基于集成学习与可解释人工智能的多类无人机网络入侵检测对比分析

无人机在民用、商业和国防领域的日益集成带来了重大的网络安全隐患，特别是针对无人机通信协议的网络入侵风险增加。检测和分类这些入侵本质上具有挑战性，因为无人机流量具有动态特性，并且存在多种复杂的攻击向量，如欺骗、注入、重放和中间人（MITM）攻击。本研究旨在开发一个鲁棒且可解释的无人机网络入侵检测框架，重点关注多类分类和模型可解释性。我们对基于集成学习的机器学习模型——随机森林、极端随机树、AdaBoost、CatBoost 和 XGBoost——进行了对比分析，这些模型在包含良性流量和九种不同入侵类型的标注数据集上进行训练。进行了全面的数据预处理，包括缺失值填补、缩放和类别编码，随后进行模型训练，并使用宏 F1 分数、ROC AUC、Matthews 相关系数和对数损失等指标进行广泛评估。随机森林取得了最高性能，宏 F1 分数为 0.9998，ROC AUC 为 1.0000。为验证模型的优越性，应用了统计检验，包括 Friedman 检验、Holm 校正的 Wilcoxon 符号秩检验和自助置信区间。此外，集成可解释人工智能方法 SHAP 和 LIME 来解释全局和局部特征重要性，增强模型透明度和决策可信度。所提出的方法不仅实现了接近完美的准确率，还确保了可解释性，使其非常适合实时和安全关键的无人机操作。