Ataque encadeado combina desautenticacao Wi-Fi e personificacao de credenciais contra aprendizado federado em drones
Pesquisadores demonstram um ataque em duas fases contra sistemas de aprendizado federado (FL) baseados em enxames de drones: primeiro forcam drones legitimos a saírem da rede com ataques de desautenticacao 802.11, depois personificam o dispositivo desconectado usando credenciais extraidas, explorando a autenticacao de fator unico tipica desses sistemas. Testes em Raspberry Pi e Jetson mostram que mesmo interrupcoes sem fio curtas cascateiam em instabilidade de treinamento significativa, especialmente sob distribuicoes de dados nao-IID.
Enxames de drones sao um caso de uso crescente para Edge Intelligence, treinando modelos colaborativamente via aprendizado federado direto na borda da rede, sem centralizar dados brutos. A seguranca desses deployments depende tanto da disponibilidade da rede quanto de mecanismos robustos de autenticacao de cliente -- e os autores mostram que ambos podem ser comprometidos em sequencia, formando uma cadeia de ataque mais danosa que qualquer uma das duas fraquezas isoladamente.
A primeira fase do ataque usa desautenticacao no padrao 802.11, uma tecnica conhecida de negacao de servico na camada de rede, para forcar drones legitimos a saírem do processo de treinamento federado. A segunda fase explora a lacuna deixada por essa desconexao: como o mecanismo de autenticacao tipico desses sistemas e de fator unico, um atacante que ja possui credenciais extraidas do dispositivo pode personificar o drone desconectado e assumir seu lugar na rodada de treinamento, sem que o servidor de agregacao perceba a substituicao.
Os autores validaram o ataque empiricamente usando o framework Flower sobre dois testbeds distintos (Raspberry Pi e Jetson), medindo o impacto sob distribuicoes de dados independentes e identicamente distribuidas (IID) e nao-IID. O resultado central e que mesmo interrupcoes sem fio de curta duracao cascateiam em instabilidade substancial de treinamento, um efeito amplificado justamente nos cenarios nao-IID que sao os mais realistas em deployments de drones no mundo real, onde cada dispositivo tipicamente ve uma fatia de dados bem diferente dos demais.
Na pratica, o trabalho mostra que proteger aprendizado federado em ambientes moveis e sem fio exige tratar disponibilidade de rede e autenticacao como uma unica superficie de ataque combinada, nao como problemas independentes: uma defesa que so endurece a autenticacao mas ignora a camada de radio, ou vice-versa, deixa a porta aberta para esse tipo de ataque encadeado. Isso e particularmente relevante para aplicacoes de missao critica como enxames de drones militares ou de resposta a emergencia, onde a integridade do modelo treinado colaborativamente pode ter consequencias operacionais diretas.