基于GAF-DenseNet的航空发动机虚假数据注入攻击检测

提出一种基于格拉姆角场(Gramian angular field, GAF)和密集连接卷积网络(densely connected convolutional networks,DenseNet)的航空发动机系统遭受虚假数据注入攻击的机器学习检测方法。首先,基于美国国家航空和宇宙航行局的商用模块化航空推进系统仿真数据集(commercial modular aero-propulsion system simulation,C-MAPSS),构建了连续和间隔虚假数据注入两种攻击模型;其次,通过GAF算法,在保留原始航空发动机传感器获得的时序信号的时间依赖性的前提下,对时间序列数据进行唯一编码,并设计了DenseNet-121网络对图像阵列中内含的传感器信息进行深层挖掘,进而检测航空发动机是否遭受虚假数据注入攻击及攻击类型识别;最后,融合GAF-DenseNet方法在T24、T50和P30传感器上的平均分类准确率为98.46%,与长短期记忆、门控循环单元和卷积神经网络对比分别提高了1.91%、3.82%和0.38%。