面向无人机群集网络的高效隐私-preserving 入侵检测方案
密码学与安全
2025-12-01 v1 机器学习
摘要
无人机（UAV）及其在监视、灾害管理、农业和防御等多样化领域的应用正在快速普及，从而革新现代技术。尽管群集式无人机网络的潜在效益正在显著增长，但它们仍面临各种安全攻击的威胁，这些攻击可能通过降低性能、干扰决策过程及破坏轨迹规划进程来危及整体任务成功。入侵检测系统（IDS）在识别潜在安全攻击以确保无人机群集网络安全运行中发挥着关键作用。然而，传统 IDS 主要关注二元分类，依赖资源密集型神经网络，面临延迟、隐私泄露、性能开销增加和模型漂移等挑战。为此，本研究旨在开发一种新型轻量级且基于联邦学习的连续学习 IDS 方案。我们提出的模型促进了跨异构无人机群集的去中心化训练，确保数据异构性和隐私。模型的性能评估显示，在 UKM-IDS、UAV-IDS、TLM-UAV 数据集和 Cyber-Physical 数据集上分别实现了 99.45%、99.99%、96.85% 和 98.05% 的分类准确率。
引用
@article{arxiv.2511.22791,
title = {An Efficient Privacy-preserving Intrusion Detection Scheme for UAV Swarm Networks},
author = {Kanchon Gharami and Shafika Showkat Moni},
journal= {arXiv preprint arXiv:2511.22791},
year = {2025}
}
备注
This paper has been accepted for publication in the Proceedings of the 44th AIAA/IEEE Digital Avionics Systems Conference (DASC) 2025, where it received the Best Paper of Session Award