Resilient Consensus-Based Target Tracking under False Data Injection Attacks in Multi-Agent Networks

Resumen Técnico: Seguimiento de Objetivos Resiliente Basado en Consenso bajo Ataques de Inyección de Datos Falsos

Planteamiento del Problema
El seguimiento distribuido de objetivos en redes multiagente es esencial para aplicaciones tales como la vigilancia autónoma y la robótica cooperativa. Sin embargo, estos sistemas enfrentan desafíos significativos para mantener la precisión de la estimación y la resiliencia de la red cuando se someten a mediciones defectuosas, perturbaciones ambientales y amenazas ciberfísicas. Específicamente, los Ataques de Inyección de Datos Falsos (FDIA, por sus siglas en inglés), donde los adversarios comprometen a los agentes o los canales de comunicación para suministrar datos erróneos, pueden causar errores severos en las estimaciones de posición y velocidad. Si bien los marcos descentralizados existentes, como los Filtros de Kalman Distribuidos (DKF), ofrecen escalabilidad, a menudo carecen de robustez contra tales entradas adversarias y sufren de altos costos de comunicación debido al intercambio de covarianzas. Además, muchas soluciones adaptativas o basadas en aprendizaje introducen cargas computacionales excesivas, lo que limita su practicidad en redes con recursos limitados.

Metodología
El artículo propone un algoritmo de seguimiento de objetivos descentralizado y resiliente que integra un marco de estimación basado en consenso con un mecanismo de detección de fallos dinámico. El enfoque se construye sobre tres componentes principales:

1. Modelado del Sistema: El movimiento del objetivo se modela utilizando un modelo cinemático de Velocidad Casi Constante (NCV) con ruido de proceso para considerar las incertidumbres de aceleración. Los agentes utilizan la multilateración de Tiempo de Llegada (TOA) para generar matrices de observación locales, lo que les permite estimar las distancias al objetivo basándose en los tiempos de llegada de la señal. La topología de la red se representa como un grafo aleatorio de Erdős–Rényi.
2. Estimación Basada en Consenso con Filtrado de Saturación: Basándose en el trabajo previo de los autores, el algoritmo emplea un proceso de dos pasos: una actualización de observación local seguida de un paso de consenso iterativo.
   • Actualización de Observación: Los agentes aplican un filtro basado en saturación a sus mediciones locales. Una ganancia de saturación ($g_i(k)$) limita la influencia de las innovaciones grandes (diferencias entre los valores medidos y predichos), suprimiendo eficazmente las variaciones impulsivas de la medición causadas por el ruido o los ataques.
   • Paso de Consenso: Los agentes intercambian iterativamente las estimaciones de estado con sus vecinos inmediatos para alcanzar un acuerdo global. Este paso se repite $L$ veces por cada paso de tiempo para mejorar la convergencia y la precisión sin requerir información de covarianza global.
3. Detección e Aislamiento Dinámico de FDIA: La principal contribución de este estudio es la adición de una capa de detección y aislamiento.
   • Monitoreo de Innovación: En cada paso de tiempo, los agentes computan un valor de innovación ($\gamma_i(k)$) que representa la desviación entre la medición actual y el estado predicho.
   • Umbralización Dinámica: Se calcula un umbral de detección dinámico ($\varphi_i(k)$) basado en la norma de la matriz de transición de estado, el límite de error de estimación previo, el desajuste del consenso global y los límites de ruido predefinidos.
   • Lógica de Aislamiento: Si la magnitud de la innovación excede el umbral, el agente es marcado como comprometido. En lugar de actualizar su estado con la medición sospechosa, el agente depende únicamente de la predicción del modelo dinámico ($x(k) = Ax(k-1)$), aislando eficazmente los datos defectuosos del proceso de consenso.

Contribuciones Clave

• Integración de Detección y Consenso: El artículo extiende un rastreador basado en consenso base mediante la incorporación de un mecanismo de detección de FDIA en tiempo real que opera sin requerir supervisión centralizada o modelos de aprendizaje complejos.
• Umbralización Dinámica: A diferencia de los umbrales estáticos, el umbral de detección propuesto se adapta al estado actual de la red (desajuste de consenso) y a las características del ruido, lo que permite una identificación más precisa de las anomalías.
• Estrategia de Aislamiento de Fallos: El método evita que los datos comprometidos corrompan la estimación global al cambiar a una predicción basada en el modelo para los agentes con fallos detectados, en lugar de intentar corregir los datos.
• Evaluación Exhaustiva: El estudio proporciona una evaluación rigurosa a través de seis casos de estudio distintos, cubriendo condiciones benignas (variaciones en conectividad, iteraciones de consenso y parámetros de filtro) y tres escenarios adversarios (ataques localizados, coordinados generalizados y ataques transitorios).

Resultos
Los resultados de la simulación en un entorno MATLAB demuestran lo siguiente:

• Desempeño Base: Bajo condiciones benignas, una mayor conectividad de red ($p=0.7$ frente a $p=0.3$) y un aumento en las iteraciones de consenso ($L=100$ frente a $L=10$) mejoraron significativamente la precisión de la estimación y la velocidad de convergencia, aunque con mayores costos de comunicación. Un filtro de saturación conservador ($\xi=2$) ofreció mejor robustez contra el ruido pero redujo la sensibilidad a cambios legítimos en el estado.
• Resiliencia Adversaria:
  • Ataques Localizados: El algoritmo identificó e aisló con éxito a dos agentes comprometidos, evitando la propagación de datos falsos y manteniendo un bajo Error Cuadrático Medio de Estimación (MSEE).
  • Ataques Coordinados Generalizados: En escenarios donde el 50% de los agentes fueron comprometidos con magnitudes de ataque variables, el algoritmo propuesto (Algoritmo 2) redujo el MSEE promedio en aproximadamente un 65% en comparación con el algoritmo base (Algoritmo 1) sin detección. Aunque ocasionalmente se pasaron por alto ataques de baja magnitud cercanos al umbral, el sistema mantuvo una precisión significativamente mejor que el algoritmo base.
  • Ataques Transitorios: El mecanismo de detección identificó rápidamente los ataques de corta duración, permitiendo que el sistema se recuperara con un retraso mínimo.
• Compromisos (Trade-offs): El estudio confirma que, si bien el mecanismo de detección añade una capa de seguridad, opera con sobrecargas computacionales y de comunicación moderadas, lo que lo hace adecuado para redes descentralizadas.

Significancia y Reivindicaciones
Los autores afirman que este estudio proporciona una solución simplificada y tolerante a fallos que mejora significativamente la precisión y la resiliencia del seguimiento de objetivos distribuido sin imponer cargas computacionales o de comunicación excesivas. El artículo sostiene que el algoritmo propuesto equilibra eficazmente el compromiso entre la supresión de fallos y la estimación precisa. Al identificar e aislar con éxito a los agentes comprometidos bajo escenarios de ataques localizados, coordinados y transitorios, el método asegura que la estimación global distribuida permanezca sin corrupción. El trabajo posiciona este enfoque como una alternativa práctica a los métodos complejos basados en aprendizaje o centralizados, ofreciendo un marco escalable para sistemas multiagente seguros en entornos dinámicos y adversos. Los autores reconocen limitaciones, incluyendo la suposición de que la mayoría de los agentes son benignos, la dependencia del modelo NCV para dinámicas no lineales y la posibilidad de detecciones omitidas cuando las magnitudes de los ataques están muy cerca del umbral dinámico.