Riepilogo Tecnico: TinyML-Driven per la Cybersecurity di Spaziocraft Autonomi

1. Definizione del Problema

Gli spaziocraft autonomi operano in ambienti a radiofrequenza (RF) contestati dove gli avversari possono interrompere, simulare (spoofing) o manipolare i collegamenti di Telemetria, Tracciamento e Comando (TT&C). Il framework Space Attack Research and Tactic Analysis (SPARTA) categorizza queste minacce in tattiche specifiche, tra cui jamming dell'uplink, spoofing del segnale, manipolazione del payload, compromissione del segmento di terra e iniezione di comandi non autorizzati.

Sebbene il deep learning sia stato applicato alla classificazione dei segnali RF, il suo costo computazionale lo rende inadatto ai processori di bordo degli spaziocraft, che affrontano vincoli rigorosi su latenza, memoria e potenza. Al contrario, i modelli "TinyML" leggeri devono operare entro budget di inferenza da microsecondi a millisecondi. Ciò crea una tensione fondamentale: i modelli con alta capacità espressiva (es. Random Forests, MLP) spesso violano i budget di latenza, mentre i modelli lineari leggeri (es. Logistic Regression) soddisfano i vincoli in tempo reale ma possono mancare della robustezza necessaria per rilevare attacchi non lineari sottili.

Il documento affronta la necessità di valutare i trade-off latenza–accuratezza dei modelli classici compatibili con TinyML, specificamente per il rilevamento di minacce cyber-RF allineate allo SPARTA in un contesto di autonomia di bordo.

2. Metodologia

A. Modello di Sistema Physics-Informed

Gli autori stabiliscono un modello di segnale base unificato per simulare le minacce SPARTA. Il segnale ricevuto $r(t)$ è modellato come:
$$r(t) = h(t) * s(t) + a(t) + n(t)$$
Dove $s(t)$ è l'uplink legittimo, $h(t)$ è la risposta all'impulso del canale, $n(t)$ è il rumore termico e $a(t)$ rappresenta la perturbazione avversaria specifica per la modalità di minaccia.

B. Iniezione delle Minacce e Generazione del Dataset

Lo studio genera spettrogrammi RF avversari basati su sei classi (una benigna, cinque minacce):

1. Benigna: Operazione nominale ($a(t)=0$).
2. Uplink Jamming: Modellato come rumore ad alta potenza ($a_{jam}(t)$), che causa mascheramento a banda larga o cancellazione di sottobande.
3. Fake-NR / Spoofing: Iniezione di strutture di controllo contraffatte simili a NR ($a_{fakeNR}(t)$), creando strisce spettrali strutturate.
4. Payload Manipulation: Alterazione minima dell'energia RF ($a_{payload}(t) \approx 0$), basata su sottili deviazioni di metadati o temporizzazione.
5. Ground-Segment Compromise: Forme d'onda valide con offset temporali anormali ($a_{rogue}(t)$).
6. Unauthorized Command Injection: Modulazione valida con contenuti semantici/pericolosi ($a_{inj}(t)$).

Il dataset è costruito calcolando le Trasformate di Fourier a Breve Tempo (STFT) per generare spettrogrammi, che vengono poi suddivisi in patch di dimensione fissa per la classificazione. Modi di corruzione come BandErasure, FakeNR e NoiseBurst sono utilizzati per simulare queste minacce.

C. Modelli Valutati

Sono analizzati quattro modelli di machine learning classici, compatibili con i vincoli TinyML:

• Logistic Regression (LR): Confine decisionale lineare, output probabilistico.
• Linear Support Vector Machine (SVM): Confine lineare che massimizza il margine geometrico.
• Random Forest (RF): Ensemble di alberi decisionali che modella confini non lineari.
• Multi-Layer Perceptron (MLP): Rete con un solo strato nascosto e attivazione non lineare.

D. Framework di Analisi

La valutazione combina:

1. Analisi Teorica: Derivazione della complessità computazionale (operazioni MAC), dimensione VC, continuità di Lipschitz e geometria del confine decisionale.
2. Valutazione Empirica: Misurazione della latenza di inferenza, accuratezza e F1-score per classe sul dataset di spettrogrammi generati.

3. Contributi Chiave

Il documento rivendica i seguenti contributi specifici:

• Modello di Sistema RF Physics-Informed: Un modello unificato che cattura la manifestazione matematica di cinque modalità di minaccia SPARTA nei segnali baseband e negli spettrogrammi.
• Analisi Matematica Rigorosa: Nuovi risultati teorici riguardanti la complessità computazionale, la dimensione VC e la continuità di Lipschitz dei modelli TinyML, fornendo una comprenszione fondata dei loro trade-off latenza–accuratezza.
• Benchmarking Empirico Completo: Una valutazione sistematica di LR, SVM, RF e MLP attraverso lo spettro delle minacce SPARTA utilizzando spettrogrammi avversari.
• Identificazione dei Limiti Strutturali: La scoperta che i modelli classici TinyML presentano una debolezza fondamentale nel rilevare la manipolazione del payload a causa della bassa separabilità nel dominio RF.
• Linee Guida di Progettazione: Raccomandazioni concrete per le architetture di cybersecurity degli spaziocraft di bordo basate sui trade-off osservati.

4. Risultati

A. Trade-off Latenza vs. Accuratezza

• Logistic Regression (LR): Raggiunge un'inferenza a livello di microsecondi con la minima complessità computazionale ($O(d)$). Incurre solo in una diminuzione dell'accuratezza dell'1% rispetto alle Random Forest, rendendola la baseline più efficace per l'autonomia in tempo reale dove la latenza è critica.
• Random Forest (RF): Offre l'accuratezza più elevata catturando distorsioni non lineari (es. anomalie temporali di stazioni di terra rogue). Tuttavia, il suo costo di inferenza scala come $O(K \cdot d_t)$, violando spesso i rigidi budget di latenza TinyML.
• SVM e MLP: Le SVM offrono una migliore robustezza alle interferenze strutturate (come Fake-NR) tramite la massimizzazione del margine, ma condividono i limiti lineari. Gli MLP possono modellare pattern complessi ma richiedono quantizzazione o pruning aggressivi per soddisfare i vincoli di latenza.

B. Prestazioni Specifiche per Minaccia

• Rilevamento Facile/Moderato: L'Uplink Jamming e lo Spoofing Fake-NR sono relativamente facili da rilevare grazie agli artefatti spettrali ad alta energia o strutturati.
• Rilevamento Difficile: La Payload Manipulation, il Ground-Segment Compromise e l'Unauthorized Command Injection sono significativamente più difficili. Nello specifico, la Payload Manipulation mostra la separabilità più bassa perché induce una distorsione dell'energia RF minima, affidandosi a sottili deviazioni statistiche che i modelli lineari e superficiali (shallow) faticano a distinguere.

5. Significato e Rivendicazioni

Il documento si posiziona come il primo lavoro ad fornire un'analisi teorica ed empirica physics-informed dei modelli TinyML specificamente per il rilevamento di minacce RF e cyber SPARTA.

• Impatto Pratico: Lo studio conclude che la Logistic Regression offre il bilanciamento ottimale per la cybersecurity degli spaziocraft di bordo, fornendo inferenza in microsecondi con una perdita di accuratezza trascurabile rispetto a modelli più complessi.
• Insight Teorico: Evidenzia come, sebbene i modelli complessi (RF, MLP) offrano una maggiore capacità teorica, il loro overhead computazionale li renda meno praticabili per l'autonomia in tempo reale rispetto ai modelli lineari per molte classi di minacce.
• Direzioni Future: Gli autori identificano una lacuna critica nel rilevamento della manipolazione del payload, suggerendo che i futuri progressi nella cybersecurity degli spaziocraft debbano concentrarsi su encoder di feature più ricchi e architetture di apprendimento multi-timescale piuttosto che semplicemente scalare la complessità del modello.

Gli autori mantengono un tono modesto riguardo ai limiti degli attuali modelli classici, notando esplicitamente che tutti i modelli valutati presentano debolezze persistenti nel rilevare la manipolazione del payload, inquadrando così i risultati come una base per la ricerca futura nell'edge intelligence e nell'IA affidabile per i sistemi spaziali.