Resilience Through Escalation: A Graph-Based PACE Architecture for Satellite Threat Response

Título: Resiliência Através da Escalada: Uma Arquitetura Baseada em Grafos PACE para Resposta a Ameaças em Satélites

1. O Problema

Os sistemas de satélite modernos operam em um ambiente de ameaças cada vez mais volátil, enfrentando riscos que vão desde fenômenos naturais até interferências deliberadas, como ataques cibernéticos, jamming (bloqueio de sinal), spoofing (falsificação) e pulsos eletromagnéticos (EMP).

• Limitações Atuais: Estratégias tradicionais de redundância (como esquemas N+1 ou Redundância Modular Tripla - TMR) são estáticas e otimizadas para falhas aleatórias e independentes. Elas falham em ambientes contestados onde as ameaças são adaptativas, coordenadas ou causam falhas de modo comum (onde unidades redundantes compartilham o mesmo destino).
• Gap de Decisão: Modelos de ameaça existentes (como CVSS, DREAD e matrizes de risco da NASA) são valiosos para avaliação, mas não estão integrados aos sistemas de tomada de decisão a bordo, limitando a capacidade de adaptação rápida em tempo real.

2. Metodologia Proposta

Os autores propõem um framework de "resiliência por design" que adapta a metodologia PACE (Primária, Alternativa, Contingência, Emergência), originalmente usada em operações militares, para sistemas espaciais.

• Modelo Baseado em Grafos: O sistema é formalizado como um grafo direcionado multi-camada $G = (S, T)$, onde:
  • Estados ($S$): Representam quatro camadas de resiliência:
    1. Primária (P): Operação nominal.
    2. Alternativa (A): Funcional, mas degradada.
    3. Contingência (C): Sobrevivência sob estresse.
    4. Emergência (E): Operação mínima ou sinalização de socorro.
  • Transições ($T$): Movimentação entre estados baseada em probabilidade e custo (energia, tempo de reconfiguração, perda de utilidade).
• Integração de Ameaças: O modelo utiliza pontuações de risco (CVSS, DREAD, Matrizes da NASA) para calcular probabilidades de transição e custos dinâmicos.
• Índice de Avaliação (DREI): Foi definido o Índice de Eficiência de Redundância Dinâmica (Dynamic Redundancy Efficiency Index - DREI) para quantificar o compromisso entre a utilidade da missão e o custo das transições de fallback ao longo do tempo.

3. Contribuições Principais

O trabalho apresenta cinco contribuições-chave:

1. Adaptação do PACE: Aplicação do framework PACE (comum em comunicações militares) para operações de satélites em órbitas contestadas.
2. Modelo de Decisão Orientado a Ameaças: Um modelo que seleciona camadas de fallback ótimas com base na utilidade da missão e no custo operacional.
3. Formalização de Transições Dinâmicas: Uso de um mecanismo baseado em recompensas e política $\epsilon$-greedy para permitir estratégias de escalada e recuperação rastreáveis.
4. Modelo de Sistema Integrado: Combinação de probabilidade de ameaça, custo operacional e utilidade, avaliado via simulações de Monte Carlo em cenários de jamming.
5. Definição do DREI: Uma métrica nova para medir a eficiência da redundância dinâmica.

4. Implementação e Simulação

Os autores implementaram e compararam três variantes do modelo PACE em um ambiente de simulação de jamming de sinal:

1. PACE Estático (Baseline): Usa pesos de transição fixos pré-calculados (análogo a redundância tradicional). Não reage ao ambiente.
2. PACE Adaptativo: Ajusta as transições em tempo real com base na intensidade do jamming ($J_t$) e na concorrência de recuperação.
3. PACE $\epsilon$-greedy (Otimizado por Recompensa): Inspirado em Processos de Decisão de Markov (MDP). Seleciona transições maximizando a recompensa (utilidade do estado alvo menos o custo), com uma probabilidade $\epsilon$ de exploração aleatória para evitar ótimos locais.

Configuração: 5.000 simulações de Monte Carlo, cada uma com 12 passos de tempo, incluindo um evento de crise no passo 2.

5. Resultados

Os resultados demonstraram uma superioridade clara do modelo $\epsilon$-greedy sobre os outros:

• Desempenho (Utilidade Final):
  • Estático: 0,73
  • Adaptativo: 1,04
  • $\epsilon$-greedy: 2,08 (O melhor desempenho).
• Custo Acumulado: O modelo $\epsilon$-greedy teve o menor custo (23,35), comparado ao adaptativo (28,48) e ao estático (34,45).
• DREI (Eficiência): O modelo $\epsilon$-greedy alcançou um DREI de 0,09, superando significativamente o adaptativo (0,04) e o estático (0,02).
• Distribuição de Estados Finais:
  • O modelo estático resultou em 24,2% de falhas.
  • O modelo $\epsilon$-greedy reduziu as falhas para 9,3% e manteve 82,0% dos satélites em estado nominal.
• Robustez: O modelo $\epsilon$-greedy mostrou uma distribuição de custos mais compacta e consistente, indicando baixa variabilidade entre as execuções, enquanto o modelo estático apresentou alta variância.

6. Significado e Conclusão

O estudo conclui que a redundância estática é insuficiente para ambientes espaciais modernos e contestados.

• Resiliência Ativa: A resiliência não pode ser garantida apenas por hardware redundante; requer mecanismos de decisão em tempo real que se adaptem às ameaças dinâmicas.
• Eficiência Computacional: Mecanismos de decisão leves, como políticas $\epsilon$-greedy baseadas em recompensas, podem fornecer ganhos substanciais de resiliência sem a necessidade de algoritmos de aprendizado por reforço complexos e computacionalmente caros.
• Degradação Graceful: Projetar para degradação suave através de múltiplas camadas operacionais melhora a continuidade da missão e reduz o risco de falhas catastróficas.

O trabalho sugere que futuras investigações devem expandir a validação para cenários de intrusão cibernética e EMP, além de horizontes de simulação mais longos e sequências de múltiplas crises.