Adversarial Observability and Performance Trade-offs in Optimal Control

1. Problema Investigado

O artigo aborda o desafio de projetar controladores de feedback para sistemas lineares que operam na presença de adversários. O cenário assume um sistema com um operador que possui acesso ao estado completo (feedback de estado total) e um adversário que possui apenas observações parciais do estado (através de sensores externos ou comprometidos).

O objetivo central é desenvolver um controlador linear que equilibre dois objetivos conflitantes:

1. Estabilidade e Desempenho: Estabilizar o sistema na origem com desempenho ótimo (ou próximo do ótimo), minimizando uma função de custo quadrática (LQR).
2. Redução de Observabilidade Adversária: Minimizar a capacidade do adversário de reconstruir o estado do sistema a partir de suas medições parciais.

O problema é formulado como uma otimização com restrições: minimizar uma métrica de observabilidade do adversário, sujeita a uma restrição rígida de que a degradação do desempenho do sistema em relação ao ótimo não deve exceder um parâmetro de troca ($\lambda$).

2. Metodologia

Modelagem e Métricas

Os autores utilizam a Matriz de Gramiana de Observabilidade ($W$) do par fechado $(A+BK, C)$ para quantificar a observabilidade. Eles propõem duas métricas distintas baseadas no traço (trace) da Gramiana e de sua inversa:

• $J_{o1}(K) = \text{tr}(WV)$: Quantifica a observabilidade média em todas as direções do espaço de estados. Minimizar esta métrica reduz a energia média que o sistema "vaza" através dos sensores adversários.
• $J_{o2}(K) = -\text{tr}(W^{-1}V^{-1})$: Foca nas direções menos observáveis. Maximizar o traço da inversa (ou minimizar o negativo) torna o sistema próximo de ser inobservável, forçando a Gramiana a se tornar singular. Isso é crucial para suprimir modos fracamente observáveis.

Para lidar com a singularidade de $W$ quando o sistema se torna inobservável, o problema que envolve a inversa é regularizado adicionando uma pequena matriz identidade ($\epsilon I$) à equação de Lyapunov.

Abordagem de Otimização

O artigo distingue dois problemas de otimização:

1. Problema 1 (Traço da Gramiana): A minimização de $\text{tr}(WV)$ sujeita a restrições de desempenho pode ser reformulada exatamente como um Programa Semidefinido (SDP). Isso permite uma solução global e eficiente usando solvers padrão.
2. Problema 2 (Traço da Inversa da Gramiana): A otimização envolvendo $W^{-1}$ é não-convexa devido à natureza da função inversa. Os autores propõem uma solução aproximada utilizando o Procedimento Convex-Concavo (CCP) e Programação Semidefinida Sequencial (Sequential SDP). Eles transformam a restrição não-linear em uma diferença de funções convexas (DC) e linearizam as partes côncavas iterativamente.

Limites Teóricos

Os autores derivam limites inferiores teóricos para os valores ótimos dessas métricas em função do parâmetro de trade-off $\lambda$. Esses limites caracterizam as fronteiras fundamentais entre a redução da observabilidade adversária e a perda de desempenho.

3. Contribuições Principais

• Formulação Contínua de Observabilidade: Diferente de trabalhos anteriores que tratam a observabilidade como uma propriedade binária (observável/inobservável) ou focam em topologia de rede, este trabalho trata a observabilidade como uma métrica contínua e otimizada via síntese de controlador.
• Limites Fundamentais: Estabelecimento de limites inferiores rigorosos que mostram como pequenas perdas de desempenho podem levar a reduções significativas na observabilidade média, enquanto grandes perdas de desempenho são necessárias para tornar o sistema drasticamente inobservável (singularidade da Gramiana).
• Algoritmos Eficientes:
  • Uma reformulação exata do problema de minimização do traço da Gramiana como um SDP.
  • Um algoritmo sequencial (Sequential SDP) para a otimização do traço da inversa, garantindo convergência para um ponto estacionário.
• Análise de Robustez: Demonstração de que os controladores projetados são robustos se o operador conhecer apenas um superconjunto das configurações de sensores do adversário, garantindo um limite superior certificado na observabilidade do adversário.

4. Resultados e Simulações

Os métodos foram validados através de simulações numéricas:

• Exemplo Intuitivo (Sistema 2D):

  • Mostrou que, à medida que o parâmetro de trade-off $\lambda$ aumenta, o controlador ajusta os ganhos para desacoplar estados, tornando o sistema menos observável.
  • Para o Problema 1 (traço), pequenas perdas de desempenho resultaram em grandes ganhos na redução da observabilidade média.
  • Para o Problema 2 (inversa), foram necessárias maiores perdas de desempenho para forçar a singularidade da Gramiana, mas o ganho na "inobservabilidade" foi mais acentuado.

• Avião ADMIRE (Sistema 5 estados, 7 entradas):

  • Algoritmo 1 (Minimização do Traço): Reduziu significativamente os autovalores maiores da Gramiana, melhorando a observabilidade média, mas mantendo o sistema observável. O erro de estimação do adversário aumentou uniformemente em todos os estados.
  • Algoritmo 2 (Maximização do Traço da Inversa): Empurrou o menor autovalor da Gramiana para próximo de zero, tornando o sistema quase inobservável em uma direção específica. Isso resultou em erros de estimação catastróficos para o adversário em estados específicos (ex: 4º estado), com uma degradação de desempenho aceitável.
  • Comparação: Os resultados confirmaram que a escolha da métrica (traço vs. traço da inversa) permite ao operador escolher entre degradar a observabilidade de forma uniforme ou atacar especificamente os modos mais fracos.

5. Significado e Impacto

Este trabalho é significativo porque oferece uma estrutura teórica e prática para Defesa de Alvo Móvel (Moving Target Defense) sem a necessidade de troca de modos de controle (que pode causar transientes indesejados).

• Segurança Cibernética: Permite que sistemas autônomos (como aeronaves ou satélites) "escondam" seu estado de adversários que usam sensores passivos (radar, óptico), dificultando a previsão de trajetórias e intenções.
• Compromisso Quantificável: Fornece aos engenheiros ferramentas para quantificar exatamente quanto desempenho eles precisam sacrificar para atingir um nível desejado de privacidade/segurança contra observação.
• Aplicabilidade Prática: A reformulação em SDP e o uso de Sequential SDP tornam a solução computacionalmente viável para sistemas de tamanho moderado, como aeronaves reais.

Em resumo, o artigo demonstra que é possível projetar controladores que "enganam" adversários observadores, degradando sistematicamente sua capacidade de reconstrução de estado, enquanto mantêm o sistema operando dentro de limites de desempenho estritos.