LLM-Enabled In-Context Learning for Data Collection Scheduling in UAV-assisted Sensor Networks

Titolo: Apprendimento in Contesto (ICL) Abilitato da LLM per la Pianificazione della Raccolta Dati in Reti di Sensori Assistite da UAV

1. Il Problema

Le reti di sensori assistite da UAV (UASNETs) sono fondamentali per missioni critiche come il soccorso e la ricerca (SAR) in ambienti di emergenza. Tuttavia, i metodi attuali basati sull'Apprendimento per Rinforzo Profondo (DRL) presentano limitazioni significative in questi scenari:

• Inefficienza del campionamento: Richiedono un addestramento complesso e lungo.
• Divario Simulazione-Realtà: Le politiche apprese in simulazione spesso non si trasferiscono bene al mondo reale.
• Latenza e Urgenza: La necessità di addestramento e affinamento del modello è incompatibile con la natura urgente delle missioni di emergenza, dove le decisioni devono essere prese in tempo reale.
• Vulnerabilità di Sicurezza: L'integrazione di modelli linguistici (LLM) introduce nuove vulnerabilità, in particolare agli attacchi di "jailbreaking", dove un avversario manipola le istruzioni per bypassare i filtri di sicurezza e degradare le prestazioni della rete.

L'obiettivo è sviluppare un sistema di pianificazione della raccolta dati che sia rapido da implementare, adattivo agli ambienti dinamici e robusto contro le manipolazioni malevole.

2. Metodologia: Il Sistema ICLDC

Il paper propone il sistema ICLDC (In-Context Learning-Data Collection Scheduling), che utilizza un Large Language Model (LLM) ospitato al bordo della rete (Edge) per prendere decisioni di pianificazione senza bisogno di addestramento specifico.

Flusso di lavoro principale:

1. Raccolta Dati e Prompting: L'UAV raccoglie dati sensoriali (lunghezza delle code, condizioni del canale, livello della batteria) e li invia all'LLM.
2. Descrizione del Compito in Linguaggio Naturale: L'LLM genera una descrizione del compito basata sui dati loggati, includendo obiettivi, vincoli ed esempi (In-Context Learning).
3. Generazione della Pianificazione: Basandosi sulla descrizione, l'LLM genera una sequenza di visita ai sensori per raccogliere i dati.
4. Verifica di Sicurezza (Safety Verifier): Un modulo deterministico valida la pianificazione proposta dall'LLM contro regole di sicurezza predefinite (es. evitare sensori con batterie critiche o canali scadenti). Se la pianificazione viola le regole, il verificatore la sovrascrive scegliendo l'azione più sicura.
5. Retroazione Adattiva: Le prestazioni del sistema (es. perdita di pacchetti) vengono registrate e aggiunte alla descrizione del compito per i passi successivi, permettendo all'LLM di imparare dagli errori passati senza addestramento offline.

Gestione degli Attacchi (Jailbreaking):
Il sistema è progettato per resistere ad attacchi di tipo "black-box" (manipolazione del prompt tramite completamento di template).

• Rilevamento: Un modulo calcola la perplexity (perplessità) del prompt in ingresso. Un valore elevato indica una possibile manipolazione malevola.
• Strategia di Difesa Dinamica: Se viene rilevato un attacco, il parametro di esplorazione ($\epsilon$) di una politica $\epsilon$-greedy viene aumentato. Questo porta il sistema a scegliere azioni casuali sicure invece di fidarsi dell'output compromesso dell'LLM, mitigando l'impatto dell'attacco.

3. Contributi Chiave

• ICLDC per UASNETs: Introduzione di un nuovo schema di pianificazione basato su ICL che sostituisce il DRL, eliminando la necessità di addestramento complesso e permettendo l'adattamento immediato a scenari di emergenza.
• Analisi della Vulnerabilità: Dimostrazione pratica di come gli attacchi di jailbreaking possano manipolare le descrizioni dei compiti per degradare le prestazioni della rete (es. forzando la selezione di sensori con canali scadenti).
• Architettura Ibrida Sicura: Progettazione di un sistema che combina la flessibilità inferenziale degli LLM con un verificatore di sicurezza deterministico e un meccanismo di rilevamento degli attacchi basato sulla perplexity.
• Efficienza Computazionale: Dimostrazione che l'approccio ICL può operare su hardware al bordo (Edge) con risorse limitate, superando i vincoli di latenza e memoria tipici dei modelli DRL.

4. Risultati Sperimentali

Le simulazioni sono state condotte in un ambiente Python con 10 sensori a terra e un UAV, confrontando ICLDC con baseline come DQN (Deep Q-Network), Maximum Channel Gain e MQNS.

• Prestazioni di Raccolta Dati: ICLDC riduce la perdita cumulativa di pacchetti di circa il 56% rispetto alla strategia "Maximum Channel Gain" e supera il DQN in termini di velocità di convergenza.
• Efficienza di Addestramento:
  • DQN: Richiede ~1.000 episodi (30.000 passi) e ~50 minuti di addestramento su GPU.
  • ICLDC: Raggiunge prestazioni comparabili in 1 episodio (30 passi) in circa 20 secondi su CPU, con un miglioramento di efficienza del campionamento di 1.000x.
• Resilienza agli Attacchi:
  • In condizioni normali, ICLDC riduce la perdita di pacchetti a zero in 6 passi temporali.
  • Sotto attacco di jailbreaking, la perdita di pacchetti aumenta drasticamente (da 25% a 77%, un degrado del 208%), confermando la vulnerabilità degli LLM non protetti.
  • Tuttavia, l'implementazione del modulo di rilevamento e verifica permette al sistema di mitigare parzialmente questi effetti, mantenendo un comportamento più sicuro rispetto a sistemi non protetti.
• Latenza: L'inferenza dell'LLM (GPT-4o-mini) introduce una latenza misurabile ma gestibile (nell'ordine dei millisecondi), che non compromette la connettività del UAV durante i tipici spostamenti di pochi metri.

5. Significato e Impatto

Questo lavoro rappresenta un passo significativo verso l'integrazione dell'Intelligenza Artificiale Generativa nelle reti di sensori critiche.

• Paradigma Shift: Sposta il focus dall'addestramento pesante (DRL) all'uso di modelli linguistici pre-addestrati con apprendimento in contesto, rendendo le reti UAV più agili e pronte per missioni impreviste.
• Sicurezza Critica: Mette in luce una vulnerabilità critica (jailbreaking) nei sistemi autonomi basati su LLM e propone soluzioni pratiche (verificatori e rilevamento di anomalie) per mitigarla, un aspetto spesso trascurato nella letteratura precedente.
• Applicabilità Reale: La capacità di operare su hardware edge e di adattarsi dinamicamente senza ri-addestramento rende questa soluzione ideale per scenari di disastro, monitoraggio ambientale e operazioni di soccorso dove il tempo e l'affidabilità sono fattori decisivi.

Il paper conclude suggerendo sviluppi futuri verso l'apprendimento in contesto multimodale (MM-ICL) e l'integrazione di metriche di criticità dei dati per scenari ancora più complessi.