Uma nova abordagem adaptativa de aprendizado federado para detecção de anomalias em VANTs preservando a privacidade sob distribuições não IID

Por que céus mais seguros importam

Pequenas aeronaves não tripuladas estão se tornando parte do cotidiano — desde entrega de encomendas e monitoramento de culturas até resposta a desastres e vigilância de fronteiras. Mas à medida que mais drones ocupam o espaço aéreo, seus enlaces sem fio viram alvos tentadores para hackers. Um único drone comprometido pode expor imagens sensíveis, atrapalhar operações de emergência ou ajudar invasores a acessar infraestruturas críticas. Este estudo investiga como identificar essas intrusões digitais em redes de drones mantendo os dados brutos de voo privados.

O problema de vigiar a partir de um único ponto

Hoje, a maioria dos sistemas que busca comportamentos anômalos ou perigosos no tráfego de rede funciona de forma centralizada: todos os dados são enviados para um único servidor, que treina um modelo de aprendizado de máquina para distinguir padrões normais de suspeitos. Para drones, isso é inadequado. Suas rotas, missões e condições sem fio variam muito, de modo que cada drone gera padrões de dados próprios. Concentrar toda essa informação sensível em um só lugar aumenta riscos de privacidade e pode reduzir a precisão do modelo, especialmente quando os dados de cada drone são bastante distintos. O resultado pode ser desempenho instável e excesso de alarmes falsos ou ataques não detectados.

Permitir que drones aprendam juntos, mas de forma privada

Os autores propõem o BANCO-FL, uma nova estrutura que permite a muitos drones aprenderem um modelo de segurança compartilhado sem jamais enviar seus dados brutos a um servidor central. Cada drone, ou uma estação terrestre agindo em seu nome, treina localmente uma pequena rede neural leve sobre seus próprios registros de tráfego, que incluem milhões de exemplos tanto de conexões normais quanto de ataques como ataques de negação de serviço, tentativa de adivinhação de senhas, replay e mensagens de controle falsas. Em vez de compartilhar os pacotes subjacentes, cada participante envia apenas parâmetros atualizados do modelo a um servidor coordenador. O servidor combina essas atualizações e devolve um modelo global aprimorado. Essa abordagem, conhecida como aprendizado federado, foi projetada para preservar a privacidade e escalar para frotas grandes.

Equilibrando dados desiguais entre muitos veículos

Uma dificuldade chave é que alguns drones podem observar principalmente tráfego rotineiro enquanto outros enfrentam tipos específicos de ataque, criando dados altamente desbalanceados entre os participantes. O BANCO-FL aborda isso equilibrando cuidadosamente quantos exemplos normais cada cliente recebe e simulando explicitamente cenários desafiadores: um com três clientes que veem misturas muito diferentes de ataques, e outro com nove clientes em que cada um se especializa em um tipo de ataque. A estrutura também adota uma rede neural simples de duas camadas que funciona bem com estatísticas tabulares de rede e é leve o suficiente para rodar em dispositivos com recursos limitados na borda.

Maneiras mais inteligentes de concordar com um modelo global

Nem todos os modos de mesclar os modelos locais são equivalentes. O estudo compara várias estratégias para combinar as atualizações dos clientes, incluindo média padrão, correção baseada em proximidade, otimização adaptativa (FedAdam), agregação baseada na mediana e agrupamento de clientes semelhantes (ClusterAvg). Em cenários com três e nove clientes, os métodos adaptativos e baseados em clustering consistentemente atingem desempenho superior mais rápido e com comportamento mais estável entre os clientes. O BANCO-FL alcança aproximadamente 99,98% de acurácia, precisão, recall e F1-score, e reduz as classificações incorretas em mais de um terço comparado a esquemas centralizados e federados anteriores. Importante, esses ganhos se mantêm mesmo quando os clientes veem padrões de ataque muito distintos, mostrando que o sistema continua justo e confiável em toda a frota.

O que isso significa para a segurança do dia a dia

Em termos simples, o BANCO-FL demonstra que frotas de drones podem aprender a reconhecer ciberataques de forma extremamente eficaz sem concentrar seus registros de comunicação brutos em um único ponto. Ao usar um modelo leve, compartilhamento de dados cuidadosamente balanceado e formas mais inteligentes de combinar o aprendizado de cada drone, a estrutura oferece detecção quase perfeita de tráfego nocivo preservando a privacidade e reduzindo a sobrecarga de rede. À medida que drones se tornam mais comuns em usos civis e militares, abordagens como o BANCO-FL apontam para um futuro em que o espaço aéreo fica mais seguro graças a muitos dispositivos aprendendo juntos de forma discreta, em vez de depender de uma única torre de vigilância vulnerável.

Citação: Bithi, M., Masud, M.E. & Hossain, M.A. A new adaptive federated learning approach for privacy preserving UAV anomaly detection under non-IID distributions. Sci Rep 16, 8451 (2026). https://doi.org/10.1038/s41598-026-38732-z

Palavras-chave: Segurança de VANTs, aprendizado federado, detecção de anomalias, IA preservadora de privacidade, cibersegurança