TinyML-Driven Cybersecurity for Autonomous Spacecraft: Latency-Accuracy Analysis for SPARTA RF and Cyber Threat Detection

📄 arXiv: 2606.05779v1 📥 PDF

作者: Van Le, Trevor Tran, Tan Le

分类: cs.CR, cs.AI, stat.ML

发布日期: 2026-06-04

备注: Twenty Fifth International Conference on Security & Management (SAM'26)

💡 一句话要点

提出TinyML驱动的网络安全方案以解决自主航天器的网络威胁检测问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: TinyML 网络安全 自主航天器 机器学习 延迟-准确性权衡 对抗性学习 实时推理

📋 核心要点

  1. 自主航天器面临快速、可靠的网络威胁检测需求，现有方法在延迟和准确性之间存在权衡挑战。
  2. 本文提出了基于TinyML的经典模型，分析其在多种网络威胁检测中的性能，特别关注延迟与准确性的平衡。
  3. 实验结果显示，逻辑回归模型在微秒级推理下，仅有1%的准确率下降，成为有效的TinyML基线，推动航天器网络安全研究。

📝 摘要（中文）

自主航天器需要快速、轻量且可靠的网络射频（RF）威胁检测。本文利用SPARTA攻击模型，分析了TinyML兼容的经典模型（随机森林、逻辑回归、支持向量机和多层感知机）在检测上行干扰、假NR欺骗、有效载荷操控、地面段妥协和未授权命令注入等方面的延迟-准确性权衡。我们对每个模型的计算复杂度、VC维度、Lipschitz连续性和延迟缩放进行了物理启发的理论分析，并通过BandErasure、FakeNR和NoiseBurst等干扰模式生成的对抗性RF声谱图进行了实证测量。结果表明，逻辑回归在仅有1%的准确率下降的情况下实现了微秒级推理，成为有效的TinyML基线，为自主航天器提供支持。该研究还识别了通过更丰富的特征编码和多时间尺度学习架构来推进航天器网络安全的机会，基于边缘智能和可信AI的最新进展。

🔬 方法详解

问题定义：本文旨在解决自主航天器在面对网络射频威胁时的快速检测问题。现有方法在处理复杂的网络攻击时，往往面临延迟和准确性之间的权衡，难以满足实时性要求。

核心思路：论文提出利用TinyML技术，结合经典机器学习模型，进行网络威胁的检测。通过分析不同模型的延迟和准确性，寻找最佳的平衡点，以适应航天器的实时需求。

技术框架：整体架构包括数据采集、特征提取、模型训练和推理四个主要模块。首先，通过对抗性RF声谱图生成数据集，提取特征后，使用不同的机器学习模型进行训练，最后在航天器上进行实时推理。

关键创新：最重要的创新在于通过物理启发的理论分析，系统评估了不同模型的计算复杂度和性能，特别是逻辑回归模型在延迟和准确性上的优越性。与现有方法相比，提供了更高效的解决方案。

关键设计：在模型设计中，逻辑回归的参数设置经过优化，以实现微秒级推理。同时，采用了适当的损失函数和特征编码策略，以提高模型的鲁棒性和准确性。实验中还考虑了不同的干扰模式对模型性能的影响。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果表明，逻辑回归模型在微秒级推理下，仅有1%的准确率下降，相较于随机森林模型，提供了更高效的检测能力。这一发现为TinyML在航天器网络安全中的应用奠定了基础，展示了其在延迟和准确性方面的优越性。

🎯 应用场景

该研究的潜在应用领域包括自主航天器的网络安全防护、实时数据处理和智能决策系统。通过实现高效的网络威胁检测，能够显著提升航天器的自主性和安全性，未来可能在其他领域如无人机、智能交通等也具有广泛应用价值。

📄 摘要（原文）

Autonomous spacecraft require rapid, lightweight, and reliable onboard detection of cyber-RF threats. Using the SPARTA attack model, we analyze the latency-accuracy trade-offs of TinyML-compatible classical models -- Random Forest, Logistic Regression, SVM, and MLP -- for detecting uplink jamming, Fake-NR spoofing, payload manipulation, ground-segment compromise, and unauthorized command injection. We present a physics-informed theoretical analysis of each model's computational complexity, VC dimension, Lipschitz continuity, and latency scaling, supported by empirical measurements on adversarial RF spectrograms generated via BandErasure, FakeNR, and NoiseBurst corruption modes. Results show that Logistic Regression achieves microsecond-level inference with only a 1\% accuracy drop relative to Random Forest, making it an effective TinyML baseline for onboard autonomy. The study also identifies opportunities for advancing spacecraft cybersecurity through richer feature encoders and multi-timescale learning architectures, building on recent progress in edge intelligence and trustworthy AI.