王鳳芹，高 龍，徐廷學(xué)，王麗娜

（1. 海軍航空大學(xué) 航空基礎(chǔ)學(xué)院，煙臺(tái) 264001；2. 海軍航空大學(xué) 作戰(zhàn)勤務(wù)學(xué)院，煙臺(tái) 264001）

隨著無人機(jī)技術(shù)、計(jì)算機(jī)技術(shù)和通信技術(shù)的飛速發(fā)展，無人機(jī)在民用和軍用領(lǐng)域都得到了廣泛應(yīng)用，尤其在軍事領(lǐng)域扮演著重要角色。然而，無人機(jī)在發(fā)揮重大作用的同時(shí)，其面臨的安全問題也日漸突出。2020年6月24日，美國空軍一架MQ-9“死神”無人機(jī)在非洲墜毀，此次事故造成了1129萬美元的損失。如何提升無人機(jī)飛行安全成為無人機(jī)領(lǐng)域一大研究課題。

當(dāng)前，為保證無人機(jī)飛行安全，一種常見的做法是對(duì)飛行數(shù)據(jù)進(jìn)行監(jiān)控，即監(jiān)控飛行數(shù)據(jù)中的異常情況[1]。當(dāng)出現(xiàn)異常飛行數(shù)據(jù)時(shí)，說明無人機(jī)組成部件或者操控人員的操作出現(xiàn)了問題，針對(duì)問題及時(shí)查找原因，避免飛行事故的發(fā)生，從而保證飛行安全。如何從大量的無人機(jī)歷史飛行數(shù)據(jù)中挖掘出飛機(jī)異常狀態(tài)的數(shù)據(jù)模式是亟待解決的問題。

針對(duì)無人機(jī)飛行數(shù)據(jù)缺少標(biāo)簽而且異常數(shù)據(jù)較少的情況，一種可行的方法是采用無監(jiān)督機(jī)器學(xué)習(xí)算法。傳統(tǒng)的用于異常檢測的機(jī)器學(xué)習(xí)算法有基于距離的檢測算法（如K-Means聚類算法）和基于映射的方法（如單類支持向量機(jī)，One Class Support Vector Machine，OC-SVM）。這兩類方法通?；跇颖緝?nèi)在的屬性判斷是否異常，難以綜合考慮樣本之間的關(guān)系，因此對(duì)數(shù)據(jù)的趨勢變化不敏感，且難以處理時(shí)序數(shù)據(jù)。

由于異常數(shù)據(jù)通常會(huì)違反時(shí)序數(shù)據(jù)的依賴關(guān)系，因此，近幾年比較流行的一種深度學(xué)習(xí)方法是利用長短時(shí)記憶網(wǎng)絡(luò)（Long Short-Term Memory, LSTM）捕獲正常時(shí)序數(shù)據(jù)之間的依賴關(guān)系，從而實(shí)現(xiàn)飛行數(shù)據(jù)的異常檢測[2]。文獻(xiàn)[3]利用深度學(xué)習(xí)網(wǎng)絡(luò)LSTM來檢測廣播式自動(dòng)相關(guān)監(jiān)視（Automatic Dependent Surveillance Broadcast, ADS-B）時(shí)序數(shù)據(jù)中的異常。該方法的主要問題在于對(duì)數(shù)據(jù)樣本敏感，容易對(duì)異常數(shù)據(jù)產(chǎn)生過擬合。

另一種比較流行的深度學(xué)習(xí)方法是基于重構(gòu)的深度學(xué)習(xí)算法。文獻(xiàn)[4]在采用自動(dòng)編碼器（Auto Encoder, AE）的基礎(chǔ)上引入變分自動(dòng)編碼器（Variational Auto Encoder, VAE），將變分與深度學(xué)習(xí)結(jié)合起來進(jìn)行異常檢測。該方法應(yīng)用在異常檢測問題上的主要困難在于確定低維空間維度，存在偏差，有變分下界，不能很好地捕獲樣本的數(shù)據(jù)模式。

生成性對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Nets，GAN）是另一種深度學(xué)習(xí)生成模型[7]，該模型由用于捕獲正常樣本數(shù)據(jù)分布的生成網(wǎng)絡(luò)和用于估計(jì)樣本異常概率的判別網(wǎng)絡(luò)兩部分組成。相比VAE方法，GAN是漸進(jìn)一致的、沒有變分下界。但是到目前，尚未發(fā)現(xiàn)使用GAN網(wǎng)絡(luò)進(jìn)行無人機(jī)飛行數(shù)據(jù)異常檢測的文獻(xiàn)。

為了提升現(xiàn)有無人機(jī)飛行數(shù)據(jù)異常檢測能力，針對(duì)LSTM網(wǎng)絡(luò)存在對(duì)數(shù)據(jù)樣本敏感、易產(chǎn)生擬合異常數(shù)據(jù)的問題，本文提出了一種異常檢測算法LSTM-GAN，通過訓(xùn)練LSTM網(wǎng)絡(luò)和GAN網(wǎng)絡(luò)組成的循環(huán)網(wǎng)絡(luò)，構(gòu)建無人機(jī)飛行數(shù)據(jù)的正常樣本模式，以檢測離線狀態(tài)下無人機(jī)異常數(shù)據(jù)，從而及早發(fā)現(xiàn)飛行問題或故障部件，為無人機(jī)預(yù)防性維修提供數(shù)據(jù)支持，保證飛行安全。

1 無人機(jī)飛行數(shù)據(jù)異常檢測問題

與有人機(jī)相比，無人機(jī)最大特點(diǎn)是無人駕駛，飛行數(shù)據(jù)在這一過程中發(fā)揮著重要作用。飛行數(shù)據(jù)是指與飛機(jī)性能和飛行狀態(tài)相關(guān)的飛行參數(shù)一段時(shí)間內(nèi)的取值，由無人機(jī)上設(shè)置的大量傳感器進(jìn)行采集，經(jīng)由飛機(jī)數(shù)據(jù)總線傳輸至飛行數(shù)據(jù)存儲(chǔ)器，或者經(jīng)過數(shù)據(jù)鏈傳輸至地面控制站。采集得到的飛行數(shù)據(jù)按照數(shù)據(jù)的信號(hào)源不同，分為動(dòng)力系統(tǒng)數(shù)據(jù)、導(dǎo)航飛控?cái)?shù)據(jù)、電氣系統(tǒng)數(shù)據(jù)、任務(wù)設(shè)備數(shù)據(jù)、測控系統(tǒng)數(shù)據(jù)和位置信息系統(tǒng)數(shù)據(jù)。各類數(shù)據(jù)如表1所示。飛行數(shù)據(jù)是每隔幾十毫秒采集一次，所以數(shù)據(jù)具有時(shí)間相關(guān)性。為了驗(yàn)證算法的有效性，本文以最常用的高度信息為例，分析傳感器采集到的高度數(shù)據(jù)中的異常。

表1 飛行數(shù)據(jù)分類表Tab.1 Flight data classification table

按照飛行數(shù)據(jù)異常發(fā)生時(shí)間的范圍，飛行數(shù)據(jù)的異常分為瞬時(shí)異常和序列異常。飛行數(shù)據(jù)的瞬時(shí)異常是指在某個(gè)時(shí)間點(diǎn)出現(xiàn)的單個(gè)異常點(diǎn)或者某一短暫時(shí)間出現(xiàn)的異常點(diǎn)。最簡單的瞬時(shí)異常檢測方法是基于數(shù)據(jù)標(biāo)準(zhǔn)值范圍的異常檢測，通過比較各個(gè)參數(shù)值與相應(yīng)的標(biāo)準(zhǔn)數(shù)值范圍查找異常。這種方法簡單，但不能發(fā)現(xiàn)飛行數(shù)據(jù)的序列異常。飛行數(shù)據(jù)的序列異常是指在某段飛行時(shí)間內(nèi)，飛行數(shù)據(jù)存在異常模式的子序列。序列異常檢測需要首先構(gòu)建每一個(gè)飛行數(shù)據(jù)項(xiàng)的正常序列數(shù)據(jù)模式，然后利用正常數(shù)據(jù)模式去檢測時(shí)間數(shù)據(jù)序列，對(duì)于不符合已構(gòu)建的正常數(shù)據(jù)模式的子序列識(shí)別為異常序列。

2 基于LSTM-GAN異常檢測算法設(shè)計(jì)

2.1 算法總體架構(gòu)

基于LSTM-GAN進(jìn)行飛行數(shù)據(jù)異常檢測的算法架構(gòu)如圖1所示，由訓(xùn)練網(wǎng)絡(luò)和異常檢測兩部分組成。GAN訓(xùn)練過程包括生成網(wǎng)絡(luò)GN和判別網(wǎng)絡(luò)DN的訓(xùn)練，生成網(wǎng)絡(luò)GN以隨機(jī)生成的噪聲時(shí)序Z為輸入，目標(biāo)是盡可能偽裝成真實(shí)的飛行數(shù)據(jù)時(shí)序以欺騙判別網(wǎng)絡(luò)，判別網(wǎng)絡(luò)以真實(shí)飛行數(shù)據(jù)訓(xùn)練樣本為輸入，盡可能辨別出真實(shí)飛行數(shù)據(jù)和隨機(jī)噪聲數(shù)據(jù)，GAN的訓(xùn)練過程即為生成網(wǎng)絡(luò)GN和判別網(wǎng)絡(luò)DN不斷博弈過程，直至達(dá)到納什均衡，最終得到的GAN網(wǎng)絡(luò)中，生成網(wǎng)絡(luò)GN將捕獲訓(xùn)練序列的隱藏多元分布，判別網(wǎng)絡(luò)DN也被訓(xùn)練成高靈敏度地檢測異常數(shù)據(jù)。異常檢測部分以真實(shí)飛行數(shù)據(jù)測試樣本XTest為輸入，利用訓(xùn)練好的生成網(wǎng)絡(luò)GN計(jì)算測試樣本的重構(gòu)損失（Reconstruction Loss, RL），判別網(wǎng)絡(luò)計(jì)算測試樣本的判別損失（Discrimination Loss, DL），兩部分相結(jié)合計(jì)算出異常分?jǐn)?shù)，根據(jù)異常分?jǐn)?shù)判定是否為異常數(shù)據(jù)序列。

圖1 LSTM-GAN飛行數(shù)據(jù)異常檢測算法架構(gòu)Fig.1 Flight data anomaly detection model architecture of LSTM-GAN

2.2 訓(xùn)練網(wǎng)絡(luò)架構(gòu)

圖1中的LSTM-GAN訓(xùn)練網(wǎng)絡(luò)包括生成網(wǎng)絡(luò)GN和判別網(wǎng)絡(luò)DN兩部分，該兩個(gè)網(wǎng)絡(luò)的具體組成如圖2所示。

圖2 LSTM-GAN訓(xùn)練網(wǎng)絡(luò)架構(gòu)Fig.2 Training model architecture of LSTM-GAN

生成網(wǎng)絡(luò)GN建立兩個(gè)映射函數(shù)G1:X→Z和G2:Z→X，函數(shù)G1是將真實(shí)飛行數(shù)據(jù)訓(xùn)練樣本X進(jìn)行編碼降維到潛在空間Z，函數(shù)G2是將潛在空間Z生成隨機(jī)時(shí)序數(shù)據(jù)X，其中，Z服從多元正態(tài)分布，即z～N(0,1)，利用映射函數(shù)G1和G2實(shí)現(xiàn)時(shí)序數(shù)據(jù)X的重構(gòu)，即：

判別網(wǎng)絡(luò)DN建立兩個(gè)判別函數(shù)Dx:X→P和Dz:Z→P，Dx判定給定的樣本X是真實(shí)數(shù)據(jù)樣本的概率為P，其目標(biāo)是盡可能區(qū)分真實(shí)數(shù)據(jù)樣本和G生成的隨機(jī)數(shù)據(jù)樣本；Dz判定給定的向量Z是由真實(shí)數(shù)據(jù)樣本編碼得到的概率為P，其目標(biāo)是盡可能區(qū)分真實(shí)樣本編碼得到的潛在向量和隨機(jī)數(shù)據(jù)樣本。為了避免網(wǎng)絡(luò)擬合異常數(shù)據(jù)風(fēng)險(xiǎn)，網(wǎng)絡(luò)中引入掩蔽Mask層和Dropout層，隨機(jī)對(duì)神經(jīng)元進(jìn)行遮蔽和丟棄，提高訓(xùn)練網(wǎng)絡(luò)的穩(wěn)定性。

2.3 網(wǎng)絡(luò)目標(biāo)函數(shù)

經(jīng)典GAN網(wǎng)絡(luò)的損失函數(shù)采用Wasserstein對(duì)抗損失，如式(2)所示：

利用Wasserstein損失函數(shù)WL作為訓(xùn)練網(wǎng)絡(luò)的目標(biāo)損失函數(shù)，存在梯度爆炸的風(fēng)險(xiǎn)，為避免該問題，在訓(xùn)練判別網(wǎng)絡(luò)時(shí)，利用Wasserstein距離，針對(duì)兩個(gè)生成函數(shù)和判別函數(shù)分別設(shè)計(jì)目標(biāo)損失函數(shù)。

對(duì)于生成函數(shù)G1:X→Z和判別函數(shù)D z:Z→P，目標(biāo)損失函數(shù)設(shè)定為：

其中，

Dz表示1-Lipschitz連續(xù)函數(shù)集，即：對(duì)?x1,x2?dom f

1-Lipschitz連續(xù)函數(shù)對(duì)函數(shù)值的上界進(jìn)行了約束，同時(shí)函數(shù)具有平滑性，由此可以使網(wǎng)絡(luò)權(quán)重的更新不會(huì)發(fā)生很大的變化，這就降低了梯度爆炸的風(fēng)險(xiǎn)，生成時(shí)序數(shù)據(jù)樣本的分布與真實(shí)飛行數(shù)據(jù)的數(shù)據(jù)分布相匹配，使得網(wǎng)絡(luò)訓(xùn)練更加穩(wěn)定可靠。

對(duì)于生成函數(shù)G2:Z→X和判別函數(shù)D x:X→P，目標(biāo)損失函數(shù)設(shè)定為：

其中，

訓(xùn)練GAN網(wǎng)絡(luò)的目的是能較好地重構(gòu)輸入時(shí)序，采用以上兩個(gè)目標(biāo)損失函數(shù)，映射函數(shù)的搜索空間很大，為了縮小搜索空間，引入循環(huán)一致性損失函數(shù)，如式(8)所示：

其中，‖·‖2表示原始樣本x與重構(gòu)樣本差的L2范數(shù)。

綜合式(3)(6)(8)，得到GAN網(wǎng)絡(luò)的目標(biāo)損失函數(shù)為：

2.4 基礎(chǔ)網(wǎng)絡(luò)LSTM

算法基礎(chǔ)網(wǎng)絡(luò)采用長短時(shí)記憶網(wǎng)絡(luò)（LSTM）[9]，是一種遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network,RNN），是將RNN隱藏層的每個(gè)節(jié)點(diǎn)神經(jīng)元之間構(gòu)建了3個(gè)門——遺忘門f、輸入門i和輸出門o，通過門結(jié)構(gòu)控制信息在網(wǎng)絡(luò)中的狀態(tài)，三個(gè)門組成的記憶單元如圖3所示。

在時(shí)間步t時(shí)，LSTM隱藏層的輸入向量為xt，輸出向量為ht，記憶單元為ct，其中，

遺忘門：

輸入門：

輸出門：

其中?表示向量元素對(duì)應(yīng)乘；W表示權(quán)重；σ是sigmod函數(shù)，b是偏置項(xiàng)。tanh是雙曲正切函數(shù)，通過記憶單元和門控單元實(shí)現(xiàn)歷史信息和長期狀態(tài)的保存，通過遺忘門使得LSTM能夠?qū)W習(xí)連續(xù)任務(wù)，并對(duì)內(nèi)部狀態(tài)進(jìn)行重置。

2.5 算法步驟

基于LSTM-GAN網(wǎng)絡(luò)的異常檢測算法描述如下：

輸入：真實(shí)飛行數(shù)據(jù)樣本X={X1,X2,…...,Xt}

步驟：

Step1：使用滑動(dòng)窗口將訓(xùn)練樣本XTrain劃分為子序列，滑動(dòng)窗口大小設(shè)為m，則訓(xùn)練樣本序列分解為：X1～m,Xm+1～2m,…,X(n-1)m+1～nm，

其中，

Step2：隨機(jī)生成服從正態(tài)分布的噪聲序列Z，每組序列長度也為m，即為：

其中，

Step3：訓(xùn)練GAN網(wǎng)絡(luò)

置迭代次數(shù)初始值為1；

當(dāng)?shù)螖?shù)小于最大迭代次數(shù)，重復(fù)做以下操作：

真實(shí)訓(xùn)練樣本X生成潛在空間：

重構(gòu)真實(shí)訓(xùn)練樣本X：G2(X TrainL)；

隨機(jī)噪聲Z生成偽時(shí)序數(shù)據(jù)：

ZS=G2(Z1～m,Zm+1～2m,…,Z(n-1)m+1～nm)

判別DZ(X TrainL)；

判別D X(ZS)；

針對(duì)目標(biāo)損失函數(shù)：

調(diào)整網(wǎng)絡(luò)；

記錄生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)的權(quán)重和偏置；

迭代次數(shù)增1。

Step4：異常檢測

使用滑動(dòng)窗口將測試樣本XTest劃分為子序列，滑動(dòng)窗口大小為m，則測試樣本序列分解為：X1～m,Xm+1～2m,…,X(k-1)m+1～km；

計(jì)算判別損失DLTest=DZ(X TestL)；

計(jì)算異常分?jǐn)?shù)ADScore=αRLTest+(1-α)DLTest；

依據(jù)異常分?jǐn)?shù)輸出異常飛行數(shù)據(jù)序列：

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)設(shè)計(jì)

（1）實(shí)驗(yàn)內(nèi)容

為了評(píng)估LSTM-GAN異常檢測算法的性能，在選定實(shí)驗(yàn)數(shù)據(jù)集上，與飛行數(shù)據(jù)異常檢測算法：K-Means、OC-SVM、LSTM、Auto-Encoder的異常檢測性能進(jìn)行對(duì)比分析。其次，通過網(wǎng)絡(luò)損失值的變化驗(yàn)證目標(biāo)損失函數(shù)設(shè)定的合理性。

（2）評(píng)估指標(biāo)

實(shí)驗(yàn)采用準(zhǔn)確率（Accuracy，Acc）、精確率（Precision，Pre）、召回率（Recall，Rec）和F1分?jǐn)?shù)來評(píng)估LSTM-GAN的異常檢測性能。四個(gè)評(píng)估指標(biāo)的計(jì)算公式分別如式(16)-(19)所示。

其中，TP表示真正例數(shù)，即實(shí)際情況和檢測結(jié)果都是正常樣本；FP表示假正例數(shù)，即實(shí)際情況為異常樣本而檢測結(jié)果為正常樣本；TN表示真反例數(shù)，表示實(shí)際情況和檢測結(jié)果都為異常樣本；FN表示假反例數(shù)，表示實(shí)際情況為正常樣本而檢測結(jié)果為異常樣本。對(duì)應(yīng)混淆矩陣如表2所示。

表2 混淆矩陣Tab.2 Confusion matrix

準(zhǔn)確率越高則算法檢測效果相對(duì)較好，但對(duì)于正常樣本多異常樣本少的數(shù)據(jù)分布不平衡情況，正常樣本類別會(huì)主導(dǎo)準(zhǔn)確率的計(jì)算，所以還需其他指標(biāo)綜合評(píng)判；精確率是衡量算法正確檢測正樣本精度的能力指標(biāo)；召回率是衡量算法檢測正樣本全度的能力指標(biāo)；理想狀況下，精確率和召回率兩者越高越好，但實(shí)際情況是兩者相互制約，精確率高則召回率就低，為了平衡精確率和召回率的相互影響，引入F1分?jǐn)?shù)，是衡量算法精確率和召回率平衡后的能力指標(biāo)，值越大越好。對(duì)于飛行數(shù)據(jù)異常檢測，則要保證精確率的條件下，提升召回率和F1分?jǐn)?shù)。

（3）實(shí)驗(yàn)數(shù)據(jù)

3.2 結(jié)果分析

從圖中可以看出，從第2次迭代網(wǎng)絡(luò)損失值迅速下降到0.15以下，后續(xù)迭代中，目標(biāo)損失函數(shù)值的下降都相對(duì)穩(wěn)定，這說明在三個(gè)損失函數(shù)的共同作用下，循環(huán)異常檢測網(wǎng)絡(luò)更加穩(wěn)定，有效避免了網(wǎng)絡(luò)的梯度爆炸情況，使得LSTM-GAN網(wǎng)絡(luò)的異常檢測性能更加穩(wěn)定。

4 結(jié) 論

為了提升現(xiàn)有無人機(jī)飛行數(shù)據(jù)異常檢測能力，針對(duì)LSTM異常檢測算法對(duì)數(shù)據(jù)樣本敏感、容易產(chǎn)生擬合異常數(shù)據(jù)的問題，提出了一種基于LSTM-GAN的無監(jiān)督異常檢測算法。該算法以GAN網(wǎng)絡(luò)為算法框架，設(shè)計(jì)了生成網(wǎng)絡(luò)、判別網(wǎng)絡(luò)和重構(gòu)網(wǎng)絡(luò)三組網(wǎng)絡(luò)來循環(huán)構(gòu)建正常樣本的數(shù)據(jù)模式，通過生成網(wǎng)絡(luò)分別與判別網(wǎng)絡(luò)、重構(gòu)網(wǎng)絡(luò)之間的博弈，有效避免了網(wǎng)絡(luò)對(duì)數(shù)據(jù)敏感和擬合異常數(shù)據(jù)的風(fēng)險(xiǎn)。算法針對(duì)無人機(jī)缺乏帶標(biāo)簽的飛行數(shù)據(jù)樣本且數(shù)據(jù)樣本分布不平衡的特點(diǎn)，以LSTM作為基礎(chǔ)網(wǎng)絡(luò)，能有效捕獲到飛行數(shù)據(jù)之間潛在交互作用和時(shí)間相關(guān)性。實(shí)驗(yàn)結(jié)果表明，本文提出的LSTM-GAN異常檢測算法，比目前流行的基于距離的異常檢測K-means算法、基于SVM的OC-SVM算法、基于深度學(xué)習(xí)的LSTM和Auto-Encoder異常檢測的準(zhǔn)確率、精確率、召回率和F1分?jǐn)?shù)均高，說明基于LSTM-GAN算法的異常檢測性能好，同時(shí)算法設(shè)計(jì)的兩個(gè)判別損失函數(shù)和一個(gè)重構(gòu)損失函數(shù)組合構(gòu)成的網(wǎng)絡(luò)訓(xùn)練目標(biāo)損失函數(shù)，有效避免了網(wǎng)絡(luò)出現(xiàn)梯度爆炸的問題。本文較好解決了飛行數(shù)據(jù)無監(jiān)督異常檢測問題，可以對(duì)無人機(jī)飛后的狀態(tài)監(jiān)控、安全評(píng)估和事故分析提供數(shù)據(jù)支持，由于深度學(xué)習(xí)的網(wǎng)絡(luò)復(fù)雜性帶來檢測時(shí)間相對(duì)長，未來需要研究如何降低檢測時(shí)間，實(shí)現(xiàn)無人機(jī)的在線異常狀態(tài)檢測，同時(shí)探索深度學(xué)習(xí)網(wǎng)絡(luò)模型的可視化技術(shù)，提高異常檢測算法的理解和解釋能力。