面向无人机网络攻击的生成对抗规避与分布外检测
机器学习
2026-02-05 v2 人工智能
摘要
无人机日益融入民用空域凸显了对鲁棒且智能的入侵检测系统(IDS)的需求，因为传统的异常检测方法通常无法识别新型威胁。一种常见的方法将未知攻击视为分布外(OOD)样本；然而，当缓解措施不足时，这会使系统容易受到攻击。此外，传统的OOD检测器难以区分隐蔽的对抗攻击与真正的OOD事件。本文引入了一种基于条件生成对抗网络(cGAN)的框架，用于制作可规避IDS机制的隐蔽对抗攻击。我们首先设计了一个鲁棒的多类IDS分类器，在良性无人机遥测数据和已知网络攻击（包括拒绝服务、虚假数据注入、中间人和重放攻击）上进行训练。利用该分类器，我们的cGAN对已知攻击进行扰动以生成对抗样本，这些样本在保留与OOD分布的统计相似性的同时被误分类为良性。这些对抗样本经过迭代优化，以实现高隐蔽性和成功率。为了检测此类扰动，我们实现了一个条件变分自编码器(CVAE)，利用负对数似然将对抗输入与真实OOD样本分离。对比评估表明，基于CVAE的遗憾分数在识别隐蔽对抗威胁方面显著优于传统的基于马氏距离的检测器。我们的发现强调了高级概率建模对于增强IDS抵御自适应、基于生成模型的网络入侵能力的重要性。
引用
@article{arxiv.2506.21142,
title = {Generative Adversarial Evasion and Out-of-Distribution Detection for UAV Cyber-Attacks},
author = {Deepak Kumar Panda and Weisi Guo},
journal= {arXiv preprint arXiv:2506.21142},
year = {2026}
}