自动依赖监控-广播 (ADS-B) 异常消息和攻击类型检测:基于深度学习的架构

科学领域:

• 航空航天工程 航空航天工程
• 网络安全 网络安全
• 计算机科学 计算机科学

背景情况:

• 自动依赖监控广播 (ADS-B) 对于空中交通控制至关重要,提供精确的基于GPS的位置数据和成本效益.
• ADS-B 增强了雷达覆盖范围,并在雷达无法使用的情况下提供独立解决方案.
• 由于ADS-B的开放设计缺乏固有的安全性,因此对网络攻击造成了重大漏洞.

研究的目的:

• 审查用于ADS-B入侵检测的机器学习和深度学习技术.
• 为ADS-B开发详细的攻击模型,将威胁与安全要求 (机密性,完整性,可用性,身份验证) 结合起来.
• 提出和评估一个入侵检测系统 (IDS),使用先进的深度学习模型来对ADS-B消息进行分类和攻击检测.

主要方法:

• 关于用于ADS-B入侵检测的先进机器学习和深度学习的综合文献综述.
• 开发一个分类攻击模型,详细说明对ADS-B安全要求的潜在威胁.
• 实施和评估三个深度学习模型:TabNet,神经忘记决策集 (NODE) 和DeepGBM,使用准确性,精度,回忆和F1分数.

主要成果:

• 在分类ADS-B消息和检测攻击方面,DeepGBM以98%的准确率展示了最高的性能.
• 塔布网达到92%的准确性,而NODE达到96%的准确性.
• 该研究提供了对ADS-B安全的深度学习模型的强大比较.

结论:

• 拟议的IDS有效地分类ADS-B消息并检测各种攻击类型.
• DeepGBM被认为是确保ADS-B通信的高效模式.
• 结果为开发未来的ADS-B安全框架提供了关键的见解和建议,以减轻网络威胁.