面向无人机的低标注成本无监督入侵检测系统
密码学与安全
2020-11-03 v1 机器学习
摘要
随着安全重要性的提升，入侵检测系统（IDS）已成为现实世界中的一项重要任务。先前研究提出了多种针对无人机（UAV）的入侵检测模型。过去的基于规则的方法提供了坚实的基线 IDS 模型，而基于机器学习的方法利用监督学习模型在无人机上实现了精确的入侵检测性能。然而，先前的方法在落地到现实世界方面仍有改进空间。先前的方法需要对数据集进行大量标注工作，且模型无法识别此前未训练过的攻击。为跨越这些障碍，我们提出了一种基于无监督学习的 IDS。由于无监督学习不需要标注，我们的模型使从业者无需对飞行数据中的每类攻击进行标注。此外，该模型能够识别无人机的异常状态，而与攻击类型无关。我们仅使用良性飞行数据训练了自动编码器，并验证了模型在良性飞行和受攻击飞行下提供不同的重构损失。我们发现模型对受攻击飞行产生的重构损失远高于良性飞行；因此，该重构损失可用于识别针对无人机的入侵。考虑到计算开销和野外检测性能，我们期望我们的模型能成为无人机上坚实且实用的基线 IDS。
引用
@article{arxiv.2011.00540,
title = {Unsupervised Intrusion Detection System for Unmanned Aerial Vehicle with Less Labeling Effort},
author = {Kyung Ho Park and Eunji Park and Huy Kang Kim},
journal= {arXiv preprint arXiv:2011.00540},
year = {2020}
}
备注
14 pages, 4 tables, 3 figures, 5 equations, In Proceeding of WISA 2020 (THE 21ST WORLD CONFERENCE ON INFORMATION SECURITY APPLICATIONS)