Pesquisadores testam adapter para decompor objetivos de ataque a satélites em planos táticos usando o catálogo SPARTA

SPARTA (Space Attack Research & Tactic Analysis) é um framework que cataloga táticas e técnicas de ataque contra sistemas espaciais e satélites, funcionando como um equivalente setorial do MITRE ATT&CK. O artigo ataca um problema específico: dado um objetivo de segurança, como fazer um modelo de linguagem pequeno gerar um plano ordenado e verificável de passos, escolhendo entre as técnicas catalogadas pelo SPARTA, em vez de apenas produzir texto solto.

Tecnicamente, os autores treinam um adapter LoRA sobre modelos pequenos, incluindo variantes de 0,5B, 1,5B e 7B parâmetros. Para evitar que o modelo simplesmente memorize planos de referência, o corpus é construído como "case-disjoint" (nenhum caso de teste compartilha decomposição com o treino) e cada prompt de avaliação apresenta o objetivo junto de oito candidatos SPARTA embaralhados, forçando o modelo a selecionar e ordenar entre opções plausíveis em vez de recuperar uma sequência memorizada. O dataset final é enxuto: apenas 24 decomposições autorais e 83 exemplos derivados, cobrindo 24 casos de segurança de satélites.

Na prática, os próprios resultados mostram os limites atuais dessa abordagem: a acurácia de previsão autoregressiva do próximo passo fica em apenas 0,08, 0,06 e 0,29 para os modelos de 0,5B, 1,5B e 7B respectivamente, e os autores são explícitos ao afirmar que o trabalho é uma prova de conceito, não evidência de um sistema de decomposição confiável ou de vantagem geral do adapter. Isso é relevante porque mostra que ferramentas de IA para auxiliar planejamento de ataques (ou defesa) contra infraestrutura espacial ainda estão em estágio muito inicial, mas também aponta a direção de pesquisa: modelos locais pequenos, treinados sobre catálogos de táticas de ataque reais, como componente de assistência tática em cenários de segurança de nicho onde dados de treino são escassos.