基于BiGRU-SVDD的ADS-B異常數據檢測模型

羅鵬，王布宏，李騰耀

空軍工程大學 信息與導航學院，西安 710077

空中交通管理(ATM)是管理空域、飛行器和航線的重要系統。它利用通信、導航、監視等技術,保障和維護空中交通安全、秩序和暢通[1]。目前，空管監視技術主要包含一次雷達(PSR)、二次雷達(SSR)、廣域多點定位(Wide Area Multilateration，WAM)、廣播式自動相關監視(ADS-B)等監視技術[2]。PSR通過對雷達發射信號和反射信號的分析計算，可獲得探測目標的位置和速度等狀態信息，但是PSR獲取的狀態信息誤差較大。SSR通過詢問、應答機制獲取目標的狀態信息，但在缺乏雷達保障的區域很難獲取飛行器的狀態信息，且SSR的監視精度不高。WAM通過到達時間差(TDOA)對目標飛行器的位置和速度完成測算，但是WAM需要部署多個地面接收站，且對地面接收站的部署位置有一定要求。ADS-B作為新一代空管監視技術，比雷達監視技術監視精度高、監視范圍廣；且相較于WAM，雖然ADS-B的定位精度略低，但由于ADS-B采用了廣播機制，使得監視信息易在鄰近飛行器和地面站之間完成信息共享，因而全球大部分商用飛機都安裝了ADS-B設備[3-4]。ADS-B通過衛星導航系統(GNSS)和其他機載設備獲取位置、速度和航向等信息，然后由ADS-B發射器廣播這些信息，其他裝配有ADS-B接收設備的飛行器和地面基站可以實時接收這些信息。但是，ADS-B以明文格式廣播發送數據，協議缺少消息認證和加密機制，因而其安全性易受挑戰。

文獻[5-7]討論了ADS-B易遭受的竊聽、干擾、消息篡改、消息刪除和消息注入等攻擊，并對攻擊的網絡分層、難易等級和影響程度進行了分析。針對ADS-B的安全漏洞，目前已經提出了多種解決方法。第1類方案將加密技術用于ADS-B[8-10]，但是此類方案不易實施，原因是與標準化的ADS-B協議不兼容。第2類方案將位置驗證用于ADS-B數據的合法性判定[11-13]。文獻[14]運用到達時間差(TDOA)和到達時間和(TSOA)2個量測定位飛行器位置，和ADS-B解析后的位置數據進行比較，實現ADS-B合法性判定，但是這需要多個基站協同工作；并且當多個基站接收ADS-B數據時間不同步時，會影響到 ADS-B數據合法性的判定。第3類方案將機器學習和深度學習的方案用于ADS-B數據的異常檢測，異常檢測是ADS-B研究的一個關鍵問題。文獻[15-16]使用深度學習的seq2seq模型重構ADS-B數據，對ADS-B數據中存在的位置和速度等異常，利用重構誤差進行檢測，但這種方法沒有考慮飛行器機動狀態改變所帶來的ADS-B數據變化，因而這種方案的適應性不高。文獻[17]將機器學習的支持向量數據描述(SVDD)用于ADS-B數據的異常檢測，但是此方法需要同步的SSR數據和ADS-B數據做差，數據的時間同步問題不易解決，因而難以真正化。

本文針對ADS-B易遭受的隨機位置偏移攻擊、高度偏差攻擊、重放攻擊和拒絕服務(DOS)等攻擊，構建了BiGRU-SVDD異常檢測模型。利用BiGRU神經網絡對ADS-B數據進行預測，得到ADS-B數據預測值；為了解決ADS-B數據攻擊檢測閾值自適應問題，將ADS-B預測值和實際值作差，把差值輸入SVDD超球體二次訓練，得到的攻擊檢測閾值具有良好的自適應性，提升了ADS-B異常數據的檢測性能。并且，選取了合適的滑動窗口長度，降低了BiGRU神經網絡的訓練時長。

1 準備知識

1.1 雙向門控循環單元(BiGRU)

RNN(Recurrent Neural Network)是深度學習中用于處理序列數據的神經網絡，目前已經在故障預測和機器翻譯等領域有所運用[18-19]。但是，RNN在參數訓練時，存在梯度消失現象，因而RNN不適合處理長序列問題。GRU(Gated Recurrent Unit)是RNN的一種優化類型，它通過門控機制緩解了RNN的梯度消失問題,因而具有學習長序列中存在的長期依賴關系的能力[20]。但單向GRU只是從前往后學習序列信息，然而在有些問題中，當前時刻的輸出不僅和上文序列信息相關，還和下文序列信息也有關[21]。例如，在預測一句話中缺失的單詞時，就需要同時結合上文和下文內容進行預測。BiGRU就是一種能處理這類問題的神經網絡。BiGRU由2個信息傳遞方向相反的GRU循環層構成，其中第1層按時間順序傳遞信息(順時間循環層)，第2層按時間逆序傳遞信息(逆時間循環層)。BiGRU的基本思想是：通過順時間循環層得到正向隱藏狀態，通過逆時間循環層得到反向隱藏狀態，再將正向隱藏狀態和反向隱藏狀態拼接，得到BiGRU最終輸出的隱藏狀態。

1.2 支持向量數據描述(SVDD)

SVDD是文獻[22]提出的一種基于邊界數據的單分類機器學習方法。SVDD的主要思想是：通過訓練目標樣本，SVDD能創建一個超球體分類器，此超球體分類器幾乎包含全部訓練樣本，并且它的體積越小越好。分類器可以表示為

(1)

式中：R為半徑；a為球心；ξi為松弛因子，ξi≥0；C為懲罰系數，0

圖1為SVDD超球體分類器示意圖。如果測試樣本離球心a的距離小于R，則測試樣本是正常樣本；若測試樣本離球心a的距離等于R，則測試樣本是支持向量；若測試樣本離球心a的距離大于R，則測試樣本是異常樣本。

圖1 SVDD分類器Fig.1 SVDD classifier

2 異常檢測模型構建

2.1 異常檢測門限

用時間序列X={X1,X2,…,XM}表示模型接收到的原始ADS-B數據，M為序列的長度。Xk的表達式為

Xk=[x1,x2,…,xd]T1≤k≤M

(2)

Xk為一個d維列向量，每個維度表示ADS-B數據的一個特征，數據特征包括緯度、經度、高度、識別號、航向等信息。本文要解決的問題是如何檢測出ADS-B時間序列數據中的異常數據。為了解決此問題，需要建立ADS-B異常數據的檢測門限。圖2為異常檢測門限建立的流程圖。

圖2 異常數據檢測門限Fig.2 Detection threshold of anomaly data

在訓練階段，首先對原始ADS-B時間序列X={X1,X2,…,XM}進行特征數據提取以及數據歸一化處理，得到歸一化后的序列數據Y={Y1,Y2,…,YM}；接著，利用BiGRU神經網絡對Y進行預測，可以預測下一時刻且在正常范圍內的ADS-B預測序列P={P1,P2,…,PM}；然后，將預測序列和實際序列做差

Dk=Pk-Yk1≤k≤M

(3)

將差值序列D={D1,D2,…，DM}放入SVDD訓練，可以求出 SVDD超球體的球心a和半徑R，此半徑R就是異常檢測的閾值。

在測試階段，輸入測試數據Xk，經過求解后，如果其差值Dk距球心a的距離小于或等于閾值R，則Xk是正常數據；如果其差值Dk距球心a的距離大于閾值R，則Xk是異常數據。

2.2 數據預處理和特征提取

由于接收的ADS-B數據存在一定丟包率，故丟包特別多的ADS-B航班數據不能選取為訓練樣本，否則會降低BiGRU神經網絡預測的準確性，進而降低模型的檢測率。對一架次航班缺失的少量ADS-B數據，本文采用插值法進行補齊，插值法具體為：首先計算缺失值前后數據的斜率，再根據斜率補齊缺失的ADS-B數據。

ADS-B原始數據中包含了緯度、經度、高度、速度和航向等信息，也包含了24位的循環冗余校驗碼(CRC)，但是CRC主要是校驗ADS-B通信鏈路上數字傳輸過程中出現的錯誤，不能檢測攻擊者精心構造的ADS-B異常數據。

為了檢測ADS-B異常數據，本文選取緯度、經度、高度、速度和航向為特征數據。用時間序列H={H1,H2,…,Hk,…,HM}表示提取的特征數據，序列H中每個元素均是一個五維列向量，5個維度表示的屬性分別為緯度、經度、高度、速度和航向。為了消除奇異樣本數據導致的不良影響，同時為了減短模型的訓練時長、使訓練過程盡快收斂，本文對ADS-B數據進行歸一化處理，歸一化的公式為

(4)

式中：Hk為H的第k個元素；Hk為五維列向量；上標i表示第i個維度；min(Hi)為Hi的最小值；max(Hi)為Hi的最大值。

2.3 基于BiGRU神經網絡的預測模型

ADS-B數據具有前后時間相關性，是基于時間的一系列數據，它任一時刻的緯度、經度、高度、速度和航向等信息是與歷史時刻和未來時刻的ADS-B數據相關的。為了實現對ADS-B時序數據的預測，本文設計了一種基于BiGRU神經網絡的預測結構，如圖3所示。

圖3 BiGRU預測結構Fig.3 Prediction structure of BiGRU

兩層BiGRU本層采用2層的BiGRU網絡結構。利用BiGRU能捕獲ADS-B數據的時間相關性，并且能解決梯度消失問題。第1層BiGRU1的神經元個數為60；第2層BiGRU2的神經元個數為40。2層BiGRU之間設置Dropout層，Dropout層是為了避免訓練的過擬合，提高預測模型的泛化能力。

全連接層全連接層能通過權重矩陣提取以前全部的局部特征，能夠將網絡的輸出值映射成目標輸出值。本文采用了3層的全連接層結構，第1層全連接層的神經元個數為20，第2層全連接層的神經元個數為10，第3層全連接層的神經元個數為5。

輸出層輸出層通過線性激活函數輸出xk+1預測結果。

2.4 利用SVDD算法求解

為了解決ADS-B數據攻擊檢測閾值的自適應問題，本文將ADS-B預測序列和實際序列做差，得到差值序列為Dk=Pk-Yk；將差值序列D輸入SVDD程序求解，可以求得SVDD超球體的半徑R和球心a。其中，半徑R就是異常檢測的閾值。為了使樣本在特征空間中線性可分，需要利用核函數將樣本從原始空間映射到一個更高維的特征空間[23-24]。本文采用高斯核函數，將樣本從原始空間映射到一個合適的特征空間，高斯核函數的表達式為

根據監測軟件接收到的數據包個數分析可知,固定周期傳輸網絡中平均丟包率為2.5%。變周期數據傳輸網絡中丟包率為0.43%,與固定周期傳輸網絡對比,傳輸成功率高,網絡穩定性更好。多個檢測器節點固定周期發送數據增加了同一時刻數據傳輸中網絡堵塞的概率。而變周期數據傳輸網絡中,由于對采集到的環境參數前后兩次求差與設定閾值作比較,當大于所設定閾值時進行數據的發送,減少了大量重復數據的傳輸,網絡負荷變小,數據堵塞概率降低,丟包率減小,確保了網絡穩定性。

(5)

式中：Di和Dj為輸入SVDD的任意2個樣本；s為高斯核參數。

2.5 模型評價指標

表1描述了樣本分類結果。TP指實際正常樣本被正確判定為正常樣本的數量，FN指實際正常樣本被錯誤判定為異常樣本的數量，FP指實際異常樣本被錯誤判定為正常樣本的數量，TN指實際異常樣本被正確判定為異常樣本的數量。本文采用檢測率(De)、召回率(Rc)和準確率(Acc)作為評價指標。檢測率De是指被模型正確判定為異常樣本的數量占真實異常樣本數的比例，召回率Rc是指被正確判定為正常樣本的數量占真實正常樣本數的比例，準確率Acc是指被正確判定的樣本占總樣本的比例。

表1 樣本分類結果Table 1 Classification result of samples

則模型評價指標公式為

(6)

(7)

(8)

3 實驗與分析

3.1 數據獲取

實驗從OPENSKY中總計獲取200架次航班數據用作訓練樣本[25]，選取40架次航班作為測試樣本。每架次航班的ADS-B數據在200～3 000 之間，選取的ADS-B數據包含了飛機的起飛、爬升、巡航和下降等階段。

選取一架次包含300條ADS-B數據的示例航班，飛機處于巡航和爬升的機動狀態，攻擊的報文數據由模擬生成，生成方法如下：

隨機位置偏移如圖4所示，選取的ADS-B航班數據共300條。其中，前100條和后100條ADS-B數據不做任何篡改；中間100條數據，經度和緯度上加入均值為0、方差為0.1的高斯噪聲。攻擊者通過隨機位置偏移攻擊，使攻擊航跡在實際航跡左右隨機波動。

圖4 隨機位置偏移Fig.4 Random position offset

高度偏差如圖5所示，前100條、后100條航跡不做任何篡改；中間100條航跡數據，以50 m為倍數，逐漸改變ADS-B數據中包含的高度信息。具體來說，第101條航跡的高度增加50 m，第102條 航跡高度增加100 m，往后類推。

圖5 高度偏差攻擊Fig.5 Height deviation attack

DOS攻擊如圖6所示，前100條、后100條航跡不做任何篡改；中間100條航跡，攻擊者發起DOS攻擊，接收端不能監視到報文信息。

圖6 DOS攻擊Fig.6 DOS attack

重放攻擊如圖7所示，前100條、后100條航跡不做任何篡改；中間100條航跡數據，攻擊者發起重發攻擊，將第91～第100條ADS-B航跡數據連續發送了10次，接收端接收到的是延遲發送了10次的第91～第100條航跡。

圖7 重放攻擊Fig.7 Replay attack

航路替換如圖8所示，前100條、后100條航跡不做任何篡改；對于中間的100條ADS-B報文：假設攻擊者掌握了飛機正處于爬升到巡航的機動狀態信息，則攻擊者注入另一段同樣正在爬升且含有高斯白噪聲的ADS-B報文。

圖8 航路替換Fig.8 Replacement of track

速度偏差前100條、后100條ADS-B數據不做篡改；中間100條數據，以5 m/s為倍數，逐漸改變ADS-B數據中包含的速度信息。具體來說，第101條數據的速度增加了5 m/s，第102條數據的速度增加了10 m/s，往后類推。

3.2 滑動窗口長度

在BiGRU神經網絡訓練次數epochs=50、設置訓練批尺度batch_size=100、Dropout比率為0.2的條件下，BiGRU神經網絡的預測效果較好。為了充分利用ADS-B數據的時間相關性，需要選擇一個合適長度的滑動窗口。如果滑動窗口長度太短，則BiGRU神經網絡會失去大量的時間關聯的有效信息，降低異常檢測的檢測效果。如果滑動窗口長度太長，則會導致BiGRU神經網絡訓練時間過長。為了獲得合適的滑動窗口長度，本文比較了不同滑動窗口長度對異常檢測準確率和訓練時長的影響。如圖9所示可以看出，當滑動窗口長度大于8后，其準確率變化不大，保持在0.95左右；但是其訓練時間仍然快速增加，因而本文選擇滑動窗口長度為8，能保證ADS-B異常檢測的準確率和訓練時間達到相對最優。

圖9 滑動窗口長度選擇Fig.9 Length selection of sliding window

3.3 異常檢測實驗結果

以BiGRU-SVDD異常檢測的準確率為適應度函數，經粒子群優化算法[26]求得懲罰系數C=0.25，高斯核參數s=9。圖10～圖15為針對以上6種攻擊的異常檢測實驗結果。其中，圖10為隨機位置偏移的異常檢測結果圖；樣本經過訓練后，得到SVDD超球體半徑R為0.232，R即為異常檢測的閾值。第101～200個異常測試樣本中，共有94個測試樣本的到超球體球心的距離大于閾值R，因而隨機位置偏移的檢測率為94%；第1～100個和第201～300個正常測試樣本中，共有195個測試樣本到超球體球心的距離小于閾值R，因而隨機位置偏移的召回率為97.5%；300個 測試樣本中共有289個樣本被正確檢測出了是否存在異常，因而隨機位置偏移異常檢測的準確率為96.33%。

圖10 隨機偏移檢測Fig.10 Detection of random offset

同理，如圖11～圖15所示，高度偏差的檢測率為98%，召回率為96.5%，準確率為97%；DOS攻擊的檢測率為100%，召回率為96%，準確率為97.33%；重放攻擊檢測率為95%，召回率為95.5%，準確率為95.33%；航路替換的檢測率為88%，召回率為97.5%，準確率為94.33%；速度偏差檢測率為98%，召回率為97.5%，準確率為97.67%。

圖11 高度偏差檢測Fig.11 Detection of height deviation

圖12 DOS攻擊檢測Fig.12 Detection of DOS attack

圖13 重放攻擊檢測Fig.13 Detection of replay attack

圖14 航路替換檢測Fig.14 Detection of track replacement

圖15 速度偏差檢測Fig.15 Detection of speed deviation

為了驗證飛機處于爬升、轉向、下降等機動狀態下，BiGRU-SVDD模型也具有良好的異常檢測性能，實驗還選取了一架次含有600條ADS-B數據的示例航班，包含了飛機的爬升、轉向、巡航和下降等階段。如圖16所示，前50條和后50條ADS-B數據不做任何篡改；在中間500條數據注入隨機位置偏移攻擊，注入的攻擊和圖4的方法保持一致：在經度和緯度上加入均值為0、方差為0.1的高斯白噪聲。

圖16 隨機位置偏移攻擊(600條數據)Fig.16 Random position offset (600 data)

圖17為隨機位置偏移(600條數據)的攻擊檢測圖，檢測率為94.4%，召回率為95%，準確率為94.5%。600條ADS-B航跡數據包含了飛機的爬升、轉向和下降等階段，說明即使飛機處于機動狀態下，BiGRU-SVDD模型異常檢測的檢測性能也較好。

圖17 隨機位置偏移檢測(600條數據)Fig.17 Detection of random offset (600 data)

實驗總計對40架次測試航班采用BiGRU-SVDD模型做了異常檢測實驗，取40次實驗的檢測率、召回率、準確率的均值作為異常檢測的結果。表2列出了BiGRU-SVDD異常檢測的結果。從表2可以看出，BiGRU-SVDD模型對航路替換的檢測率為88.72%，相對較低，其他形式的攻擊檢測率均在93.5%以上；BiGRU-SVDD模型召回率均在95%以上，準確率均在92%以上；且BiGRU-SVDD用于DOS攻擊的異常檢測性能相對最優，DOS攻擊檢測率達到了99.08%，這是因為DOS攻擊導致航跡出現了消失，客觀上來說，DOS攻擊也最容易被檢測。高度偏差攻擊的檢測率為93.56%，相對較低，這是因為起始注入的高度偏差導致的高度變化還不夠明顯，故客觀上起始注入的一小段高度偏差攻擊確實難以檢測。通過計算得到，針對6種形式的攻擊，BiGRU-SVDD模型的平均檢測率為95.26%，平均召回率為96.22%，平均準確率為95.57%。

表2 BiGRU-SVDD異常檢測Table 2 Anomaly detection of BiGRU-SVDD

3.4 對比實驗和分析

另外，本文選取了其他機器學習和深度學習的方法，同樣用于檢測以上6種類型的ADS-B數據攻擊(攻擊數據的構造方法和3.1節保持一致)。這些方法包括一類支持向量機(OCSVM)、孤立森林(IForest)、長短期記憶神經網絡(LSTM)、門控循環單元神經網絡(GRU)、雙向門控循環單元神經網絡(BiGRU)和seq2seq模型[16]。其中，OCSVM采用的核函數為徑向基核函數，核參數Gamma取值為0.2。IForest中，樹的棵數取值為默認的100，每棵樹的采樣大小取值為256。LSTM、GRU和BiGRU都采用和圖3相似的網絡結構，用余弦相似度衡量預測值和實際值的誤差大小(閾值的確定方法為：將余弦相似度按照從小到大排序，將第3%小的余弦相似度選取為閾值)。seq2seq模型采用的網絡結構和文獻[16]保持一致，即編碼器和解碼器的隱藏層都采用LSTM神經網絡，LSTM的單元數為128。表3給出了6種形式攻擊下，各種異常檢測方法的檢測率、召回率和準確率的均值實驗結果。可以看出：

1) OCSVM和IForest的檢測率、召回率、準確率性能都較差。這是因為ADS-B數據中的緯度、經度、高度、速度和航向等信息的數值大小是隨時間的變化而變化的，然而OCSVM和IForest僅考慮了當前時刻ADS-B數據的特征信息，沒有考慮到ADS-B數據的時間相關性，因而這兩種方法的異常檢測性能較差。

2) 考慮到ADS-B數據的前后時間相關性，將單向GRU和BiGRU的檢測性能作比較。實驗結果表明，相比于單向GRU，BiGRU的檢測率、召回率和準確率均更高，說明BiGRU的預測效果更好，異常檢測性能更佳。

3) 為了解決ADS-B數據攻擊檢測閾值自適應問題，本文在BiGRU預測結果后加入SVDD進行二次訓練。結果表明，相較于BiGRU，BiGRU-SVDD的檢測率、召回率和準確率均要更高，達到95%以上。說明BiGRU-SVDD能解決ADS-B數據攻擊檢測閾值的自適應問題，異常檢測適應性更好，效果更優。

4)相較于seq2seq模型，本文的BiGRU-SVDD模型異常檢測性能更好。這是因為，BiGRU-SVDD考慮了飛機的機動狀態，seq2seq模型沒有考慮飛機的機動狀態；并且BiGRU-SVDD利用SVDD對樣本進行了二次訓練，解決了ADS-B數據攻擊檢測閾值的自適應問題。因而，相比于seq2seq模型，本文的 BiGRU-SVDD模型異常檢測性能更優。

由于BiGRU-SVDD模型在使用BiGRU對ADS-B數據進行預測的基礎上，又使用了SVDD對差值樣本進行了二次訓練，因而需要比較BiGRU-SVDD模型和其他檢測方法的復雜性。本文記錄了各種異常檢測方法的訓練時長和檢測時長。表4給出了訓練一架次ADS-B航班數據的平均時長，以及檢測一架次ADS-B航班數據的平均時長(平均每架次航班包含的ADS-B數據約500條)。可以看出：

表4 訓練與檢測時長對比Table 4 Comparison of training time and testing time

1) OCSVM和IForest作為傳統的機器學習方法，訓練時長較短。但是結合表3可知，OCSVM和IForest的檢測率、召回率、準確率性能較差。

表3 異常檢測均值Table 3 Mean value of anomaly detection

2) BiGRU比單向GRU的訓練時長多了5.51 s，BiGRU-SVDD比BiGRU的訓練時長僅僅多了0.67 s，這說明BiGRU-SVDD的復雜性主要來自雙向機制。

3) BiGRU-SVDD模型檢測一架次ADS-B航班數據(約500條)共用了0.085 s，僅比BiGRU多了0.005 s,比LSTM和GRU多了0.015 s。

4) BiGRU-SVDD模型比seq2seq的訓練時長和檢測時長都要短。這主要是因為文獻[16]ses2seq模型的編碼器和解碼器的LSTM單元數為128，本文的BiGRU-SVDD模型的2層BiGRU的單元數分別是60和40。

4 結 論

1) 本文考慮了ADS-B數據的時間相關性，利用BiGRU神經網絡對ADS-B數據進行預測，得到了ADS-B預測數據；再將預測值和實際值作差，將差值放入支持向量數據描述(SVDD)訓練，可以得到能檢測ADS-B異常數據的超球體分類器。并且，選擇了合適的滑動窗口，在保證異常檢測準確率的同時，縮短了BiGRU神經網絡的訓練時長。實驗結果表明，BiGUR-SVDD模型可用于ADS-B異常數據的檢測。

2) 在OCSVM、IForest、LSTM、GRU、BiGRU、seq2seq和BiGRU-SVDD中，本文BiGRU-SVDD模型異常檢測性能均更具優勢。