Resumo Técnico: TinyML Aplicado à Cibersegurança para Aeroespaciais Autônomos

1. Definição do Problema

Aeronaves espaciais autônomas operam em ambientes de radiofrequência (RF) contestados, onde adversários podem interromper, falsificar ou manipular os links de Telemetria, Rastreamento e Comando (TT&C). O framework Space Attack Research and Tactic Analysis (SPARTA) categoriza essas ameaças em táticas específicas, incluindo jamming de uplink, spoofing de sinal, manipulação de carga útil, comprometimento do segmento terrestre e injeção de comandos não autorizados.

Embora o aprendizado profundo (deep learning) tenha sido aplicado à classificação de sinais de RF, seu custo computacional torna-o inadequado para processadores embarcados em espaçonaves, que enfrentam restrições rigorosas de latência, memória e potência. Por outro lado, modelos "TinyML" leves devem operar dentro de orçamentos de inferência de microssegundos a milissegundos. Isso cria uma tensão fundamental: modelos com alto poder expressivo (ex: Florestas Aleatórias, MLPs) frequentemente violam os orçamentos de latência, enquanto modelos lineares leves (ex: Regressão Logística) satisfazem as restrições de tempo real, mas podem carecer da robustez necessária para detectar ataques sutis e não lineares.

O artigo aborda a necessidade de avaliar os trade-offs entre latência e acurácia de modelos clássicos compatíveis com TinyML especificamente para detecção de ameaças cibernéticas de RF alinhadas ao SPARTA em um contexto de autonomia embarcada.

2. Metodologia

A. Modelo de Sistema Baseado em Física

Os autores estabelecem um modelo de sinal de banda base unificado para simular as ameaças do SPARTA. O sinal recebido $r(t)$ é modelado como:
$$r(t) = h(t) * s(t) + a(t) + n(t)$$
Onde $s(t)$ é o uplink legítimo, $h(t)$ é a resposta ao impulso do canal, $n(t)$ é o ruído térmico e $a(t)$ representa a perturbação adversária específica do modo de ameaça.

B. Injeção de Ameaças e Geração de Dataset

O estudo gera espectrogramas de RF adversariais baseados em seis classes (uma benigna e cinco ameaças):

1. Benigna: Operação nominal ($a(t)=0$).
2. Uplink Jamming: Modelado como ruído de alta potência ($a_{jam}(t)$), causando mascaramento de banda larga ou apagamento de subbanda.
3. Fake-NR / Spoofing: Injeção de estruturas de controle do tipo NR falsificadas ($a_{fakeNR}(t)$), criando listras espectrais estruturadas.
4. Manipulação de Carga Útil (Payload Manipulation): Alteração mínima de energia de RF ($a_{payload}(t) \approx 0$), baseando-se em desvios sutis de metadados ou temporização.
5. Comprometimento do Segmento Terrestre: Ondas válidas com deslocamentos de tempo anormais ($a_{rogue}(t)$).
6. Injeção de Comando Não Autorizado: Modulação válida com conteúdo semântico/perigoso ($a_{inj}(t)$).

O dataset é construído computando Transformadas de Fourier de Curto Prazo (STFT) para gerar espectrogramas, que são então fatiados em patches de tamanho fixo para classificação. Modos de corrupção como BandErasure, FakeNR e NoiseBurst são usados para simular essas ameaças.

C. Modelos Avaliados

Quatro modelos de aprendizado de máquina clássicos, compatíveis com as restrições de TinyML, são analisados:

• Regressão Logística (LR): Fronteira de decisão linear, saída probabilística.
• Support Vector Machine (SVM) Linear: Fronteira linear maximizando a margem geométrica.
• Floresta Aleatória (RF): Ensemble de árvores de decisão modelando fronteiras não lineares.
• Perceptron Multicamadas (MLP): Rede de uma camada oculta com ativação não linear.

D. Estrutura de Análise

A avaliação combina:

1. Análise Teórica: Derivação de complexidade computacional (operações MAC), dimensão VC, continuidade de Lipschitz e geometria da fronteira de decisão.
2. Avaliação Empírica: Medição de latência de inferência, acurácia e F1-scores por classe no dataset de espectrogramas gerado.

3. Contribuições Principais

O artigo reivindica as seguintes contribuições específicas:

• Modelo de Sistema de RF Baseado em Física: Um modelo unificado que captura a manifestação matemática de cinco modos de ameaça SPARTA em sinais de banda base e espectrogramas.
• Análise Matemática Rigorosa: Novos resultados teóricos relativos à complexidade computacional, dimensão VC e continuidade de Lipschitz de modelos TinyML, fornecendo uma compreensão fundamentada de seus trade-offs entre latência e acurácia.
• Benchmarking Empírico Abrangente: Uma avaliação sistemática de LR, SVM, RF e MLP através do espectro de ameaças SPARTA usando espectrogramas adversariais.
• Identificação de Limitações Estruturais: A descoberta de que modelos clássicos de TinyML exibem uma fraqueza fundamental na detecção de manipulação de carga útil devido à baixa separabilidade no domínio de RF.
• Diretrizes de Design: Recomendações concretas para arquiteturas de cibersegurança de espaçonaves embarcadas baseadas nos trade-offs observados.

4. Resultados

A. Trade-offs entre Latência e Acurácia

• Regressão Logística (LR): Alcança inferência em nível de microssegundos com a menor complexidade computacional ($O(d)$). Ela incorre em apenas uma queda de 1% na acurácia em relação às Florestas Aleatórias, tornando-a a base mais eficaz para autonomia em tempo real onde a latência é crítica.
• Floresta Aleatória (RF): Entrega a maior acurácia ao capturar distorções não lineares (ex: anomalias de temporização de estações terrestres não autorizadas). No entanto, seu custo de inferência escala como $O(K \cdot d_t)$, frequentemente violando os rigorosos orçamentos de latência de TinyML.
• SVM e MLP: Os SVMs oferecem melhor robustez contra interferência estruturada (como Fake-NR) via maximização de margem, mas compartilham limitações lineares. Os MLPs podem modelar padrões complexos, mas exigem quantização ou poda agressiva para atender aos limites de latência.

B. Desempenho Específico por Ameaça

• Detecção Fácil/Moderada: Uplink Jamming e Spoofing de Fake-NR são relativamente fáceis de detectar devido aos artefatos espectrais de alta energia ou estruturados.
• Detecção Difícil: Manipulação de Carga Útil, Comprometimento de Segmento Terrestre e Injeção de Comando são significativamente mais difíceis. Especificamente, a Manipulação de Carga Útil mostra a menor separabilidade porque induz distorções mínimas na energia de RF, dependendo de desvios estatísticos sutis que modelos lineares e rasos têm dificuldade em distinguir.

5. Significância e Alegações

O artigo se posiciona como o primeiro trabalho a fornecer uma análise teórica e empírica baseada em física de modelos TinyML especificamente para detecção de ameaças de RF e cibernéticas do SPARTA.

• Impacto Prático: O estudo conclui que a Regressão Logística oferece o equilíbrio ideal para a cibersegurança de espaçonaves embarcadas, proporcionando inferência de microssegundos com perda de acurácia negligível em comparação com modelos mais complexos.
• Insight Teórico: Destaca que, embora modelos complexos (RF, MLP) ofereçam maior capacidade teórica, seu overhead computacional os torna menos viáveis para autonomia estrita em tempo real em comparação com modelos lineares para muitas classes de ameaças.
• Direção Futura: Os autores identificam uma lacuna crítica na detecção de manipulação de carga útil, sugerindo que os avanços futuros na cibersegurança de espaçonaves devem focar em codificadores de características mais ricos e arquiteturas de aprendizado de múltiplas escalas de tempo, em vez de simplesmente escalar a complexidade do modelo.

Os autores mantêm um tom modesto quanto às limitações dos atuais modelos clássicos, notando explicitamente que todos os modelos avaliados exibem fraquezas persistentes na detecção de manipulação de carga útil, enquadrando assim os resultados como uma base para pesquisas futuras em inteligência de borda e IA confiável para sistemas espaciais.