효율성이 취약점으로 이어질 때: 적응형 드론 추적 시스템의 동적 라우팅 취약점 악용

When Efficiency Becomes Fragility: Exploiting Dynamic Routing Vulnerabilities in Adaptive UAV Tracking

드론 플랫폼의 자원 제약은 항공 추적 분야에 패러다임 변화를 가져왔으며, 성능 향상보다는 정확성과 효율성의 균형을 중시하게 되었습니다. 입력 의존적인 동적 라우팅 아키텍처를 활용하는 적응형 트랜스포머 트래커는 이러한 과제에 대한 대표적인 해결책으로 등장했습니다. 그러나 우리는 이러한 필요에 따른 유연성 뒤에는 중요한 구조적 결함이 숨겨져 있음을 밝혀냈습니다. 즉, 계산 경로 결정의 리프시츠 특이점으로 인해, 특정 레이어 건너뛰기 결정 경계에서 무한대의 국소 리프시츠 상수를 갖게 되어 수학적인 불연속성이 발생합니다. 이러한 불연속성은 적응형 추적 네트워크를 본질적으로 불안정하게 만듭니다. 미세한 입력 변화가 게이팅 모듈에서 증폭되어 추론 토폴로지에 극적인 변화를 초래할 수 있습니다. 우리는 이 특이점을 적응형 추적 아키텍처의 맥락에서 공식적으로 규명하고, 처음으로 이를 직접적으로 악용 가능한 새로운 공격 대상으로 밝혀냈습니다. 이러한 분석은 기존에 간과되었던 매우 취약한 토폴로지 경로 공간 공격 표면을 드러냅니다. 이를 바탕으로 우리는 Adversarial Path-Inversion (API) 프레임워크를 제안합니다. API는 감지하기 어려운 작은 변화를 생성하여 게이팅 결정을 정밀하게 조작하고, 추론을 수정된 계산 경로로 유도합니다. 원래 경로와 반전된 경로 간의 심각한 불일치는 모델의 표현 능력을 파괴합니다. 최첨단 적응형 트래커에 대한 광범위한 실험 결과, API는 우수한 공격 은폐성, 더 효과적인 공격, 그리고 빠른 추론 속도를 달성하는 것으로 나타났습니다. 본 연구는 동적 추적 네트워크의 보안 분석에 새로운 차원을 제시하고, 향후 견고한 적응형 추적 아키텍처를 구축하기 위한 이론적 경고를 제공합니다.

Resource constraints on UAV platforms have driven a paradigm shift in aerial tracking, from pursuing performance toward balancing accuracy with efficiency. Adaptive Transformer Trackers, which leverage an input-dependent dynamic routing architecture, have emerged as a representative solution to this challenge. However, we reveal that behind this computation-on-demand flexibility hides a critical structural flaw: the Lipschitz singularity of computational path decisions, which has an unbounded local Lipschitz constant at discrete layer-skipping decision boundaries. This mathematical discontinuity renders adaptive tracking networks inherently unstable: tiny input perturbations can be amplified at the gating modules, causing dramatic changes in the inference topology. We formally characterize this singularity in the context of adaptive tracking architectures and, for the first time, identify it as a directly exploitable new attack surface. This insight reveals a previously overlooked and highly vulnerable topological path space attack surface. Based on this, we propose the Adversarial Path-Inversion (API) framework. API generates imperceptible perturbations to precisely manipulate the gating decisions, forcing the inference onto altered computational paths. The severe inconsistency between the original and the inverted paths dismantles the representation capability of the model. Extensive experiments on state-of-the-art adaptive trackers demonstrate that API achieves superior perturbation stealthiness, more effective attack, and faster inference speeds. This work opens a new dimension for the security analysis of dynamic tracking networks and provides a theoretical warning for constructing robust adaptive tracking architectures in the future.