An Experimental Study of Trojan Vulnerabilities in UAV Autonomous Landing

Sintesi Tecnica: Uno Studio Sperimentale sulle Vulnerabilità da Trojan nel Atterraggio Autonomo di UAV

Definizione del Problema
La Mobilità Aerea Urbana (UAM) si affida pesantemente ai Veicoli Aerei Autonomi Non Presidiati (UAAV) per compiti critici come taxi aerei e consegna di merci. Questi sistemi utilizzano il deep learning, nello specifico le Reti Neurali Convoluzionali (CNN), per il rilevamento degli ostacoli in tempo reale, la previsione della traiettoria e l'identificazione delle zone di atterraggio. Sebbene efficaci, questi modelli introducono rischi di cybersicurezza, in particolare attacchi di tipo "Trojan" (o backdoor). A differenza delle minacce tradizionali come lo spoofing del GPS, che possono essere mitigate tramite la validazione del segnale, gli attacchi Trojan inseriscono trigger occulti all'interno dei dati di addestramento del modello. Questi trigger rimangono dormienti durante il normale funzionamento, ma causano fallimenti catastrofici e prevedibili — come l'errata identificazione di piazzole di atterraggio o la mancata rilevazione di ostacoli — quando vengono incontrati determinati pattern specifici. Nonostante la gravità di tali rischi, le vulnerabilità da Trojan nei sistemi di navigazione e atterraggio degli UAAV rimangono meno esplorate rispetto alle applicazioni standard del machine learning.

Metodologia
Lo studio impiega un framework in quattro fasi per valutare sistematicamente la suscettibilità dei sistemi di atterraggio UAAV agli attacchi Trojan utilizzando il framework DroNet:

1. Raccolta dei Dati: A causa della mancanza di dataset pubblici allineati con le specifiche esigenze della UAM, gli autori hanno costruito un dataset personalizzato. Ciò ha comportato l'acquisizione di oltre 5.000 immagini di piazzole di atterraggio utilizzando un aeroplano ibrido costruito su misura dotato di telecamere ad alta risoluzione. Il dataset copre diversi scenari urbani, condizioni di illuminazione variabili e ostacoli. I dati sono stati suddivisi in 60% per l'addestramento, 20% per la validazione e 20% per il test.
2. Preparazione dei Dati e Avvelenamento: Per simulare un attacco, i trigger Trojan sono stati inseriti nel 30% del dataset di addestramento. I trigger erano pattern visivi, nello specifico disegni a scacchiera di varie dimensioni (5x5, 10x10, 15x15). Il pattern 5x5 è stato selezionato per lo studio poiché si è dimostrato efficace nel causare una errata classificazione pur rimanendo relativamente impercettibile. Queste immagini avvelenate sono state etichettate con output errati (ad esempio, identificare erroneamente una zona sicura come non sicura) per addestrare il modello ad associare il trigger alla classe sbagliata. È stata applicata l'augmentation dei dati (rotazione, flipping, variazione di colore) per garantirne la robustezza.
3. Fase di Addestramento: È stata utilizzata un'architettura CNN basata su VGG16 (pre-addestrata su ImageNet). Lo strato di classificazione superiore è stato rimosso e sostituito con strati personalizzati per il rilevamento della zona di atterraggio e degli ostacoli. Il modello è stato addestrato per 240 epoche: i primi 120 epoch hanno congelato gli strati base di VGG16 per addestrare i nuovi strati, seguiti da 120 epoch di fine-tuning degli ultimi quattro strati con un tasso di apprendimento ridotto.
4. Fase di Test: Il modello addestrato è stato valutato sia su dati puliti che su dati contenenti i trigger Trojan incorporati. Le prestazioni sono state misurate utilizzando metriche standard (accuratezza, precisione, recall, F1 score) per quantificare il degrado delle prestazioni in presenza di trigger.

Risultati Chiave
I risultati sperimentali hanno dimostrato una significativa vulnerabilità nel sistema di atterraggio autonomo quando esposto ad attacchi Trojan:

• Calo dell'Accuratezza: Il modello ha raggiunto un'accuratezza del 96,4% sui dati puliti. Tuttavia, quando testato su dati contenenti i trigger Trojan, l'accuratezza è crollata al 73,3%.
• Modalità di Fallimento: La presenza del sottile trigger a scacchiera 5x5 ha causato la classificazione errata delle zone di atterraggio, portando a potenziali errori di navigazione o atterraggi falliti.
• Stealthiness (Occultamento): Lo studio ha confermato che il modello opera normalmente in condizioni standard, rendendo l'attacco difficile da rilevare senza specifici test avversari.

Significatività e Contributi
Questo lavoro contribuisce al campo della sicurezza UAM fornendo:

1. Quantificazione della Vulnerabilità: Fornisce prove empiriche dell'impatto severo che gli attacchi Trojan possono avere sulla affidabilità dei sistemi di atterraggio UAAV, evidenziando una lacuna critica nelle attuali valutazioni di sicurezza.
2. Sviluppo di un Framework: Lo studio stabilisce una metodologia per la raccolta di dataset personalizzati e la valutazione delle vulnerabilità da Trojan nei sistemi aerei autonomi, affrontando la mancanza di risorse esistenti per questo specifico dominio.
3. Consapevolezza della Sicurezza: Dimostrando come i trigger occulti possano compromettere i processi decisionali critici per la sicurezza, il documento sottolinea la necessità urgente di meccanismi di difesa robusti adattati ai vincoli di risorse e ai requisiti in tempo reale delle operazioni UAM.

Gli autori concludono che, sebbene siano stati fatti progressi nella cybersicurezza generale degli UAV, le difese specifiche contro gli attacchi Trojan nei sistemi di navigazione basati sul deep learning richiedono un ulteriore sviluppo per garantire il dispiegamento sicuro della Mobilità Aerea Urbana.