LLM-Enabled In-Context Learning for Data Collection Scheduling in UAV-assisted Sensor Networks

Resumo Técnico: Aprendizado em Contexto Habilitado por LLM para Agendamento de Coleta de Dados em Redes de Sensores Assistidas por UAV

Título Original: LLM-Enabled In-Context Learning for Data Collection Scheduling in UAV-Assisted Sensor Networks
Publicação: IEEE Internet of Things Journal (Aceito)
Autores: Yousef Emami, Hao Zhou, SeyedSina Nabavirazani, e Luis Almeida.

1. Problema e Motivação

As Redes de Sensores Assistidas por Veículos Aéreos Não Tripulados (UASNETs) são cruciais para missões críticas, como Busca e Resgate (SAR), monitoramento de desastres e vigilância. No entanto, os métodos atuais de otimização, baseados principalmente em Aprendizado por Reforço Profundo (DRL), enfrentam desafios significativos em cenários de emergência:

• Ineficiência de Amostragem: O DRL requer treinamento extensivo e longo, o que é incompatível com a urgência de missões SAR.
• Gap Simulação-Realidade: Dificuldades em transferir políticas aprendidas em simulação para o mundo real.
• Complexidade de Treinamento: A necessidade de ajuste fino (fine-tuning) e recursos computacionais pesados (GPUs).
• Vulnerabilidades de Segurança: A integração de Inteligência Artificial Generativa (LLMs) em sistemas autônomos introduz riscos de segurança, especificamente ataques de jailbreaking (bypass de filtros de segurança), que podem manipular o comportamento do sistema.

O objetivo deste trabalho é superar essas limitações propondo uma abordagem que não requer treinamento prévio complexo, seja adaptável em tempo real e seja robusta contra manipulações maliciosas.

2. Metodologia Proposta: ICLDC

O artigo propõe o sistema ICLDC (In-Context Learning-Data Collection Scheduling), que utiliza Modelos de Linguagem de Grande Escala (LLMs) executados na borda (Edge) para agendar a coleta de dados.

Arquitetura do Sistema:

1. Coleta de Dados e Prompting: O UAV coleta dados sensoriais (nível de bateria, comprimento da fila de dados, condições do canal) e os transmite para um LLM hospedado na borda.
2. Aprendizado em Contexto (ICL): Em vez de treinar um modelo, o LLM recebe uma descrição da tarefa em linguagem natural que inclui:
   • O objetivo da tarefa.
   • Exemplos demonstrativos (few-shot learning) de decisões anteriores e seus resultados.
   • O estado atual do ambiente.
   • O LLM gera um agendamento de coleta de dados otimizado baseado nesses contextos.
3. Módulo de Verificação de Segurança (Safety Verifier):
   • Para mitigar riscos de segurança, um verificador determinístico avalia o agendamento gerado pelo LLM.
   • Utiliza regras pré-definidas (ex: evitar sensores com bateria crítica ou canais ruins).
   • Se o agendamento do LLM receber uma pontuação de segurança baixa, o verificador anula a decisão e seleciona a ação mais segura automaticamente.
4. Detecção de Ataques e Adaptação:
   • O sistema monitora a perplexidade das entradas (prompts). Uma alta perplexidade pode indicar um ataque de jailbreaking (tentativa de manipulação do contexto).
   • Em caso de suspeita de ataque, o sistema aumenta o parâmetro de exploração ($\epsilon$) em uma política $\epsilon$-greedy, forçando a execução de ações aleatórias e seguras em vez de confiar na saída potencialmente comprometida do LLM.
5. Loop de Feedback: O desempenho do sistema (ex: perda de pacotes) é registrado e adicionado ao contexto para as próximas decisões, permitindo que o LLM aprenda e se adapte continuamente sem re-treinamento.

3. Principais Contribuições

• ICLDC como Alternativa ao DRL: Introdução de um esquema baseado em ICL que elimina a necessidade de treinamento complexo e fine-tuning, permitindo agendamento dinâmico baseado em descrições de linguagem natural.
• Análise de Vulnerabilidade a Jailbreaking: O estudo expõe e modela ataques de jailbreaking (especificamente ataques de conclusão de modelo e manipulação de contexto) onde um adversário injeta exemplos maliciosos para forçar o LLM a priorizar sensores com canais ruins, degradando o desempenho da rede.
• Mecanismo de Defesa Híbrido: Proposição de uma arquitetura que combina a adaptabilidade do LLM com um verificador de segurança baseado em regras e detecção de anomalias via perplexidade, garantindo operações seguras mesmo sob ataque.
• Eficiência Computacional: Demonstração de que o sistema pode operar em hardware de borda (CPU) com latência baixa, ao contrário das soluções DRL que exigem GPUs e longos tempos de treinamento.

4. Resultados e Avaliação

Os experimentos foram realizados em um ambiente simulado com 10 sensores terrestres e um UAV, comparando o ICLDC com baselines como DQN (Deep Q-Network), Maximum Channel Gain e MQNS.

• Desempenho de Perda de Pacotes: O ICLDC reduziu a perda cumulativa de pacotes em aproximadamente 56% em comparação com a abordagem de "Maior Ganho de Canal" e superou o DQN em termos de convergência inicial.
• Eficiência de Treinamento e Recurso:
  • ICLDC: Requer apenas 1 episódio de 30 passos para atingir desempenho estável (~20 segundos de tempo de execução).
  • DQN: Requer 1.000 episódios (~50 minutos).
  • O ICLDC é 1.000x mais eficiente em amostras e 10.000x mais rápido no tempo de treinamento/ajuste.
  • O ICLDC roda eficientemente em CPU, enquanto o DQN exige GPU.
• Resiliência a Ataques:
  • Sob ataque de jailbreaking, a taxa de perda de pacotes aumentou de 25% para 77% (degradação de 208%) se não houver defesa.
  • Com o mecanismo de verificação e detecção de ataque proposto, o sistema consegue mitigar o impacto, embora com alguma degradação, mantendo a operação segura.
• Latência: A latência de inferência do LLM (GPT-4o-mini) foi medida ao longo de uma trajetória circular, mostrando que os atrasos de processamento são insignificantes em relação à janela de comunicação do UAV (perda de conexão por atraso de inferência é improvável).

5. Significância e Conclusão

Este trabalho representa um avanço significativo na aplicação de LLMs em redes de sensores autônomas para cenários de emergência.

• Praticidade: A abordagem ICLDC resolve o problema da "falta de tempo" em missões SAR, onde não há tempo para treinar modelos de DRL.
• Segurança: É um dos primeiros trabalhos a abordar proativamente a vulnerabilidade de LLMs a ataques de jailbreaking em sistemas críticos de rede, propondo uma defesa em camadas.
• Futuro: O estudo sugere que o uso de LLMs na borda, combinado com verificação de segurança e aprendizado contínuo via feedback, é uma direção promissora para a gestão inteligente de redes UASNETs. Trabalhos futuros devem focar em validação em plataformas reais, modelagem de terreno físico e expansão para aprendizado em contexto multimodal (MM-ICL).

Em resumo, o ICLDC oferece uma solução rápida, adaptável e segura para o agendamento de dados em UAVs, superando as limitações tradicionais de aprendizado por reforço e introduzindo mecanismos robustos contra ameaças cibernéticas emergentes.