基于对抗性机器学习模型的无人机中检测GPS伪造攻击.

科学领域:

• 网络安全 网络安全
• 航空航天工程 航空航天工程
• 人工智能的人工智能

背景情况:

• 无线通信和自动化正在改变流动性,自动驾驶汽车和无人机 (UAV) 越来越普遍.
• 用于无人机导航的全球定位系统 (GPS) 信号容易受到网络攻击,特别是GPS伪造,由于未加密的传输.
• 机器学习 (ML) 增强无人机入侵检测系统 (IDS),但对抗性机器学习 (AML) 通过利用ML模型构成新的威胁.

研究的目的:

• 开发和介绍一种新的UAV-IDS,利用AML来改善GPS伪造攻击的检测和分类.
• 提高无人机系统对复杂的网络威胁的稳定性和安全性.
• 引入一个以对抗训练和物理层安全的深度学习为重点的检测模型.

主要方法:

• 在无人机入侵检测系统 (IDS) 中实施对抗性机器学习 (AML) 方法.
• 开发一种使用对抗训练防御机制的新型检测模型.
• 应用先进的深度学习技术,以加强GPS伪造攻击的检测和分类.

主要成果:

• 开发的AML检测模型在GPS伪造攻击中实现了98%的高检测准确度.
• 在处理大规模数据集和复杂的检测任务方面表现出有效性.
• 验证了该模型能够显著提高无人机系统安全性和稳定性的能力.

结论:

• 对抗性机器学习对于提高无人机入侵检测系统对GPS伪造的安全性至关重要.
• 拟议的基于AML的IDS为保护无人机免受网络威胁提供了强大的解决方案.
• 物理层安全,结合先进的深度学习和对抗训练,对于未来的无人机安全架构至关重要.