基于卷积注意力深度网络的衰落信道与干扰下无人机网络攻击识别方法
密码学与安全
2022-07-25 v1 机器学习
网络与互联网体系结构
摘要
当用户通过空对地（A2G）无线通信网络与无人机（UAV）交换数据时，会使链路暴露于可能增大丢包率并破坏连接的攻击之下。例如，在紧急配送中，丢失控制信息（即与无人机控制通信相关的数据）可能导致事故，造成无人机损毁以及城市中建筑或其他设施的损坏。为防止这些问题，必须在5G和6G场景中加以解决。本研究提出了一种深度学习（DL）方法，用于在包含已认证地面用户及位置未知攻击者的高度复杂场景中，检测配备正交频分复用（OFDM）接收机、工作于聚类延迟线（CDL）信道上的无人机所受攻击。我们利用5G无人机连接中两个可观测参数：接收信号强度指示（RSSI）与信干噪比（SINR）。该预期算法在攻击识别方面具有泛化能力，且训练阶段并未出现此类攻击。此外，它能在含20个地面用户的环境中识别所有攻击者。对攻击识别时序要求的深入研究表明，训练后攻击开始后所需最短时间为100 ms，最小攻击功率为2 dBm，与已认证无人机所用功率相同。我们的算法还能从500 m距离外检测移动攻击者。
引用
@article{arxiv.2207.10810,
title = {A Convolutional Attention Based Deep Network Solution for UAV Network Attack Recognition over Fading Channels and Interference},
author = {Joseanne Viana and Hamed Farkhari and Luis Miguel Campos and Pedro Sebastiao and Katerina Koutlia and Sandra Lagen and Luis Bernardo and Rui Dinis},
journal= {arXiv preprint arXiv:2207.10810},
year = {2022}
}
备注
6 pages, 6 figures