Resumen Técnico: TinyML Aplicado a la Ciberseguridad para Embarcaciones Espaciales Autónomas

1. Planteamiento del Problema

Las embarcaciones espaciales autónomas operan en entornos de radiofrecuencia (RF) contestados donde los adversarios pueden interrumpir, suplantar o manipular los enlaces de Telemetría, Seguimiento y Comando (TT&C). El marco de trabajo Space Attack Research and Tactic Analysis (SPARTA) categoriza estas amenazas en tácticas específicas, que incluyen el jamming de enlace ascendente, la suplantación de señal (spoofing), la manipulación de carga útil, el compromiso del segmento terrestre y la inyección de comandos no autorizados.

Si bien se ha aplicado el aprendizaje profundo (deep learning) a la clasificación de señales de RF, su costo computacional las hace inadecuadas para los procesadores de a bordo de las embarcaciones espaciales, que enfrentan restricciones estrictas de latencia, memoria y potencia. Por el contrario, los modelos ligeros de "TinyML" deben operar dentro de presupuestos de inferencia de microsegundos a milisegundos. Esto crea una tensión fundamental: los modelos con alta capacidad de expresión (p. ej., Random Forests, MLPs) suelen violar los presupuestos de latencia, mientras que los modelos lineales ligeros (p. ej., Regresión Logística) satisfacen las restricciones de tiempo real pero pueden carecer de la robustez para detectar ataques no lineales sutiles.

El artículo aborda la necesidad de evaluar los compromisos entre latencia y precisión (latency–accuracy trade-offs) de los modelos clásicos compatibles con TinyML, específicamente para la detección de amenazas ciber-RF alineadas con SPARTA en un contexto de autonomía de a bordo.

2. Metodología

A. Modelo de Sistema Basado en la Física

Los autores establecen un modelo de señal de banda base unificado para simular las amenazas de SPARTA. La señal recibida $r(t)$ se modela como:
$$r(t) = h(t) * s(t) + a(t) + n(t)$$
Donde $s(t)$ es el enlace ascendente legítimo, $h(t)$ es la respuesta al impulso del canal, $n(t)$ es el ruido térmico y $a(t)$ representa la perturbación adversaria específica del modo de amenaza.

B. Inyección de Amenazas y Generación de Conjunto de Datos

El estudio genera espectrogramas de RF adversarios basados en seis clases (una benigna, cinco amenazas):

1. Benigna: Operación nominal ($a(t)=0$).
2. Jamming de Enlace Ascendente: Modelado como ruido de alta potencia ($a_{jam}(t)$), causando enmascaramiento de banda ancha o erradicación de subbandas.
3. Fake-NR / Spoofing: Inyección de estructuras de control falsas similares a NR ($a_{fakeNR}(t)$), creando franjas espectrales estructuradas.
4. Manipulación de Carga Útil: Alteración mínima de la energía de RF ($a_{payload}(t) \approx 0$), basándose en desviaciones sutiles de metadatos o temporización.
5. Compromiso del Segmento Terrestre: Ondas válidas con desfases temporales anormales ($a_{rogue}(t)$).
6. Inyección de Comandos no Autorizados: Modulación válida con contenido semántico/peligroso ($a_{inj}(t)$).

El conjunto de datos se construye computando Transformadas de Fourier de Tiempo Corto (STFT) para generar espectrogramas, que luego se dividen en parches de tamaño fijo para su clasificación. Los modos de corrupción como BandErasure, FakeNR y NoiseBurst se utilizan para simular estas amenazas.

C. Modelos Evaluados

Se analizan cuatro modelos de aprendizaje automático clásicos, compatibles con las restricciones de TinyML:

• Regresión Logística (LR): Frontera de decisión lineal, salida probabilística.
• Máquina de Vectores de Soporte Lineal (SVM): Frontera lineal que maximiza el margen geométrico.
• Random Forest (RF): Ensamblaje de árboles de decisión que modela fronteras no lineales.
• Perceptrón Multicapa (MLP): Red de una sola capa oculta con activación no lineal.

D. Marco de Análisis

La evaluación combina:

1. Análisis Teórico: Derivación de la complejidad computacional (operaciones MAC), dimensión VC, continuidad de Lipschitz y geometría de la frontera de decisión.
2. Evaluación Empírica: Medición de la latencia de inferencia, precisión y puntuaciones F1 por clase en el conjunto de datos de espectrogramas generado.

3. Contribuciones Clave

El artículo reclama las siguientes contribuciones específicas:

• Modelo de Sistema de RF Basado en la Física: Un modelo unificado que captura la manifestación matemática de cinco modos de amenaza de SPARTA en señales de banda base y espectrogramas.
• Análisis Matemático Riguroso: Nuevos resultados teóricos respecto a la complejidad computacional, la dimensión VC y la continuidad de Lipschitz de los modelos TinyML, proporcionando una comprensión fundamentada de sus compromisos entre latencia y precisión.
• Benchmarking Empírico Exhaustivo: Una evaluación sistemática de LR, SVM, RF y MLP a través del espectro de amenazas de SPARTA utilizando espectrogramas adversarios.
• Identificación de Limitaciones Estructurales: El descubrimiento de que los modelos clásicos de TinyML exhiben una debilidad fundamental en la detección de la manipulación de carga útil debido a la baja separabilidad en el dominio de la RF.
• Guías de Diseño: Recomendaciones concretas para arquitecturas de ciberseguridad de embarcaciones espaciales de a bordo basadas en los compromisos observados.

4. Resultados

A. Compromisos entre Latencia y Precisión

• Regresión Logística (LR): Logra una inferencia a nivel de microsegundos con la menor complejidad computacional ($O(d)$). Sufre solo una caída de precisión del 1% en relación con Random Forests, lo que la convierte en la base más efectiva para la autonomía en tiempo real de a bordo donde la latencia es crítica.
• Random Forest (RF): Ofrece la mayor precisión al capturar distorsiones no lineales (p. ej., anomalías de temporización de estaciones terrestres no autorizadas). Sin embargo, su costo de inferencia escala como $O(K \cdot d_t)$, violando a menudo los estrictos presupuestos de latencia de TinyML.
• SVM y MLP: Los SVM ofrecen una mejor robustez ante interferencias estructuradas (como Fake-NR) mediante la maximización del margen, pero comparten las limitaciones lineales. Los MLP pueden modelar patrones complejos pero requieren una cuantización o poda agresiva para cumplir con las restricciones de latencia.

B. Desempeño Específico de la Amenaza

• Detección Fácil/Moderada: El Jamming de Enlace Ascendente y el Spoofing de Fake-NR son relativamente fáciles de detectar debido a los artefactos espectrales de alta energía o estructurados.
• Detección Difícil: La Manipulación de Carga Útil, el Compromiso del Segmento Terrestre y la Inyección de Comandos son significativamente más difíciles. Específicamente, la Manipulación de Carga Útil muestra la menor separabilidad porque induce una distorsión mínima de la energía de RF, dependiendo de desviaciones estadísticas sutiles que los modelos lineales y superficiales clásicos luchan por distinguir.

5. Significado y Reivindicaciones

El artículo se posiciona como el primer trabajo en proporcionar un análisis teórico y empírico basado en la física de los modelos TinyML específicamente para la detección de amenazas de RF y ciberseguridad de SPARTA.

• Impacto Práctico: El estudio concluye que la Regresión Logística ofrece el equilibrio óptimo para la ciberseguridad de embarcaciones espaciales de a bordo, proporcionando inferencia de microsegundos con una pérdida de precisión insignificante en comparación con modelos más complejos.
• Perspectiva Teórica: Destaca que, si bien los modelos complejos (RF, MLP) ofrecen una mayor capacidad teórica, su sobrecarga computacional los hace menos viables para la autonomía estricta en tiempo real en comparación con los modelos lineales para muchas clases de amenazas.
• Dirección Futura: Los autores identifican una brecha crítica en la detección de la manipulación de carga útil, sugiriendo que los avances futuros en la ciberseguridad de las embarcaciones espaciales deben centrarse en codificadores de características más ricos y arquitecturas de aprendizaje de múltiples escalas temporales, en lugar de simplemente escalar la complejidad del modelo.

Los autores mantienen un tono modesto respecto a las limitaciones de los modelos clásicos actuales, señalando explícitamente que todos los modelos evaluados presentan debilidades persistentes en la detección de la manipulación de carga útil, enmarcando así los resultados como una base para la investigación futura en inteligencia de borde y IA confiable para sistemas espaciales.