机器学习、深度学习网络支持UND研究项目中的无人机安全

自2017年年中以来，罗克韦尔柯林斯的一个研究小组一直在罗克韦尔柯林斯的资助下工作，旨在解决涉及无人机系统（UAS）的网络安全问题。这项研究将于2019年初结束，已经扩展到包括一群小型UAS，为UND学生提供了使用机器学习和神经网络检测国家空域多个目标的真实实践经验。

UND网络安全项目主任Prakash Ranganathan博士正在领导罗克韦尔柯林斯赞助的研究项目，该项目名为“无人机空域的地理围栏检测系统（GFDS）以提供反自治”。

无人机系统在国家空域的使用越来越多，这需要继续研究安全和探测方面的进展。虽然商用UAS市场并不完全关注恶意网络攻击者，但军方需要的系统在某种程度上不可能进行逆向工程。“小型UAS或无人机只是网络物理系统（CPS），这意味着有硬件和软件组件相互作用来实现目标，”Ranganathan说。“嵌入在这些sUAS（小型无人机系统）中的电子和软件应用程序是脆弱的。

事实上，经验丰富的恶意黑客可以对无人机敏感的漏洞类型进行实地考察：“黑客可以利用的漏洞包括利用通信渠道（射频、Wi-Fi、蓝牙）来访问、传输和传输消息在一架无人机之间到另一架无人机或网络，”Ranganathan 指出。

“此外，GPS也可以被欺骗来控制这些无人机，”他继续说道。Ranganathan和研究员Eric Horton在他们合著的文章“开发GPS欺骗设备以攻击DJI Matrice 100四轴飞行器”中解释说，“GPS欺骗是通过一个能够模仿与目标可见的GPS星座中每颗卫星相关的GPS信号的系统完成的。假GPS信号的GPS传输功率高于真实信号，导致接收器锁定它们以支持真正的GPS。此时，可以操纵假信号的时移来篡改接收器报告的位置和时间。

UND团队深入研究机器学习等尖端技术来检测多个目标。例如，“在研究中，基于机器人操作系统（ROS）的群体平台被用来模拟各种通信和控制架构，用于避免碰撞，路径规划和安全通信等条件，”Ranganathan解释说。“包含来自多个无人机供应商的近20，000张图像的大型图像数据集使用先进的机器学习和基于卷积神经网络（CNN）的算法进行训练和测试，以检测空域中的多种目标类型。预计研究团队将很快在一群定制的sUAS中测试这些方法。

尽管研究人员、UAS开发人员和学生都在使用这些尖端技术，但他们仍然面临一定的限制。“无人机安全技术必须强大，以适应无人机有限的尺寸、重量和功率（SWaP）的限制，”Ranganathan说。“安全软件和硬件在无人机的重量和功耗方面不能太费力。

此外，他补充说，在使用UAS时，我们可以再依赖Wi-Fi，射频（RF）和蓝牙技术：这些主要通信线路不再有效，这意味着UAS“设计考虑需要包括蜂窝基础设施和其他通信模式的组合和切换。

由于这些问题，正在进行的研究和开发至关重要。不幸的是，“在无人机的安全方面几乎没有付出努力，”Ranganathan评论道。“关于地面控制站、无人机及其数据存储单元之间加密方法部署的文献正在不断发展。

Ranganathan说，当用户寻求在任务中添加更多无人机或寻求整合新兴技术时，安全挑战继续增加。但这些问题将得到解决，他说。“当涉及多架无人机时，人们越来越了解如何确保安全性，以及安全方法如何使用现有的分布式计算方法（如区块链或其他加密方法）来提供强大的容错sUAS。

审核编辑：郭婷