基于收缩自编码器的无人机GPS欺骗攻击协同检测方法

GPS欺骗攻击是一种通过改变GPS信号来诱导接收机导航系统的恶意攻击,它会使无人机产生偏离运行轨迹、飞入禁飞区、强制降落等异常行为。当前对GPS欺骗攻击的检测仍存在模型训练效率较低、检测性能不高等问题,基于此,本文提出了一种无人机GPS欺骗攻击协同检测方法。该方法采用联邦学习框架,多个基站通过本地接收的无人机运行数据协同训练异常检测模型并计算异常检测阈值,进而检测无人机是否存在GPS欺骗攻击。此外,为了防止在联邦学习过程中不同基站本地训练数据分布差异过大导致模型训练效果降低的问题,本文采用收缩自编码器作为异常检测模型。与自编码器相比,收缩自编码器通过在损失函数中加入新的损失项,将训练数据样本的低维表示压缩到更小的范围内,从而使模型在训练过程中能够更好地学习训练数据样本的低维特征,提高了模型区分正常数据和异常数据的能力。基于公开数据集的实验结果表明,本文提出的方法对无人机GPS欺骗攻击的准确率、查准率和召回率分别达到了96.49%、96.03%和93.85%,比原始的自编码器提高了1.63%、0.8%和4.62%,且与采用集中式学习框架相比,本文提出的协同检测方法能够显著提高模型的训练效率。同时,本文提出的联邦学习收缩自编码器受平衡系数改变的影响最小,在异常检测阈值计算不准确的情况下仍然能够达到较好的检测结果。

MagDet:基于地磁的无人机GPS欺骗检测方法

GPS是目前最为广泛使用的基于卫星的导航和定位系统,对于无人机而言,它是一个不可或缺的组成部分,提供了关键的精确位置数据,对导航和任务的成功至关重要.然而,GPS欺骗攻击已经逐渐演变成对GPS依赖系统不断增加的威胁.目前,针对无人机的GPS欺骗检测方法大多基于仿真数据提出、依赖于多个无人机或者需要专用设备(例如,软件定义无线电平台和高清摄像头).本文提出一种新颖的基于地磁场的无人机GPS欺骗检测方法--Mag Det(Magnetic field-based Detection method),其基本思想是利用地球内部和周围金属建筑材料不均匀性引起的地磁场异常,通过真实飞行收集位置和磁场强度数据,包括正常和被攻击场景.应用各种机器学习算法来训练这些数据以选择最佳分类器,该分类器可以轻松部署在常见机载计算机中.该方法的检测率超过99.5%,平均错误率(Equal Error Rate,EER)为0.51%,优于现有检测方法.此外,评估了各种因素对Mag Det的影响,以证明其鲁棒性.即使在未访问过的地点(距离6 km),准确率也高于95%,EER为0.49%.