丁建立，鄒云開，王靜，王懷超

1. 中國民航大學(xué) 計(jì)算機(jī)學(xué)院，天津 300300 2. 中國民航大學(xué) 中歐航空工程師學(xué)院，天津 300300

廣播式自動(dòng)相關(guān)監(jiān)視(ADS-B)通過全球衛(wèi)星導(dǎo)航系統(tǒng)(GNSS)以及相關(guān)機(jī)載設(shè)備獲取參數(shù)，并向其他飛機(jī)或地面基站廣播飛機(jī)的位置、速度、航向、識(shí)別號(hào)等信息，相比于現(xiàn)行的雷達(dá)系統(tǒng)，ADS-B無需使用詢問/應(yīng)答方式即可獲取航空器目標(biāo)信息數(shù)據(jù)，并且更精確、更高效、更全面和更可靠。然而ADS-B協(xié)議開放共享式的特點(diǎn)使得位于相關(guān)頻段的任何接收端都可以獲取由飛機(jī)發(fā)出的ADS-B報(bào)文信息。另外，隨著軟件定義無線電(SDR)的發(fā)展，進(jìn)一步降低了攻擊ADS-B系統(tǒng)的難度。例如，Sch?fer等[1]詳細(xì)描述了如何以較為簡(jiǎn)單的技術(shù)手段成功對(duì)ADS-B系統(tǒng)進(jìn)行欺騙干擾。此外，隨著空中交通輸運(yùn)量的增加和ADS-B系統(tǒng)的進(jìn)一步推廣應(yīng)用，對(duì)其安全問題的擔(dān)憂也將不斷增加。

針對(duì)ADS-B系統(tǒng)的安全問題，國內(nèi)外已經(jīng)開展了很多研究。首先為基于密碼學(xué)的方法[2-3]，此類方法通常需要改變現(xiàn)有的ADS-B協(xié)議，并且與目前的ADS-B系統(tǒng)不兼容，因此實(shí)施難度較大，附加成本很高。Strohmeier和Martinovic[4]提出了一種位于數(shù)據(jù)鏈路層的特征識(shí)別方法，該方法通過ADS-B應(yīng)答機(jī)類型的不同以及它們?cè)陲w機(jī)上實(shí)現(xiàn)方式的不同來識(shí)別報(bào)文的合法性，但對(duì)于掌握應(yīng)答機(jī)傳輸特點(diǎn)的高級(jí)攻擊者，該方法并不能提供相關(guān)安全保障。第2類為基于位置驗(yàn)證的方法[5-7]，這類方法通常是利用到達(dá)時(shí)間差/到達(dá)時(shí)間和(TDOA/TSOA)對(duì)飛行器或其他ADS-B報(bào)文發(fā)送者所宣稱的位置進(jìn)行二次校驗(yàn)，但此類方法對(duì)接收基站的安裝位置有一定的要求，還容易受到多徑效應(yīng)的影響。Kacem等[8]提出了一種ADS-B系統(tǒng)的入侵檢測(cè)框架，將位置信息驗(yàn)證與安全加密相結(jié)合，但作者并沒有從安全指標(biāo)(如攻擊檢測(cè)率)的角度來評(píng)估該框架的性能。Strohmeier等[9]提出了一種基于k-NN算法的飛機(jī)位置驗(yàn)證方法，雖然該方法克服了多點(diǎn)定位技術(shù)的一些缺點(diǎn)，但它仍然需要多個(gè)地面接收裝置之間的同步，因而復(fù)雜度很高。第3類為基于陣列天線驗(yàn)證波達(dá)方向(DOA)的方法[10-11]，雖然這類方法不需要多個(gè)地面基站之間的協(xié)同，只采用單一數(shù)據(jù)源，但通常需要空間搜索測(cè)向，計(jì)算復(fù)雜度較高。Wang等[12]使用陣列天線來直接抑制欺騙干擾，該方法雖然降低了計(jì)算復(fù)雜度，但受陣列誤差影響較大。

在各個(gè)研究與應(yīng)用領(lǐng)域，異常數(shù)據(jù)檢測(cè)都是一個(gè)十分重要的問題。目前常見的異常數(shù)據(jù)主要分為兩種，分別為數(shù)據(jù)點(diǎn)異常和上下文異常。前者又稱為離群點(diǎn)，即異常數(shù)據(jù)的特征值與正常數(shù)據(jù)的特征值距離較遠(yuǎn)，如飛機(jī)在某個(gè)時(shí)刻的速度、海拔、經(jīng)緯度等離群距離和超過閾值，即為異常點(diǎn)。后者又稱時(shí)間序列異常，即該數(shù)據(jù)本身是正常數(shù)據(jù)，在對(duì)應(yīng)的上下文出現(xiàn)時(shí)即為異常，如飛機(jī)在爬升階段速度信息顯示為300節(jié)，雖然該數(shù)字處于飛機(jī)機(jī)動(dòng)性能的正常約束范圍內(nèi)，但其超過了飛機(jī)爬升階段的正常速度范圍(160～200節(jié))，由此仍為異常數(shù)據(jù)。近年來，各個(gè)領(lǐng)域提出了多種基于機(jī)器學(xué)習(xí)的異常檢測(cè)方法，包括無監(jiān)督方法[13-15]和監(jiān)督方法[16-17]，其中無監(jiān)督學(xué)習(xí)方法因?yàn)椴恍枰獦?biāo)簽數(shù)據(jù)因而可以處理大量數(shù)據(jù)，然而這些方法的性能都很低[18]。而監(jiān)督學(xué)習(xí)方法相比無監(jiān)督方法雖然具有更高的精度，但存在標(biāo)簽標(biāo)注成本過高，缺乏異常數(shù)據(jù)，位于異常邊界的數(shù)據(jù)難以劃分等問題。目前常用的異常檢測(cè)方法主要有4類，分別為基于線性模型的方法、基于距離的方法、基于集群的方法以及基于神經(jīng)網(wǎng)絡(luò)的方法，值得注意的是，基于深度學(xué)習(xí)的異常檢測(cè)方法越來越流行，并被應(yīng)用于各種不同的任務(wù)。Peng和Marculescn[19]以及Javaid等[20]研究表明，基于深度學(xué)習(xí)的方法已完全超越了傳統(tǒng)方法。

本文針對(duì)ADS-B系統(tǒng)欺騙干擾檢測(cè)方法所存在的成本、性能以及適應(yīng)性方面的問題，利用ADS-B報(bào)文更新快、時(shí)間關(guān)聯(lián)性強(qiáng)等特點(diǎn)，從數(shù)據(jù)角度出發(fā)，采用深度學(xué)習(xí)的seq2seq模型[21]，用于檢測(cè)異常ADS-B時(shí)間序列，并在此基礎(chǔ)上，通過對(duì)序列特征擴(kuò)展，即增加序列特征維度，來提升檢測(cè)效果。該方法不需要改變現(xiàn)有的ADS-B協(xié)議，也不需要額外的節(jié)點(diǎn)或傳感器參與，只需要來自ADS-B系統(tǒng)的報(bào)文序列以及將異常檢測(cè)的結(jié)果通過可視化系統(tǒng)分類輸出即可。在實(shí)際應(yīng)用中，可根據(jù)該方法開發(fā)相關(guān)軟件并集成在ADS-B可視化系統(tǒng)中，安裝于飛機(jī)(例如，以認(rèn)證軟件的形式應(yīng)用于電子飛行包)或地面基站。

1 ADS-B風(fēng)險(xiǎn)分析

ADS-B系統(tǒng)所面臨的風(fēng)險(xiǎn)本質(zhì)上來源于射頻通信的廣播特性[22]。表1從可能性及影響程度列出了幾種對(duì)ADS-B系統(tǒng)潛在的攻擊類型。本文所使用的異常ADS-B序列即在此基礎(chǔ)上模擬生成。

竊聽(Eavesdropped)：由于ADS-B傳輸系統(tǒng)沒有進(jìn)行加密，因此其數(shù)據(jù)交換很容易被竊聽，但竊聽不會(huì)(直接)對(duì)空中交通管制系統(tǒng)造成危害，因此影響最小，但它是其他攻擊手段的基礎(chǔ)。

干擾(Jamming)：通過靠近地面基站并在相關(guān)頻段擁有足夠高的發(fā)射功率即可實(shí)現(xiàn)對(duì)ADS-B系統(tǒng)的干擾，此類攻擊雖然會(huì)給監(jiān)視系統(tǒng)帶來較大影響，但可以根據(jù)干擾信號(hào)的功率對(duì)攻擊者進(jìn)行快速定位，因此認(rèn)為干擾攻擊具有中等影響。

報(bào)文注入(Injection)：通過構(gòu)建一個(gè)能夠產(chǎn)生正確調(diào)制和符合ADS-B報(bào)文格式的發(fā)送器即可實(shí)現(xiàn)。攻擊者如果向系統(tǒng)中注入大量的虛假飛機(jī)，將嚴(yán)重?cái)_亂空中交通，混淆防撞系統(tǒng)，甚至引起碰撞。其發(fā)生可能性為中，影響較高。

報(bào)文刪除(Deletion)：可以通過構(gòu)造性(Constructive)干擾或破壞性(Destructive)干擾手段在物理層實(shí)現(xiàn)報(bào)文刪除[23]。實(shí)施此類攻擊在某種程度上需要時(shí)間同步，因而實(shí)施難度較高。另外，這種攻擊雖然會(huì)對(duì)監(jiān)視系統(tǒng)造成一定影響，使飛機(jī)從空管地圖中暫時(shí)消失，但監(jiān)視系統(tǒng)還會(huì)由多點(diǎn)定位等備用系統(tǒng)支持，這在一定程度上降低了它的危害性，因此具有中等影響。

報(bào)文篡改(Modification): 可以在系統(tǒng)物理層通過掩蓋(Overshadowing)和位反轉(zhuǎn)(bit flipping)實(shí)現(xiàn)報(bào)文篡改(也可以通過結(jié)合報(bào)文注入與報(bào)文刪除這兩種攻擊方式來實(shí)現(xiàn))[23]。雖然實(shí)施起來需要嚴(yán)格的時(shí)間同步和精度，具有較高的復(fù)雜性，但它對(duì)空管系統(tǒng)具有很大的影響。例如，攻擊者如果對(duì)ADS-B報(bào)文中的飛機(jī)位置信息進(jìn)行不斷的小幅度修改，即“溫水煮青蛙”[24]式的欺騙式干擾，其他監(jiān)視技術(shù)(如雷達(dá)監(jiān)視系統(tǒng))或定位技術(shù)會(huì)因精度問題將很難檢測(cè)到這些細(xì)微的差異，從而造成對(duì)空管人員的錯(cuò)誤指引，或造成防撞系統(tǒng)的反應(yīng)延遲。

2 ADS-B異常檢測(cè)模型構(gòu)建

2.1 問題定義

定義n維時(shí)間序列表示ADS-B序列窗口，即

S={S1,S2,…,SC}

式中：C為時(shí)間序列的長度；Si=[s1,s2,…,sn](1≤i≤C)是一個(gè)n維的向量，其每一個(gè)維度對(duì)應(yīng)一種特征。具體來說，S表示連續(xù)的C條ADS-B報(bào)文信息組成的窗口，而每一個(gè)向量Si又包含了從對(duì)應(yīng)ADS-B報(bào)文中獲取的特征信息，即位置、海拔高度、速度等。

在訓(xùn)練階段，使用正確的ADS-B時(shí)間序列作為訓(xùn)練樣本輸入到異常檢測(cè)模型中，該模型會(huì)強(qiáng)制重構(gòu)該序列。訓(xùn)練完成后，輸入正確的ADS-B時(shí)間序列，其重構(gòu)誤差將在一定范圍內(nèi)，而當(dāng)使用包含異常的序列作為輸入時(shí)，其重構(gòu)誤差將會(huì)被放大，從而達(dá)到異常檢測(cè)的效果。圖1為本文總體流程(以包含特征維度擴(kuò)展步驟為例)。

圖1 總體流程圖
Fig.1 Overall process

2.2 特征提取與維度擴(kuò)展

將ADS-B報(bào)文中所包含的飛機(jī)速度、經(jīng)度、維度、海拔高度與航向信息作為數(shù)據(jù)的基本特征。又因?yàn)闀r(shí)間序列中的向量通常不是相互獨(dú)立的，由此可以使用滑動(dòng)窗口來計(jì)算依賴關(guān)系，而后再計(jì)算每個(gè)窗口中的統(tǒng)計(jì)特征來獲得特征更為豐富的時(shí)間序列。特征維度擴(kuò)展主要分為3步，具體方法如下：

首先，定義窗口

Ti=〈Si,Si+1,…,Si+c-1〉

表示區(qū)間在[ti，ti+c-1]上的時(shí)間序列。

考慮一個(gè)步長為[b]的滑動(dòng)窗口(b>1)，其中兩個(gè)連續(xù)的窗口重疊步長為[b/2]，由此，通過一個(gè)長度為C的時(shí)間序列，可以得到一個(gè)長度為C′=(2C-b)/b的新序列。如圖2所示，時(shí)間序列的長度C=14，窗口長度b=4，則第1個(gè)窗口包含的向量區(qū)間為[t1,t4]，第2個(gè)窗口包含的向量區(qū)間為[t3,t6]，第3個(gè)窗口為[t5,t8]，以此類推，共計(jì)產(chǎn)生了6個(gè)窗口。

圖2 特征維度擴(kuò)展的3個(gè)步驟
Fig.2 Three steps of feature expansion

對(duì)于每個(gè)窗口來說，可以從時(shí)間序列的每個(gè)特征中計(jì)算出兩個(gè)派生特征，分別稱為模(Norm，記作NOR)與模差(Difference of Norm，DON)。計(jì)算方法定義為

NORj(Ti)=

(1)

DONj(Ti)=NORj(Ti)-NORj(Ti-1)

(2)

式中：i表示第i個(gè)窗口。

NOR捕獲的為窗口序列中特征的大小信息，而DON捕獲的為兩個(gè)連續(xù)窗口中特征大小的變化信息，即時(shí)間依賴性。

經(jīng)過計(jì)算之后，可以得到一個(gè)新的時(shí)間序列

T′=〈G1,G2,…,GC′〉

式中：Gi∈Rd×n為矩陣。

在此之后，考慮大小為[f]的滑動(dòng)窗口來進(jìn)行第2步轉(zhuǎn)換。定義連續(xù)兩個(gè)窗口之間的重疊長度為[f/2]，對(duì)于每個(gè)窗口，分別計(jì)算序列T′中兩個(gè)派生特征(NOR，DON)的一系列統(tǒng)計(jì)特征，其目的是為了進(jìn)一步捕獲派生特征隨時(shí)間的變化程度。由文獻(xiàn)[25-26]推薦，可計(jì)算派生特征對(duì)應(yīng)的8個(gè)統(tǒng)計(jì)特征，分別為平均值、最小值、最大值、四分位數(shù)(25Q，50Q，75Q)、標(biāo)準(zhǔn)差以及峰峰值，由此得到又一個(gè)時(shí)間序列

T″=〈H1,H2,…,HC″〉

式中：Hi∈R(e×d)×n為矩陣。

最后，再將時(shí)間序列T″中所包含的矩陣Hi展開，并進(jìn)行向量化，得到最終的時(shí)間序列

T′″=〈H′1,H′2,…,H′C″〉

如圖3所示，對(duì)于包含5維(n=5)特征(經(jīng)度、維度、海拔高度、速度、航向)的ADS-B時(shí)間序列T，經(jīng)過第1步轉(zhuǎn)換后得到時(shí)間序列T′，再經(jīng)過第2步部轉(zhuǎn)換后得到序列T′，兩次轉(zhuǎn)換的滑動(dòng)窗口大小分別為b=4，f=2，最后再經(jīng)過向量化，得到最終的時(shí)間序列T′″，序列的特征維度由5擴(kuò)展為80，時(shí)間序列的總長度變?yōu)樵瓉淼囊话搿?/p>

圖3 特征維度擴(kuò)展的一個(gè)具體例子(n=5，b=4，f=2)
Fig.3 A specific example of feature expansion wheren=5,b=4, andf=2

2.3 異常檢測(cè)模型

本文以深度學(xué)習(xí)的seq2seq模型為基礎(chǔ)來重構(gòu)該序列。seq2seq是一種通用的編碼器-解碼器框架，是指一般的序列到序列的轉(zhuǎn)換任務(wù)，常用于自動(dòng)文摘、機(jī)器翻譯等。它包含了編碼器、解碼器以及連接兩者的中間狀態(tài)向量共3個(gè)部分。其中編碼器與解碼器部分為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)單元結(jié)構(gòu)，編碼器通過學(xué)習(xí)輸入，并將其編碼為一個(gè)固定大小的狀態(tài)向量，進(jìn)而再將該向量傳給解碼器部分，最后解碼器再通過對(duì)狀態(tài)向量的學(xué)習(xí)來進(jìn)行相關(guān)輸出。

由于RNN具有一定的短期記憶優(yōu)勢(shì)，因此常常將它作為對(duì)時(shí)序數(shù)據(jù)訓(xùn)練的首選神經(jīng)網(wǎng)絡(luò)。不過當(dāng)序列數(shù)據(jù)的長度超過一定范圍后，利用RNN所訓(xùn)練的數(shù)據(jù)將會(huì)出現(xiàn)嚴(yán)重的梯度消失問題，進(jìn)而導(dǎo)致訓(xùn)練停止，也就是說，RNN僅能學(xué)到一定間隔的時(shí)間序列信息。飛機(jī)所發(fā)送的ADS-B數(shù)據(jù)可以看作是一系列具有前后聯(lián)系的時(shí)間序列，因其長度較長，所以在這種條件下，RNN將很難有效利用這些長序列的歷史信息，即無法學(xué)習(xí)到長期依賴的特征。為了解決該問題，Hochreiter和Schmidhuber[27]首次引入了長短期記憶機(jī)制(LSTM)。此后，研究者們也提出了許多LSTM的變體，其中最為流行的為Graves和Schmidhuber[28]于2005年所描述的。

LSTM可以使用其內(nèi)部存儲(chǔ)單元狀態(tài)來捕獲長期模式和依賴關(guān)系。因此，編解碼結(jié)構(gòu)與LSTM網(wǎng)絡(luò)的結(jié)合可以作為一個(gè)有效的時(shí)間序列預(yù)測(cè)模型。

圖4 模型核心圖
Fig.4 Core model diagram

2.4 異常評(píng)估指標(biāo)

(3)

式中：n為向量的特征維數(shù)。

在此基礎(chǔ)上，可定義時(shí)間序列的重構(gòu)異常分?jǐn)?shù)為

(4)

通過實(shí)驗(yàn)可以確定異常分?jǐn)?shù)的閾值，作為異常序列判定的標(biāo)準(zhǔn)。具體來說，計(jì)算訓(xùn)練集的異常分?jǐn)?shù)，并定義閾值為97%的異常分?jǐn)?shù)值小于該值。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)獲取

實(shí)驗(yàn)所使用的數(shù)據(jù)來自Flightradar24，該網(wǎng)站提供了從全球數(shù)千個(gè)地面ADS-B站收集的數(shù)據(jù)。虛假報(bào)文數(shù)據(jù)由模擬生成，方法描述如下：

隨機(jī)噪聲(干擾)：將原始ADS-B報(bào)文中獲取的飛行信息數(shù)值乘一個(gè)0～2之間的隨機(jī)浮點(diǎn)數(shù)。

航路替換(報(bào)文注入)：給定某條航路信息，對(duì)于選定的ADS-B序列段，注入另一條正確的航路信息來代替該段序列。

網(wǎng)絡(luò)延遲(報(bào)文刪除)：在選定的ADS-B序列段，對(duì)于每10條連續(xù)的報(bào)文信息，只保留第1條，刪除后9條。這種情況模擬了現(xiàn)實(shí)情況中，只有在足夠大時(shí)間間隔的條件下，接收端才能接收到有效報(bào)文信息。

高度偏移(報(bào)文篡改)：以400 ft(1 ft=0.304 8 m)尺為倍數(shù)，逐漸改變ADS-B報(bào)文中所包含的高度特征信息，具體來說，在選定的ADS-B序列段，將第1個(gè)向量所包含的高度特征增加400 ft，第2個(gè)增加800 ft，以此類推。

速度偏移(報(bào)文篡改)：以5節(jié)為倍數(shù)，逐漸改變ADS-B報(bào)文中所包含的速度特征信息，具體來說，在選定的ADS-B序列段，將第1個(gè)向量所包含的速度特征增加5節(jié)，第2個(gè)增加10節(jié)，以此類推。

3.2 實(shí)驗(yàn)策略

實(shí)驗(yàn)過程中，選取100趟航班連續(xù)7天從起飛到降落的完整數(shù)據(jù)作為訓(xùn)練樣本，每趟航班數(shù)據(jù)在1 500～2 000之間。另選取10趟單獨(dú)的航班作為測(cè)試樣本。在測(cè)試樣本中，分別在飛機(jī)飛行的不同階段(起飛、爬升、巡航、下降)選定長度為100的序列為異常序列段，按照前文描述的5種虛假報(bào)文類型進(jìn)行修改。

用特征維度擴(kuò)展后的時(shí)間序列與未擴(kuò)展時(shí)間序列分別進(jìn)行訓(xùn)練，即進(jìn)行相同過程的平行實(shí)驗(yàn)。兩個(gè)模型訓(xùn)練完成后，分別計(jì)算兩個(gè)訓(xùn)練集的異常分?jǐn)?shù)，并定義閾值為97%的異常分?jǐn)?shù)值小于該值。在實(shí)驗(yàn)過程中，輸入LSTM單元的原始時(shí)間序列長度為10，特征維度擴(kuò)展過程中，兩個(gè)滑動(dòng)窗口的大小分別為b=4，f=2。LSTM單元數(shù)為128，批尺寸(batch_size)為64，dropout比率為0.2，訓(xùn)練所采用的損失函數(shù)為均方誤差(MSE)。

3.3 實(shí)驗(yàn)結(jié)果

圖5為某條測(cè)試航班的實(shí)驗(yàn)結(jié)果圖，其中橫坐標(biāo)為序列號(hào)，縱坐標(biāo)為異常分?jǐn)?shù)，方框內(nèi)為異常序列段(序號(hào)為199～299)，橫線為異常閾值。其中圖5(a)～圖5(e)對(duì)應(yīng)的是特征未擴(kuò)展時(shí)間序列作為訓(xùn)練樣本，圖5(f)～圖5(j)對(duì)應(yīng)的特征維度擴(kuò)展后的時(shí)間序列作為訓(xùn)練樣本。

圖5(a)～圖5(c)表明，該模型對(duì)隨機(jī)噪聲、航路替換與網(wǎng)絡(luò)延遲這3種類型的異常序列檢測(cè)結(jié)果的可視化效果顯著。需要注意，將異常序列段按網(wǎng)絡(luò)延遲異常模擬方法修改后，其長度變?yōu)?0。

圖5(d)和圖5(e)表明，模型在對(duì)高度偏移與速度偏移的異常檢測(cè)中，表現(xiàn)出延時(shí)檢測(cè)的結(jié)果。這是因?yàn)樵诋惓Ｗ兓某跗?，?shù)據(jù)變化幅度較小，特征變化并不明顯。在對(duì)特征維度擴(kuò)展后的序列進(jìn)行測(cè)試時(shí)，由于數(shù)據(jù)特征的時(shí)間依賴性被更好捕捉，因此這種現(xiàn)象得到了明顯的改善，具體表現(xiàn)為，在異常序列進(jìn)入的初期，即可迅速觸發(fā)閾值，如圖5(i)和圖5(j)所示。

在對(duì)數(shù)據(jù)進(jìn)行特征維度擴(kuò)展后，數(shù)據(jù)的總量變?yōu)樵瓉淼囊话?，表現(xiàn)在實(shí)驗(yàn)結(jié)果上，其對(duì)應(yīng)的異常序號(hào)也變?yōu)樵瓉淼囊话?。圖5(f)～圖5 (h)為特征維度擴(kuò)展后，模型對(duì)另外3種異常序列的檢測(cè)結(jié)果圖。

圖5 實(shí)驗(yàn)結(jié)果圖
Fig.5 Experimental results figure

本文采用精確率(Precision)，召回率(Recall)和F1分?jǐn)?shù)來衡量該模型。其中精確率是指正確檢測(cè)出的異常ADS-B樣本數(shù)占所有實(shí)際被檢測(cè)出的異常樣本數(shù)的比例，召回率是指正確檢測(cè)出的ADS-B異常樣本數(shù)占所有應(yīng)該檢測(cè)出的異常樣本數(shù)的比例，F(xiàn)1分?jǐn)?shù)為精確率和召回率的調(diào)和均值。表2和表3為完整實(shí)驗(yàn)結(jié)果，其中LSTM表示樣本為特征未擴(kuò)展的時(shí)間序列，LSTM-EN表示樣本為特征維度擴(kuò)展后時(shí)間序列。

可以看出，模型精確率較低，尤其是針對(duì)網(wǎng)絡(luò)延遲這種異常模式，這是因?yàn)楫惓Ｐ蛄卸伍L度相對(duì)于整個(gè)測(cè)試航班所占比例較小。為提升模型精確率，在實(shí)驗(yàn)過程中，設(shè)置模型使其只有在連續(xù)檢測(cè)到足夠多的異常點(diǎn)時(shí)，才觸發(fā)報(bào)警(現(xiàn)實(shí)情況中，ADS-B報(bào)文更新快，因此一些單獨(dú)的異常點(diǎn)可以忽略，在此將異常目標(biāo)鎖定為序列)。對(duì)應(yīng)現(xiàn)實(shí)情況，即給與一定的報(bào)警時(shí)間延遲(飛機(jī)平均每0.5 s 通過ADS-B報(bào)文廣播一次它的速度、位置等信息)。表4和表5為連續(xù)檢測(cè)到超過10個(gè)異常點(diǎn)再觸發(fā)異常報(bào)警的情況，可以發(fā)現(xiàn)模型檢測(cè)精確率大大提高。

表2 精確率、召回率與F1分?jǐn)?shù)Table 2 Precision, recall, and F1 scores

表3 平均精確率、召回率與F1分?jǐn)?shù)Table 3 Average precision, recall, and F1 scores

表4 精確率、召回率與F1分?jǐn)?shù)(檢測(cè)目標(biāo)為序列)

表5 平均精確率、召回率與F1分?jǐn)?shù)(檢測(cè)目標(biāo)為序列)

另外，本文還從4類不同的異常檢測(cè)方法中分別選取一種對(duì)5種類型的異常數(shù)據(jù)分別進(jìn)行測(cè)試作為對(duì)比，這4種方法分別為基于線性模型方法的一類支持向量機(jī) (OCSVM)，基于集群方法的孤立森林(IF)，基于距離方法的局部異常因子算法(LOF)以及由LSTM組成的神經(jīng)網(wǎng)絡(luò)(SeqLSTM)。

在對(duì)比實(shí)驗(yàn)中，從上述實(shí)驗(yàn)樣本中選取約20 000條數(shù)據(jù)，再從中選取10趟航班對(duì)5種異常類型分別模擬2 000條數(shù)據(jù)組成5個(gè)新的數(shù)據(jù)子集，訓(xùn)練集與測(cè)試集劃分比例為4∶1。其中OCSVM的核函數(shù)為徑向核函數(shù)(rbf)，IF中樹的棵數(shù)為150，LOF中參數(shù)K為25，神經(jīng)網(wǎng)絡(luò)由3層LSTM單元以及一個(gè)全連接層組成，損失函數(shù)為二元交叉熵(binary_crossentropy)，輸入模型的時(shí)間序列長度為10，輸出為表示異?；蛘５臉?biāo)簽。

前3種方法由于只使用了當(dāng)前檢測(cè)點(diǎn)的特征信息，沒有考慮到當(dāng)前點(diǎn)相鄰時(shí)間內(nèi)的目標(biāo)變化信息，因而檢測(cè)性能較低，且不能通過將目標(biāo)鎖定為序列的方式來提高。其中LOF召回率較高，能檢測(cè)到更多真實(shí)的異常點(diǎn)，但其精確率較低。而由LSTM單元構(gòu)成的神經(jīng)網(wǎng)絡(luò)對(duì)ADS-B時(shí)間序列雖然具有較好的異常檢測(cè)效果，但因?yàn)樵谟?xùn)練之前需要對(duì)所有數(shù)據(jù)進(jìn)行人為標(biāo)注，因而具有一定的局限性。具體實(shí)驗(yàn)結(jié)果如表6和表7所示，其中SeqLSTM表示由LSTM單元構(gòu)成的神經(jīng)網(wǎng)絡(luò)。

表6 各個(gè)方法精確率、召回率與F1分?jǐn)?shù)

以上各類方法中，基于LSTM的seq2seq模型對(duì)異常ADS-B時(shí)序序列檢測(cè)效果最好，檢測(cè)能力更為全面。在對(duì)時(shí)間序列進(jìn)行特征維度擴(kuò)展后，該模型的各項(xiàng)檢測(cè)指標(biāo)全面提升。

表7 各個(gè)方法平均精確率、召回率與F1分?jǐn)?shù)

4 結(jié) 論

1) 該模型通過ADS-B報(bào)文數(shù)據(jù)的變化特點(diǎn)可以檢測(cè)針對(duì)系統(tǒng)的欺騙式干擾，檢測(cè)性能優(yōu)于一類支持向量機(jī)，孤立森林，局部異常因子算法，以及由LSTM組成的神經(jīng)網(wǎng)絡(luò)，且實(shí)施難度低于現(xiàn)有的欺騙干擾檢測(cè)方法。

2) 該模型在將異常目標(biāo)鎖定為序列時(shí)可實(shí)現(xiàn)優(yōu)異的檢測(cè)性能，具體表現(xiàn)為，針對(duì)連續(xù)超過10條的異常ADS-B數(shù)據(jù)，5種異常序列的平均檢測(cè)精確率為0.913，平均召回率為0.845。

3) 對(duì)序列進(jìn)行特征維度擴(kuò)展后，模型檢測(cè)性能提高，在保持高精確率的同時(shí)，平均召回率提高14%，由0.845提高為0.963。

后續(xù)工作將考慮添加環(huán)境因素以及飛機(jī)機(jī)動(dòng)狀態(tài)改變所帶來的數(shù)據(jù)變化，并將時(shí)間序列中重要的數(shù)據(jù)點(diǎn)(起飛點(diǎn)、降落點(diǎn)、巡航開始點(diǎn)、巡航結(jié)束點(diǎn)等)作為編碼器和解碼器的附加特征和處理后的數(shù)據(jù)一起放入模型中進(jìn)行訓(xùn)練以應(yīng)對(duì)更為復(fù)雜的異常數(shù)據(jù)類型。