《基于机器学习的无人机频谱指纹识别：防御性网络战》哈佛2023最新168页论文

过去十年中，无人驾驶飞行器（UAV）或无人机能力的快速发展极大地拓展了这些创新型机载设备的商业、军事和消费应用领域。无人机的特点是固定翼或多旋翼，其价值在于长距离飞行、轻量化设计以及成像和感知能力。传统的无人机由无线电控制器在专用信道上运行，现代无人机正朝着自主、机器控制的战术无人机群发展，能够实现一系列复杂的目的。然而，由于这些设备的体积和相对有限的电池电量，这些功能性工具中嵌入的计算能力和机载软件仍然极为有限。随着越来越多的恶意行为者试图破坏、劫持和误导无人机的飞行路线，如何确保无人机的安全成为一个重要的学术难题。从无人机劫持到拒绝服务（DoS）再到信号干扰，影响无人机飞行可靠性的常用技术简单易行、威力强大，而且广泛为大众所掌握。本研究分析了无人机风险管理能力与训练良好的机器学习模型所提供的机会之间的关系。通过将基于 Python 的半监督训练集应用于多个机器学习解决方案，本研究证明了飞行中数据监控和安全威胁检测算法在未来机载应用中的可行性。将这些发现进一步扩展到基于蜂群的多无人机指纹识别和飞行监控，展示了网络威胁识别和安全管理的潜力。最终，这些研究成果提出了一种新型模型，将机载和离线机器学习功能集成到基于防护罩的软件解决方案中，该解决方案可以检测和应对飞行异常以及恶意行为者不断变化的威胁模式。

根据这些核心概念考虑因素，图 5 形象地展示了无人机操作与安全威胁识别和缓解之间的多维关系。该框架的初始阶段确定了无人机身份和运行容限的规范维度，将飞行计划信息、GPS 数据和基线信号强度等已知矢量整合到威胁评估程序中。下游行为监控和威胁检测可识别各种威胁载体的风险概况，包括 DoS、劫持、欺骗和信号干扰。虽然可以识别这些威胁，但无法使用标准的无人机数据和控制-无人机通信渠道对其进行主动监测。相反，需要一种先进的机器学习解决方案，利用 Naıve Bayes、Random Forest、SVM 和线性回归等四种算法模型中的一种或多种。