudades inteligentes no puede depender de soluciones aisladas; es necesario un IDS unificado para correlacionar anomalías de red con comportamientos físicos (p. ej., vincular un evento de jamming con una desviación repentina en la trayectoria de vuelo).
• Guía Práctica: Al mapear las técnicas de detección con niveles de despliegue específicos (a bordo vs. borde vs. nube), el artículo ofrece orientación práctica para arquitectos de sistemas que enfrentan restricciones de recursos.
• Hoja de Ruta Futura: El artículo se posiciona como una guía fundacional para la investigación futura, enfatizando que el campo debe ir más allá de los datasets genéricos hacia benchmarks específicos de UAV y abordar la brecha "sim-to-real". Destaca que, si bien la IA ofrece herramientas poderosas, su despliegue se ve actualmente obstaculizado por la escasez de datos, los límites computacionales y la necesidad de mecanismos explicables, robustos y que preserven la privacidad.

Los autores conclizan que, si bien se han logrado avances significativos, la realización de ciudades inteligentes resilientes y confiables depende del avance de estas soluciones de IDS impulsadas por IA para manejar las amenazas complejas y de naturaleza dual del ecosistema de los UAV.