技術要約：自律型宇宙機のTinyML駆動型サイバーセキュリティ

1. 問題提起

自律型宇宙機は、敵対者がテレメトリ・追跡・コマンド（TT&C）リンクを妨害、スプーフィング、または操作可能な、競合する無線周波数（RF）環境下で運用されます。**SPARTA（Space Attack Research and Tactic Analysis）**フレームワークは、これらの脅威を、アップリンク・ジャミング、信号スプーフィング、ペイロード操作、地上セグメントの侵害、および不正なコマンド注入を含む特定のタクティクスとして分類しています。

ディープラーニングはRF信号の分類に適用されてきましたが、その計算コストは、レイテンシ、メモリ、および電力に関する厳格な制約を受ける宇宙機のオンボード・プロセッサには不向きです。対照的に、軽量な「TinyML」モデルは、マイクロ秒からミリ秒単位の推論予算内で動作しなければなりません。ここに根本的な緊張関係が生じます。すなわち、高い表現力を持つモデル（例：ランダムフォレスト、MLP）はレイテンシ予算に抵触することが多く、一方で軽量な線形モデル（例：ロジスティック回帰）はリアルタイムの制約を満たしますが、微細で非線形な攻撃を検出するための堅牢性に欠ける場合があります。

本論文は、オンボードの自律性コンテキストにおいて、SPARTAに沿ったサイバーRF脅威を検出するための、古典的かつTinyML適合モデルのレイテンシと精度のトレードオフを評価する必要性に取り組んでいます。

2. 手法

A. 物理情報に基づいたシステムモデル

著者らは、SPARTAの脅威をシミュレートするための統一されたベースバンド信号モデルを確立しています。受信信号 $r(t)$ は以下のようにモデル化されます：
$$r(t) = h(t) * s(t) + a(t) + n(t)$$
ここで、$s(t)$ は正当なアップリンク、$h(t)$ はチャネルインパルス応答、$n(t)$ は熱雑音、そして $a(t)$ は脅威モードに特有の敵対的摂動を表します。

B. 脅威注入とデータセット生成

本研究では、6つのクラス（1つの正常状態と5つの脅威）に基づいて敵対的なRFスペクトログラムを生成します：

1. 正常（Benign）: 正常動作（$a(t)=0$）。
2. アップリンク・ジャミング（Uplink Jamming）: 高出力のノイズ（$a_{jam}(t)$）としてモデル化され、ブロードバンド・マスキングまたはサブバンド消去を引き起こす。
3. 偽のNR / スプーフィング（Fake-NR / Spoofing）: 偽のNR風の制御構造（$a_{fakeNR}(t)$）の注入により、構造化されたスペクトルストライプを生成する。
4. ペイロード操作（Payload Manipulation）: 最小限のRFエネルギー変化（$a_{payload}(t) \approx 0$）に依存し、微妙なメタデータやタイミングの偏差を利用する。
5. 地上セグメントの侵害（Ground-Segment Compromise）: 異常なタイミングオフセットを伴う有効な波形（$a_{rogue}(t)$）。
6. 不正なコマンド注入（Unauthorized Command Injection）: 意味的かつ危険な内容を含む有効な変調（$a_{inj}(t)$）。

データセットは、短時間フーリエ変換（STFT）を計算してスペクトログラムを生成し、それらを分類のために固定サイズのパッチに分割することで構築されます。破損モードとして、BandErasure、FakeNR、およびNoiseBurstが、これらの脅威をシミュレートするために使用されます。

C. 評価対象モデル

TinyMLの制約に適合する4つの古典的な機械学習モデルを分析します：

• ロジスティック回帰 (LR): 線形決定境界、確率的出力。
• 線形サポートベクターマシン (SVM): 幾何学的マージンを最大化する線形境界。
• ランダムフォレスト (RF): 非線形境界をモデル化する決定木のアンサンブル。
• 多層パーセプトロン (MLP): 非線形活性化関数を持つ1隠れ層ネットワーク。

D. 分析フレームワーク

評価は以下の組み合わせで行われます：

1. 理論的分析: 計算複雑性（MAC演算）、VC次元、リプシッツ連続性、および決定境界の幾何学の導出。
2. 実証的評価: 生成されたスペクトログラムデータセットに対する推論レイテンシ、精度、およびクラスごとのF1スコアの測定。

3. 主な貢献

本論文は、以下の具体的な貢献を主張しています：

• 物理情報に基づいたRFシステムモデル: ベースバンド信号およびスペクトログラムにおける5つのSPARTA脅威モードの数学的顕現を捉えた統一モデル。
• 厳密な数学的分析: TinyMLモデルの計算複雑性、VC次元、およびリプシッツ連続性に関する新しい理論的結果を提供し、レイテンシと精度のトレードオフに関する原理的な理解を提供する。
• 包括的な実証的ベンチマーク: 敵対的スペクトログラムを用いた、SPARTA脅威スペクトル全体におけるLR、SVM、RF、およびMLPの体系的な評価。
• 構造的限界の特定: 古典的なTinyMLモデルが、RFドメインにおける分離性が低いために、ペイロード操作の検出において根本的な弱点を示すことを発見したこと。
• 設計ガイドライン: 観察されたトレードオフに基づく、オンボード宇宙機サイバーセキュリティアーキテクチャへの具体的な推奨事項。

4. 結果

A. レイテンシ vs 精度のトレードオフ

• ロジスティック回帰 (LR): 最も低い計算複雑性（$O(d)$）でマイクロ秒レベルの推論を実現します。ランダムフォレストと比較して**精度の低下はわずか1%**であり、レイテンシが極めて重要なリアルタイムのオンボード自律性において最も効果的なベースラインとなります。
• ランダムフォレスト (RF): 非線形な歪み（例：ローグ地上局のタイミング異常）を捉えることで、最高の精度を提供します。しかし、その推論コストは $O(K \cdot d_t)$ としてスケールするため、厳格なTinyMLレイテンシ予算に抵触することが頻繁にあります。
• SVM および MLP: SVMは、マージン最大化を通じて構造化された干渉（Fake-NRなど）に対する優れた堅牢性を提供しますが、線形的な限界を共有しています。MLPは複雑なパターンをモデル化できますが、レイテンシ制約を満たすためには積極的な量子化やプルーニングが必要です。

B. 脅威別のパフォーマンス

• 容易／中程度の検出: アップリンク・ジャミングおよびFake-NRスプーフィングは、高エネルギーまたは構造化されたスペクトルアーティファクトがあるため、比較的容易に検出可能です。
• 困難な検出: ペイロード操作、地上セグメントの侵害、およびコマンド注入は、検出が著しく困難です。特に、ペイロード操作はRFエネルギーの歪みが最小限であるため、古典的な線形および浅いモデルが区別することが困難な、微妙な統計的偏差に依存しており、最も分離性が低くなります。

5. 意義と主張

本論文は、SPARTAのRFおよびサイバー脅威の検出に特化した、物理情報に基づいた理論的および実証的なTinyMLモデルの分析を提供する最初の研究として位置づけられています。

• 実用的影響: 本研究は、ロジスティック回帰が、より複雑なモデルと比較して無視できるほどの精度損失でマイクロ秒単位の推論を提供し、オンボード宇宙機サイバーセキュリティのための最適なバランスを提供すると結論付けています。
• 理論的洞察: 複雑なモデル（RF、MLP）は高い理論的容量を提供しますが、その計算オーバーヘッドにより、多くの脅威クラスにおいて、厳格なリアルタイム自律性のための線形モデルよりも実現可能性が低くなることを明らかにしています。
• 今後の方向性: 著者らは、ペイロード操作の検出における決定的なギャップを特定し、宇宙機のサイバーセキュリティの将来の進歩は、単にモデルの複雑さをスケールさせることではなく、より豊かな特徴エンコーダとマルチタイムスケール学習アーキテクチャに焦点を当てる必要があると示唆しています。

著者らは、現在の古典的なモデルの限界に関して控えめなトーンを維持しており、評価されたすべてのモデルがペイロード操作の検出において持続的な弱点を示すことを明示することで、結果をエッジインテリジェンスおよび宇宙システム向けの信頼できるAIのための将来の研究のベースラインとして位置づけています。