Secure Coordination for Vertiport Sequencing in Advanced Air Mobility

Resumen Técnico: Coordinación Segura para la Secuenciación de Vertipuertos en la Movilidad Aérea Avanzada

Enunciado del Problema
Las operaciones de Movilidad Aérea Avanzada (MAA) cerca de vertipuertos requieren mecanismos de coordinación fiables para gestionar el tráfico denso bajo capacidad de aterrizaje limitada y tiempos de llegada inciertos. La coordinación actual depende en gran medida de datos autoinformados, como la Identificación Remota (Remote-ID), que proporciona la identidad y la posición del vehículo. Sin embargo, esta dependencia crea una vulnerabilidad: los vehículos con intereses propios pueden informar estratégicamente un tiempo estimado de llegada (ETA) erróneo para asegurar franjas de aterrizaje favorables, mientras que los actores maliciosos pueden falsificar datos para interrumpir la secuenciación o provocar congestión.

Aunque comparar los datos autoinformados con la vigilancia externa (por ejemplo, radar o seguimiento óptico) ofrece una defensa, las estimaciones de vigilancia son inherentemente inciertas debido al ruido de medición y a los errores de estimación. En consecuencia, los informes falsificados que permanecen consistentes con la región de incertidumbre de la vigilancia no pueden ser rechazados inmediatamente. Esto crea un problema de coordinación estratégica donde el coordinador debe asignar horarios de llegada factibles en términos de separación, a pesar de la posibilidad de informes falsos indetectables, pero potencialmente dañinos.

Metodología
El artículo propone un marco para la secuenciación segura de vertipuertos que distingue entre dos fuentes distintas de información falsa y formula reglas de secuenciación robustas para contrarrestarlas.

1. Modelo del Sistema:

   • El sistema involucra a $N$ vehículos que se aproximan a un vertipuerto compartido.
   • Cada vehículo $i$ tiene un ETA verdadero ($\tau_i$) y reporta un ETA ($\hat{\tau}_i = \tau_i + \delta_i$), donde $\delta_i$ es la desviación de reporte.
   • Un coordinador utiliza un sistema de vigilancia activa para inferir una estimación de ETA independiente. Debido a la incertidumbre de detección, las desviaciones $\delta_i$ están restringidas a un conjunto consistente con la incertidumbre $\mathcal{U}_i$ (por ejemplo, un intervalo $[-\varepsilon_i, \varepsilon_i]$). Los informes fuera de este conjunto son rechazados; aquellos dentro se tratan como potencialmente falsos pero indistinguibles de los veraces.
   • El objetivo es minimizar el costo de secuenciación a nivel del sistema, definido como la suma de los ajustes al cuadrado entre los tiempos de llegada asignados ($a_i$) y los ETAs verdaderos ($\tau_i$), sujeto a restricciones de separación temporal mínima ($s_{min}$).

2. Formulaciones Robustas:
   El artículo modela la interacción entre el coordinador y las entidades que informan utilizando dos enfoques de optimización robusta:

   • Información Falsa por Interés Propio (Desviación Estratégica): Modelada como un juego de Stackelberg. Los vehículos con intereses propios observan el parámetro de robustificación del coordinador ($\theta$) y seleccionan una desviación $\delta_i \in \mathcal{U}_i$ para minimizar su propio costo de ajuste de horario. El coordinador anticipa este comportamiento de mejor respuesta y selecciona $\theta$ para minimizar el costo del sistema resultante.
   • Falsificación Maliciosa (Perturbación Adversaria): Modelada como un problema min-max. Un atacante externo inyecta informes falsos para un subconjunto de vehículos ($\mathcal{M}$) para maximizar el costo de secuenciación a nivel del sistema (por ejemplo, causando congestión o retrasos). El coordinador selecciona $\theta$ para minimizar el peor caso del costo del sistema inducido por estas desviaciones adversarias.

3. Regla de Secuenciación:
   El coordinador emplea una regla de secuenciación parametrizada $S_\theta$ que mapea los tiempos de llegada reportados a un horario asignado. El parámetro $\theta$ representa medidas de robustificación, como umbrales de confianza o reglas de reducción de incertidumbre, diseñadas para hacer que el resultado de la secuenciación sea menos sensible a los informes dentro del conjunto de incertidumbre.

Contribuciones Clave y Resultados Planificados
Como resumen extendido, este artículo establece principalmente el marco teórico y esboza estudios numéricos planificados en lugar de presentar resultados experimentales finalizados. Sus contribuciones incluyen:

• Distinción Formal de Modelos de Amenaza: El artículo diferencia explícitamente entre la información falsa estratégica (orientada a la ganancia individual) y la falsificación maliciosa (orientada a la degradación del sistema), proponiendo formulaciones robustas distintas para cada una.
• Diseño Robusto bajo Incertidumbre de Detección: Formula la secuenciación de vertipuertos como un problema de diseño robusto sobre conjuntos de incertidumbre consistentes con la vigilancia, reconociendo que la detección perfecta es imposible debido al ruido de los sensores.
• Estrategia de Evaluación Planificada: Los autores proponen un estudio numérico exhaustivo para evaluar las reglas propuestas. El estudio planea comparar:
  • Secuenciación de Referencia: Utilizando los tiempos reportados directamente.
  • Secuenciación Robusta ante Interés Propio: Optimizada contra desviaciones estratégicas.
  • Secuenciación Robusta ante Falsificación Maliciosa: Optimizada contra perturbaciones adversarias.
• Métricas de Evaluación: Los experimentos planificados buscan cuantificar:
  • La pérdida de eficiencia de la robustez (comparando el rendimiento robusto frente al de referencia bajo informes veraces).
  • El beneficio de seguridad de la robustez (comparando el rendimiento bajo informes falsos con y sin reglas robustas).
  • La sensibilidad a la densidad del tráfico, los requisitos de separación, el ruido de vigilancia y el tamaño del conjunto de vehículos potencialmente no confiables ($\mathcal{M}$).

Importancia
El artículo argumenta que, a medida que aumenta la densidad del tráfico de MAA y se estrechan los márgenes de secuenciación, el impacto operativo de la información falsa será más pronunciado que en la gestión del tráfico aéreo convencional. Al integrar datos de vigilancia con información autoinformada mediante optimización robusta, el marco propuesto busca preservar la fiabilidad de los mecanismos de secuenciación. Pretende protegerse tanto contra la "tragedia de los comunes" (donde los vehículos individuales manipulan el sistema) como contra ataques adversarios activos, asegurando que las operaciones de vertipuertos permanezcan seguras y eficientes incluso cuando las capacidades de detección son imperfectas.

Los autores señalan que el trabajo futuro extenderá este marco para incluir la asignación de recursos de vigilancia, donde el coordinador asigna dinámicamente recursos de detección (por ejemplo, resolución o potencia) para reducir la incertidumbre para vehículos específicos, fortaleciendo así las decisiones de secuenciación contra las fuentes probables de información falsa.