Technische Samenvatting: TinyML-gestuurde Cybersecurity voor Autonome Ruimtevaartuigen

1. Probleemstelling

Autonome ruimtevaartuigen opereren in betwiste radiofrequentie (RF)-omgevingen waar tegenstanders de Telemetry, Tracking, and Command (TT&C)-verbindingen kunnen verstoren, vervalsen of manipuleren. Het Space Attack Research and Tactic Analysis (SPARTA) framework categoriseert deze dreigingen in specifieke tactieken, waaronder uplink-jamming, signaalspoofing, payload-manipulatie, compromittering van het grondsegment en ongeautoriseerde commando-injectie.

Hoewel deep learning is toegepast op RF-signaalklassificatie, maakt de computationele kost ervan het ongeschikt voor de onboard processoren van ruimtevaartuigen, die te maken hebben met strikte beperkingen wat betreft latentie, geheugen en vermogen. Daarentegen moeten lichtgewicht "TinyML"-modellen opereren binnen microseconde- tot milliseconde-inferentiebudgetten. Dit creëert een fundamentele spanning: modellen met een hoge expressieve kracht (bijv. Random Forests, MLPs) schenden vaak de latentiebudgetten, terwijl lichtgewicht lineaire modellen (bijv. Logistische Regressie) wel voldoen aan de real-time beperkingen, maar mogelijk niet de robuustheid bezitten om subtiele, niet-lineaire aanvallen te detecteren.

Het artikel adresseert de noodzaak om de latentie–nauwkeurigheid-afwegingen van klassieke, TinyML-compatibele modellen specifiek te evalueren voor het detecteren van SPARTA-gerelateerde cyber-RF-dreigingen in een onboard autonomiecontext.

2. Methodologie

A. Fysisch-geïnformeerd Systeemmodel

De auteurs stellen een verenigd baseband-signaalmodel op om SPARTA-dreigingen te simuleren. Het ontvangen signaal $r(t)$ wordt gemodelleerd als:
$$r(t) = h(t) * s(t) + a(t) + n(t)$$
Waarbij $s(t)$ het legitieme uplink-signaal is, $h(t)$ de kanaalimpulsvolger (channel impulse response) is, $n(t)$ thermische ruis vertegenwoordigt, en $a(t)$ de adversariële perturbatie vertegenwoordigt die specifiek is voor de modus van de dreiging.

B. Dreiging-injectie en Datasetgeneratie

De studie genereert adversariële RF-spectrogrammen gebaseerd op zes klassen (één benign, vijf dreigingen):

1. Benign: Normale operatie ($a(t)=0$).
2. Uplink Jamming: Gemodelleerd als hoog-energetische ruis ($a_{jam}(t)$), wat zorgt voor broadband masking of sub-band erosie.
3. Fake-NR / Spoofing: Injectie van nagemaakte NR-achtige controlestructuren ($a_{fakeNR}(t)$), wat resulteert in gestructureerde spectrale strepen.
4. Payload Manipulatie: Minimale RF-energieverandering ($a_{payload}(t) \approx 0$), waarbij vertrouwd wordt op subtiele metadata of timing-afwijkingen.
5. Grondsegment Compromittering: Geldige waveforms met abnormale timing-offsets ($a_{rogue}(t)$).
6. Ongeautoriseerde Commando-injectie: Geldige modulatie met semantische/gevaarlijke inhoud ($a_{inj}(t)$).

De dataset wordt geconstrueerd door Short-Time Fourier Transforms (STFT) te berekenen om spectrogrammen te genereren, die vervolgens in vaste grootte patches worden gesneden voor classificatie. Corruptiemodi zoals BandErasure, FakeNR en NoiseBurst worden gebruikt om deze dreigingen te simuleren.

C. Geëvalueerde Modellen

Vier klassieke machine learning-modellen, compatibel met TinyML-beperkingen, worden geanalyseerd:

• Logistische Regressie (LR): Lineaire beslissingsgrens, probabilistische output.
• Lineaire Support Vector Machine (SVM): Lineaire grens die de geometrische marge maximaliseert.
• Random Forest (RF): Ensemble van beslissingsbomen die niet-lineaire grenzen modelleren.
• Multi-Layer Perceptron (MLP): Een netwerk met één verborgen laag en een niet-lineaire activatie.

D. Analyseframework

De evaluatie combineert:

1. Theoretische Analyse: Afleiding van computationele complexiteit (MAC-operaties), VC-dimensie, Lipschitz-continuïteit en de geometrie van de beslissingsgrens.
2. Empirische Evaluatie: Meting van inferentielatentie, nauwkeurigheid en klasse-specifieke F1-scores op de gegenereerde spectrogramdataset.

3. Belangrijkste Bijdragen

Het artikel claimt de volgende specifieke bijdragen:

• Fysisch-geïnformeerd RF-systeemmodel: Een verenigd model dat de wiskundige manifestatie van vijf SPARTA-dreigingsmodi in baseband-signalen en spectrogrammen vastlegt.
• Rigoureuze Wiskundige Analyse: Nieuwe theoretische resultaten met betrekking tot de computationele complexiteit, VC-dimensie en Lipschitz-continuïteit van TinyML-modellen, wat een principieel begrip biedt van hun latentie–nauwkeurigheid-afwegingen.
• Uitgebreide Empirische Benchmarking: Een systematische evaluatie van LR, SVM, RF en MLP over het SPARTA-dreigingsspectrum met behulp van adversariële spectrogrammen.
• Identificatie van Structurele Beperkingen: De ontdekking dat klassieke TinyML-modellen een fundamentele zwakte vertonen bij het detecteren van payload-manipulatie vanwege een lage scheidbaarheid in het RF-domein.
• Ontwerprichtlijnen: Concrete aanbevelingen voor de cybersecurity-architecturen van onboard ruimtevaartuigen op basis van de geobserveerde afwegingen.

4. Resultaten

A. Latentie vs. Nauwkeurigheid Afwegingen

• Logistische Regressie (LR): Bereikt microseconde-niveau inferentie met de laagste computationele complexiteit ($O(d)$). Het incasseert slechts een nauwkeurigheidsverlies van 1% ten opzichte van Random Forests, wat het het meest effectieve baseline-model maakt voor real-time onboard autonomie waar latentie cruciaal is.
• Random Forest (RF): Levert de hoogste nauwkeurigheid door niet-lineaire verstoringen te vangen (bijv. rogue grondstation timing-anomalieën). Echter, de inferentiekosten schalen als $O(K \cdot d_t)$, wat vaak de strikte TinyML-latentiebudgetten overschrijdt.
• SVM en MLP: SVM's bieden verbeterde robuustheid tegen gestructureerde interferentie (zoals Fake-NR) via marge-maximalisatie, maar delen lineaire beperkingen. MLPs kunnen complexe patronen modelleren, maar vereisen agressieve kwantisering of pruning om aan de latentiebeperkingen te voldoen.

B. Dreigingsspecifieke Prestaties

• Eenvoudige/Gemiddelde Detectie: Uplink Jamming en Fake-NR Spoofing zijn relatief eenvoudig te detecteren vanwege de hoog-energetische of gestructureerde spectrale artefacten.
• Moeilijke Detectie: Payload Manipulatie, Grondsegment Compromittering en Commando-injectie zijn aanzienlijk moeilijker. Specifiek vertoont Payload Manipulatie de laagste scheidbaarheid omdat het minimale RF-energieverstoring induceert, waarbij het vertrouwt op subtiele statistische afwijkingen die klassieke lineaire en ondiepe modellen moeilijk kunnen onderscheiden.

5. Betekenis en Claims

Het artikel positioneert zichzelf als het eerste werk dat een fysisch-geïnformeerde theoretische en empirische analyse biedt van TinyML-modellen specifiek voor SPARTA RF en cyber dreigingsdetectie.

• Praktische Impact: De studie concludeert dat Logistische Regressie de optimale balans biedt voor de cybersecurity van autonome ruimtevaartuigen, waarbij microseconde-inferentie wordt geboden met een verwaarloosbaar nauwkeurigheidsverlies vergeleken met complexere modellen.
• Theoretisch Inzicht: Het benadrukt dat hoewel complexe modellen (RF, MLP) een hogere theoretische capaciteit hebben, hun computationele overhead ze minder levensvatbaar maakt voor strikte real-time autonomie vergeleken met lineaire modellen voor veel dreigingsklassen.
• Toekomstige Richting: De auteurs identificeren een kritieke kloof in de detectie van payload-manipulatie, en suggereren dat toekomstige vooruitgang in de cybersecurity van ruimtevaartuigen zich moet richten op rijkere feature encoders en multi-timescale leerarchitecturen, in plaats van simpelweg de modelcomplexiteit op te schalen.

De auteurs hanteren een bescheiden toon met betrekking tot de beperkingen van de huidige klassieke modellen, waarbij zij expliciet opmerken dat alle geëvalueerde modellen hardnekkige zwakheden vertonen bij het detecteren van payload-manipulatie, waardoor de resultaten worden geframed als een baseline voor toekomstig onderzoek naar edge intelligence en betrouwbare AI voor ruimtevaartsystemen.