Modelos de linguagem pequenos detectam spoofing de GPS em veículos autônomos com baixo custo computacional
Pesquisadores propõem detectar ataques de spoofing de GPS em veículos autônomos convertendo o estado do veículo, derivado de GNSS e de outros sensores, em narrativas textuais estruturadas analisadas por um modelo de linguagem pequeno (SLM). O sistema iguala o desempenho de LLMs maiores, com acurácia média de quase 97%, usando muito menos custo computacional, o que o torna viável para rodar embarcado em hardware automotivo com poucos recursos.
Autores da Clemson University (Abyad Enan, Sagar Dasgupta, Mizanur Rahman, Mashrur Chowdhury), em trabalho submetido à Transportation Research Record, propõem um framework baseado em modelos de linguagem pequenos (SLMs) para detectar e classificar ataques de spoofing de GNSS contra veículos autônomos, comparando o estado de condução derivado do GPS com o estado derivado independentemente de outros sensores do veículo.
Tecnicamente, o sistema converte os estados de condução obtidos separadamente a partir do GNSS e de outras fontes de sensoriamento em 'narrativas semânticas estruturadas', descrições textuais que são então entregues a um SLM para classificação entre cinco categorias: sem ataque, ataque de overshoot, de parada forçada, de curva indevida e de direção errada. O desempenho do SLM foi comparado diretamente com LLMs maiores, ajustados com os mesmos dados de treinamento e avaliados no mesmo conjunto de teste.
Os resultados mostram que o SLM iguala o desempenho dos LLMs maiores, com acurácia média de 96,99%, precisão de 99,05%, recall de 95,59% e F1 de 97,18%, exigindo latência de inferência e uso de memória de GPU significativamente menores. A abordagem foi ainda validada com dados de campo coletados em Clemson, Carolina do Sul, geograficamente distintos dos dados de treinamento.
O spoofing de GNSS é um ataque de baixo custo e há muito conhecido contra qualquer sistema dependente de GPS, de navios a drones e carros, e já foi demonstrado em cenários reais. Usar sensoriamento 'narrativizado' em linguagem natural, combinado a um LLM pequeno como motor de detecção, é relevante justamente porque ataca a restrição de implantação que tem mantido sistemas de detecção mais precisos, mas pesados, fora do hardware automotivo embarcado: o resultado mostra que IA, especificamente modelos de linguagem pequenos, pode funcionar como ferramenta defensiva leve embutida diretamente no veículo, em vez de depender de offload para a nuvem, o que importa porque a detecção de spoofing só é útil se acontecer em tempo real, antes que o veículo já tenha desviado de rota.