基于机器学习的加密Wi-Fi流量下时延感知无人机检测与操作模式识别
密码学与安全
2019-12-19 v2
摘要
消费级无人机(unmanned aerial vehicle, UAV)市场在过去几年中显著增长。尽管其在支撑各类应用、推动经济增长方面潜力巨大,但消费级无人机数量的增加对公共安全和个人隐私构成了潜在风险。为将这些风险降至最低,高效检测并识别入侵无人机对于入侵检测和取证都迫在眉睫。鉴于消费级无人机通常在民用环境中使用,现有的物理检测方法(如雷达、视觉和声学)在许多场景下可能失效。为补充现有物理检测机制,我们提出了一种基于机器学习的框架,用于加密Wi-Fi流量下的快速无人机识别。其动机源于观察到许多消费级无人机使用Wi-Fi链路进行控制与视频流传输。所提框架仅从加密Wi-Fi流量的包大小和包到达间隔时间中提取特征,能够高效检测无人机并识别其操作模式。为缩短在线识别时间,我们的框架采用重加权范数正则化,该正则化考虑了不同特征所需的样本数与计算代价。该框架在统一的目标函数中联合优化特征选择与预测性能。为应对在检测精度与时延之间权衡优化时的包到达间隔时间不确定性,我们利用最大似然估计(Maximum Likelihood Estimation, MLE)方法估计包到达间隔时间。我们采集了八类消费级无人机的大量真实Wi-Fi数据流,并对所提方法的性能进行了广泛评估。
引用
@article{arxiv.1905.06396,
title = {Machine Learning-Based Delay-Aware UAV Detection and Operation Mode Identification over Encrypted Wi-Fi Traffic},
author = {Amir Alipour-Fanid and Monireh Dabaghchian and Ning Wang and Pu Wang and Liang Zhao and Kai Zeng},
journal= {arXiv preprint arXiv:1905.06396},
year = {2019}
}