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

Sintesi Tecnica: Tracciamento di Obiettivi Resiliente Basato su Consenso sotto Attacchi di Iniezione di Dati Falsi

Definizione del Problema
Il tracciamento distribuito di obiettivi in reti multi-agente è essenziale per applicazioni quali la sorveglianza autonoma e la robotica cooperativa. Tuttavia, questi sistemi affrontano sfide significative nel mantenere l'accuratezza della stima e la resilienza della rete quando sono soggetti a misurazioni difettose, disturbi ambientali e minacce cibero-fisiche. Nello specifico, gli attacchi di iniezione di dati falsi (FDIA - False Data Injection Attacks), in cui gli avversari compromettono gli agenti o i canali di comunicazione per fornire dati errati, possono causare gravi errori nelle stime di posizione e velocità. Sebbene gli esistenti framework decentralizzati, come i Filtri di Kalman Distribuiti (DKF), offrano scalabilità, essi spesso mancano di robustezza contro tali input avversari e soffrono di elevati carichi di comunicazione dovuti allo scambio di covarianza. Inoltre, molte soluzioni adattive o basate sull'apprendimento introducono carichi computazionali eccessivi, limitandone la praticità in reti con risorse limitate.

Metodologia
Il documento propone un algoritmo di tracciamento di obiettivi decentralizzato e resiliente che integra un framework di stima basato sul consenso con un meccanismo di rilevamento dei guasti dinamico. L'approccio si basa su tre componenti principali:

1. Modellazione del Sistema: Il moto dell'obiettivo è modellato utilizzando un modello cinematico a velocità quasi costante (NCV - Nearly-Constant-Velocity) con rumore di processo per tenere conto delle incertezze di accelerazione. Gli agenti utilizzano la multilaterazione del tempo di arrivo (TOA - Time-of-Arrival) per generare matrici di osservazione locali, consentendo loro di stimare le distanze dall'obiettivo sulla base dei tempi di arrivo del segnale. La topologia della rete è rappresentata come un grafo casuale di Erdős–Rényi.
2. Stima Basata sul Consenso con Filtraggio di Saturazione: Basandosi sul lavoro precedente degli autori, l'algoritmo impiega un processo in due fasi: un aggiornamento dell'osservazione locale seguito da un passo di consenso iterativo.
   • Aggiornamento dell'Osservazione: Gli agenti applicano un filtro basato sulla saturazione alle loro misurazioni locali. Un guadagno di saturazione ($g_i(k)$) limita l'influenza delle grandi innovazioni (differenze tra valori misurati e previsti), sopprimendo efficacemente le variazioni impulsive delle misurazioni causate dal rumore o dagli attacchi.
   • Passo di Consenso: Gli agenti scambiano iterativamente le stime dello stato con i vicini immediati per raggiungere un accordo globale. Questo passo viene ripetuto $L$ volte per ogni istante temporale per migliorare la convergenza e l'accuratezza senza richiedere informazioni globali sulla covarianza.
3. Rilevamento e Isolamento Dinamico di FDIA: Il contributo principale di questo studio è l'aggiunta di uno strato di rilevamento e isolamento.
   • Monitoraggio dell'Innovazione: Ad ogni istante temporale, gli agenti calcolano un valore di innovazione ($\gamma_i(k)$) che rappresenta lo scostamento tra la misurazione corrente e lo stato previsto.
   • Soglia Dinamica: Una soglia di rilevamento dinamica ($\varphi_i(k)$) viene calcolata sulla base della norma della matrice di transizione dello stato, del limite di errore di stima precedente, del disallineamento del consenso globale e di limiti di rumore predefiniti.
   • Logica di Isolamento: Se l'entità dell'innovazione supera la soglia, l'agente viene segnalato come compromesso. Inveiz di aggiornare il proprio stato con la misurazione sospetta, l'agente si affida esclusivamente alla previsione del modello dinamico ($x(k) = Ax(k-1)$), isolando efficacementmente il dato errato dal processo di consenso.

Contributi Chiave

• Integrazione di Rilevamento e Consenso: Il documento estende un tracker basato sul consenso di base integrando un meccanismo di rilevamento FDIA in tempo reale che opera senza richiedere una supervisione centralizzata o modelli di apprendimento complessi.
• Soglia Dinamica: A differenza delle soglie statiche, la soglia di rilevamento proposta si adatta allo stato attuale della rete (disallineamento del consenso) e alle caratteristiche del rumore, permettendo un'identificazione più accurata delle anomalie.
• Strategia di Isolamento dei Guasti: Il metodo impedisce ai dati compromessi di corrompere la stima globale passando alla previsione basata sul modello per gli agenti con guasti rilevati, invece di tentare di correggere il dato.
• Valutazione Completa: Lo studio fornisce una valutazione rigorosa attraverso sei distinti casi di studio, che coprono condizioni benigne (variabilità di connettività, iterazioni di consenso e parametri del filtro) e tre scenari avversari (attacchi localizzati, coordinati diffusi e transitori).

Risultati
I risultati della simulazione in ambiente MATLAB dimostrano quanto segue:

• Prestazioni Baseline: In condizioni benigne, una maggiore connettività della rete ($p=0.7$ rispetto a $p=0.3$) e un aumento delle iterazioni di consenso ($L=100$ rispetto a $L=10$) hanno migliorato significativamente l'accuratezza della stima e la velocità di convergenza, sebbene con costi di comunicazione più elevati. Un filtro di saturazione conservativo ($\xi=2$) ha offerto una migliore robustezza contro il rumore ma ha ridotto la sensibilità ai cambiamenti legittimi dello stato.
• Resilienza Avversaria:
  • Attacchi Localizzati: L'algoritmo ha identificato e isolato con successo due agenti compromessi, impedendo la propagazione di dati falsi e mantenendo un basso Errore Quadratico Medio di Stima (MSEE).
  • Attacchi Coordinati Diffusi: In scenari in cui il 50% degli agenti era compromesso con diverse ampiezze di attacco, l'algoritmo proposto (Algoritmo 2) ha ridotto l'MSEE medio di circa il 65% rispetto all'algoritmo di base (Algoritmo 1) privo di rilevamento. Sebbene gli attacchi di bassa ampiezza vicini alla soglia siano stati occasionalmente mancati, il sistema ha mantenuto un'accuratezza significativamente migliore rispetto alla baseline.
  • Attacchi Transitori: Il meccanismo di rilevamento ha identificato rapidamente gli attacchi di breve durata, permettendo al sistema di recuperare con un ritardo minimo.
• Compromessi (Trade-offs): Lo studio conferma che, sebbene il meccanismo di rilevamento aggiunga uno strato di sicurezza, esso opera con carichi computazionali e di comunicazione modesti, rendendolo adatto a reti decentralizzate.

Significatività e Rivendicazioni
Gli autori affermano che questo studio fornisce una soluzione semplificata e tollerante ai guasti che migliora significativamente l'accuratezza e la resilienza del tracciamento di obiettivi distribuito senza imporre carichi eccessivi di comunicazione o computazione. Il documento sostiene che l'algoritmo proposto bilancia efficacemente il compromesso tra soppressione dei guasti e stima accurata. Identificando e isolando con successo gli agenti compromessi in scenari di attacco localizzati, coordinati e transitori, il metodo garantisce che la stima globale distribuita rimanga incontaminata. Il lavoro si pone come un'alternativa pratica agli approcci complessi basati sull'apprendimento o centralizzati, offrendo un framework scalabile per sistemi multi-agente sicuri in ambienti dinamici e avversari. Gli autori riconoscono i limiti, tra cui l'assunzione che la maggioranza degli agenti sia benigna, la dipendenza dal modello NCV per la dinamica non lineare e la possibilità di mancati rilevamenti quando le ampiezze degli attacchi sono molto vicine alla soglia dinamica.