基于Autoencoder-TSMamba集成的高效恶意无人机检测
计算机视觉与模式识别
2025-05-19 v1 密码学与安全
摘要
恶意无人机（UAV）在下一代网络（NGN）中 presents a significant threat to next-generation networks (NGNs), posing risks such as unauthorized surveillance, data theft, and the delivery of hazardous materials. 本文提出了一个集成（AE）-分类器系统，用于检测恶意无人机。该提议的AE基于4层三向空间Mamba（TSMamba）架构，有效捕获识别恶意无人机活动所必需的复杂空间关系。第一阶段通过AE生成残差值，随后由基于ResNet的分类器处理。该分类器利用残差值实现更低的复杂度和更高的准确率。我们的实验在二进制和多类分类场景中均显示出显著的改进，二进制场景下召回率达到99.8%，相较于基准的96.7%。此外，该方法减少了计算复杂度，更适合大规模部署。这些结果突显了该方法的鲁棒性和可扩展性，为NGN环境中的恶意无人机检测提供了有效解决方案。
引用
@article{arxiv.2505.10585,
title = {Efficient Malicious UAV Detection Using Autoencoder-TSMamba Integration},
author = {Azim Akhtarshenas and Ramin Toosi and David López-Pérez and Tohid Alizadeh and Alireza Hosseini},
journal= {arXiv preprint arXiv:2505.10585},
year = {2025}
}
备注
12 pages, 6 figures and 3 tables, accepted in IbPRIA 2025, https://www.ibpria.org/2025/?page=dates