面向 5G 无人机场景攻击识别的深度注意力识别：新型架构与端到端评估
密码学与安全
2023-03-24 v1 机器学习
机器人学
摘要
尽管 5G 框架本身具有强健的安全特性，攻击者仍会找到扰乱 5G 无人机（UAV）运行并降低空对地（A2G）链路中无人机控制通信性能的方法。在 5G 无人机通信基础设施永远不会完全安全的假设下，我们提出深度注意力识别（DAtR）作为一种基于嵌入在已认证无人机中的小型深度网络来识别攻击的解决方案。我们提出的方案使用两个可观测参数：信干噪比（SINR）和参考信号接收功率（RSSI），以在视距（LoS）、非视距（NLoS）以及两者概率组合条件下识别攻击。在测试场景中，若干攻击者位于随机位置，其功率在每次仿真中变化。此外，地面用户被纳入网络以给攻击检测带来额外复杂性。为提升系统在攻击场景中的整体性能，我们提出以基于数据操纵与多数投票技术的两种机制来补充深度网络决策。我们在提出的深度网络中比较了若干性能参数。例如，长短期记忆（LSTM）与注意力层在整体准确率方面的影响、窗口大小效应，并测试了训练过程中仅有部分数据可用时的准确率。最后，我们就分类准确率以六种广泛使用的分类器对深度网络进行基准测试。在 LoS 条件下，我们的算法准确率超过极限梯度提升（XGB）分类器 4%，在近距离 NLoS 条件下约高出 3%。就所提深度网络而言，所有其他分类器准确率均低于 XGB。
引用
@article{arxiv.2303.12947,
title = {Deep Attention Recognition for Attack Identification in 5G UAV scenarios: Novel Architecture and End-to-End Evaluation},
author = {Joseanne Viana and Hamed Farkhari and Pedro Sebastiao and Luis Miguel Campos and Katerina Koutlia and Biljana Bojovic and Sandra Lagen and Rui Dinis},
journal= {arXiv preprint arXiv:2303.12947},
year = {2023}
}
备注
17 pages, 11 figures