Resilient Consensus-Based Target Tracking under False Data Injection Attacks in Multi-Agent Networks

Resumo Técnico: Rastreamento de Alvos Baseado em Consenso Resiliente sob Ataques de Injeção de Dados Falsos

Definição do Problema
O rastreamento de alvos distribuído em redes multiagente é essencial para aplicações como vigilância autônoma e robótica cooperativa. No entanto, esses sistemas enfrentam desafios significativos para manter a precisão da estimativa e a resiliência da rede quando submetidos a medições defeituosas, perturbações ambientais e ameaças cibero-físicas. Especificamente, os Ataques de Injeção de Dados Falsos (FDIA), nos quais adversários comprometem agentes ou canais de comunicação para fornecer dados errôneos, podem causar erros severos nas estimativas de posição e velocidade. Embora as estruturas descentralizadas existentes, como os Filtros de Kalman Distribuídos (DKF), ofereçam escalabilidade, elas frequentemente carecem de robustez contra tais entradas adversárias e sofrem com altos custos de comunicação devido às trocas de covariância. Além disso, muitas soluções adaptativas ou baseadas em aprendizado introduzem encargos computacionais excessivos, limitando sua praticidade em redes com recursos restritos.

Metodologia
O artigo propõe um algoritmo de rastreamento de alvos descentralizado e resiliente que integra uma estrutura de estimativa baseada em consenso com um mecanismo de detecção de falhas dinâmico. A abordagem é construída sobre três componentes principais:

1. Modelagem do Sistema: O movimento do alvo é modelado usando um modelo cinemático de Velocidade Quase Constante (NCV) com ruído de processo para considerar incertezas de aceleração. Os agentes utilizam multilateração por Tempo de Chegada (TOA) para gerar matrizes de observação locais, permitindo que estimem as distâncias até o alvo com base nos tempos de chegada do sinal. A topologia da rede é representada como um grafo aleatório de Erdős–Rényi.
2. Estimativa Baseada em Consenso com Filtragem por Saturação: Baseando-se no trabalho anterior dos autores, o algoritmo emprega um processo de duas etapas: uma atualização de observação local seguida por um passo de consenso iterativo.
   • Atualização de Observação: Os agentes aplicam um filtro baseado em saturação às suas medições locais. Um ganho de saturação ($g_i(k)$) limita a influência de grandes inovações (diferenças entre valores medidos e previstos), suprimindo efetivamente variações impulsivas de medição causadas por ruído ou ataques.
   • Passo de Consenso: Os agentes trocam iterativamente estimativas de estado com vizinhos imediatos para alcançar um acordo global. Este passo é repetido $L$ vezes por passo de tempo para melhorar a convergência e a precisidade sem exigir informações globais de covariância.
3. Detecção e Isolamento Dinâmico de FDIA: A principal contribuição deste estudo é a adição de uma camada de detecção e isolamento.
   • Monitoramento de Inovação: Em cada passo de tempo, os agentes computam um valor de inovação ($\gamma_i(k)$) representando o desvio entre a medição atual e o estado previsto.
   • Limiar Dinâmico: Um limiar de detecção dinâmico ($\varphi_i(k)$) é calculado com base na norma da matriz de transição de estado, no limite de erro de estimativa anterior, no descompasso de consenso global e em limites de ruído predefinidos.
   • Lógica de Isolamento: Se a magnitude da inovação exceder o limiar, o agente é marcado como comprometido. Em vez de atualizar seu estado com a medição suspeita, o agente depende exclusivamente da previsão do modelo dinâmico ($x(k) = Ax(k-1)$), isolando efetivamente os dados defeituosos do processo de consenso.

Principais Contribuições

• Integração de Detecção e Consenso: O artigo estende um rastreador de consenso de base ao incorporar um mecanismo de detecção de FDIA em tempo real que opera sem exigir supervisão centralizada ou modelos de aprendizado complexos.
• Limiar Dinâmico: Diferente dos limiares estáticos, o limiar de detecção proposto adapta-se ao estado atual da rede (descompasso de consenso) e às características do ruído, permitindo uma identificação mais precisa de anomalias.
• Estratégia de Isolamento de Falhas: O método evita que dados comprometidos corrompam a estimativa global ao alternar para uma previsão baseada em modelo para agentes com falhas detectadas, em vez de tentar corrigir os dados.
• Avaliação Abrangente: O estudo fornece uma avaliação rigorosa através de seis estudos de caso distintos, cobrindo condições benignas (variando conectividade, iterações de consenso e parâmetros de filtro) e três cenários adversários (ataques localizados, coordenados generalizados e transitórios).

Resultados
Resultados de simulação em ambiente MATLAB demonstram o seguinte:

• Desempenho de Linha de Base: Sob condições benignas, uma maior conectividade de rede ($p=0.7$ vs. $p=0.3$) e o aumento das iterações de consenso ($L=100$ vs. $L=10$) melhoraram significativamente a precisão da estimativa e a velocidade de convergência, embora com maiores custos de comunicação. Um filtro de saturação conservador ($\xi=2$) ofereceu melhor robustez contra ruído, mas reduziu a sensibilidade a mudanças legítimas de estado.
• Resiliência Adversária:
  • Ataques Localizados: O algoritmo identificou e isolou com sucesso dois agentes comprometidos, impedindo a propagação de dados falsos e mantendo um baixo Erro Quadrático Médio de Estimativa (MSEE).
  • Ataques Coordenados Generalizados: Em cenários onde 50% dos agentes foram comprometidos com magnitudes de ataque variadas, o algoritmo proposto (Algoritmo 2) reduziu o MSEE médio em aproximadamente 65% em comparação com o algoritmo de linha de base (Algoritmo 1) sem detecção. Embora ataques de baixa magnitude próximos ao limiar tenham sido ocasionalmente perdidos, o sistema manteve uma precisão significativamente superior à da linha de base.
  • Ataques Transitórios: O mecanismo de detecção identificou rapidamente ataques de curta duração, permitindo que o sistema se recuperasse com atraso mínimo.
• Compromissos (Trade-offs): O estudo confirma que, embora o mecanismo de detecção adicione uma camada de segurança, ele opera com custos computacionais e de comunicação modestos, tornando-o adequado para redes descentralizadas.

Significância e Alegações
Os autores afirmam que este estudo fornece uma solução simplificada e tolerante a falhas que aumenta significamente a precisão e a resiliência do rastreamento de alvos distribuído sem impor encargos de comunicação ou computação excessivos. O artigo afirma que o algoritmo proposto equilibra efetivamente o compromisso entre a supressão de falhas e a estimativa precisa. Ao identificar e isolar com sucesso agentes comprometidos sob cenários de ataques localizados, coordenados e transitórios, o método garante que a estimativa global distribuída permaneça não corrompida. O trabalho posiciona-se como uma alternativa prática às abordagens complexas de aprendizado ou centralizadas, oferecendo uma estrutura escalável para sistemas multiagente seguros em ambientes dinâmicos e adversários. Os autores reconhecem limitações, incluindo a suposição de que a maioria dos agentes é benigna, a dependência do modelo NCV para dinâmicas não lineares e o potencial para detecções perdidas quando as magnitudes de ataque estão muito próximas do limiar dinâmico.