Исследователи предложили использовать RL-архитектуры на базе transformer для поиска уязвимостей в системах Unmanned Traffic Management (UTM), которые координируют работу нескольких летательных аппаратов через облачные платформы. Авторы рассматривают эту задачу как моделирование последовательностей: attention-механизмы помогают анализировать связи между состояниями системы и прогнозировать оптимальные действия.
Как сообщает arXiv cs.AI (Artificial Intelligence), предложенный фреймворк включает Policy Model для генерации целевых тестовых сценариев и Action Sampler, контролирующий соблюдение ограничений предметной области. Для исследования критических сценариев применяется reward-функция, основанная на оценке риска.
В рамках 700-часового симуляционного исследования система показала эффективность обнаружения уязвимостей в 8 раз выше по сравнению с тестированием под руководством экспертов. Авторы также утверждают, что метод помог выявить критические edge cases, которые традиционные подходы не находили.
Ключевые факты
Для поиска уязвимостей UTM предложен transformer-подход на базе RL
Фреймворк включает Policy Model и Action Sampler
В исследовании использовалась reward-функция на основе оценки риска
В 700-часовой симуляции метод показал рост эффективности обнаружения уязвимостей в 8 раз по сравнению с тестированием под руководством экспертов