面向ADS-B入侵检测的新型机器学习方法
密码学与安全
2025-10-10 v1 机器学习
摘要
随着自动依赖性广播（ADS-B）协议在空中交通管理（ATM）中日益依赖且存在安全漏洞，确保其安全性至关重要。本研究探究了新兴的机器学习模型和训练策略，以提高基于人工智能的ADS-B入侵检测系统（IDS）的性能。本研究聚焦于地面基于ADS-B的ATM系统，评估了两种深度学习IDS实现：一种使用Transformer编码器，另一种使用扩展长短期记忆网络（xLSTM），标志着首个用于ADS-B的xLSTM-based IDS。采用迁移学习策略，即在良性ADS-B消息上进行预训练，然后使用包含篡改消息实例的标记数据进行微调。结果表明，该方法优于现有方法，尤其在识别逐步削弱情境感知能力的细微攻击方面效果更佳。xLSTM-based IDS实现了98.9%的F1分数，优于Transformer-based模型的94.3%。在未见攻击的测试中验证了xLSTM模型的泛化能力。推断延迟分析显示，xLSTM-based IDS引入的7.26秒延迟符合二次监视雷达（SSR）刷新间隔（5-12秒），尽管可能限制了时间关键操作。虽然Transformer-based IDS实现了2.1秒的延迟，但以牺牲检测性能为代价。
引用
@article{arxiv.2510.08333,
title = {New Machine Learning Approaches for Intrusion Detection in ADS-B},
author = {Mikaëla Ngamboé and Jean-Simon Marrocco and Jean-Yves Ouattara and José M. Fernandez and Gabriela Nicolescu},
journal= {arXiv preprint arXiv:2510.08333},
year = {2025}
}
备注
This is the author's version of the work accepted for publication Digital Avionics Systems Conference (DASC) 2025. The final version will be available via IEEE Xplore