في عالم المركبات الفضائية الذاتية، تزداد الحاجة إلى أنظمة أمان فعّالة تستطيع كشف التهديدات السيبرانية على الفور. كشفت دراسة جديدة أجراها باحثون عن كيفية استفادة نظم الذكاء الاصطناعي صغيرة الحجم (TinyML) من نماذج كلاسيكية للكشف عن تهديدات قرصنة الإشارات اللاسلكية.

استخدم الباحثون نموذج SPARTA لتحليل التوازن بين التأخير والدقة في نماذج TinyML، بما في ذلك الغابات العشوائية (Random Forest) والانحدار اللوجستي (Logistic Regression) وآلية الدعم الآلي (SVM) والشبكات العصبية متعددة الطبقات (MLP). وقد تنوعت التهديدات التي تم استهدافها، بدءً من تشويش الإشارة الصاعدة (uplink jamming) إلى الانتحال (Fake-NR spoofing) وتلاعب الحمولة (payload manipulation) وهجمات اختراق قسم التحكم الأرضي (ground-segment compromise) وإدخال الأوامر غير المصرح بها (unauthorized command injection).

عبر تحليل دقيق ومعتمد على الفيزياء لكل من هذه النماذج، تم تقييم تعقيدها الحاسوبي وتخفيض درجة الثقة (VC dimension) واستمرارية ليبشيتز (Lipschitz continuity) وتأثير التأخير، مع دعم النتائج من خلال قياسات تجريبية على طيف RF المعادي الناتج عن أنماط تلوث مثل BandErasure وFakeNR وNoiseBurst.

أظهرت النتائج أن نموذج الانحدار اللوجستي قادر على تحقيق استجابة في نطاق الميكروثانية مع انخفاض دقة يصل فقط إلى 1% مقارنة بالغابات العشوائية، مما يجعله معيارًا فعّالًا للاستخدام في أنظمة TinyML لتلك المركبات الفضائية.

تشير الدراسة أيضًا إلى فرص أخرى لتعزيز أمان المركبات الفضائية من خلال تصميم مشفرات ميزات أكثر ثراءً وهياكل التعليم على مقاييس متعددة زمانية، بناءً على التقدم الأخير في الذكاء الموزع (edge intelligence) والذكاء الاصطناعي الموثوق (trustworthy AI).