基于多變量預測終端區ADS-B干擾檢測研究*

王靖濤 林 琳 焦 毅

（中國民用航空飛行學院 廣漢 618300）

1 引言

廣播式自動相關監視系統（ADS-B）正逐步成為空中交通管理（ATM）的基礎，ADS-B 系統數據的安全性決定了整個ATM 系統監視數據的可靠性。ADS-B 系統主要任務是提取和處理航空器的位置和其他附加信息，以形成清晰直觀的飛行航跡。但ADS-B 在設計之初為降低成本，忽視了安全問題，其在沒有任何認證和加密的情況下廣播消息［1］，導致攻擊者可以對ADS-B 系統進行干擾、竊聽、修改、消息注入和刪除消息等攻擊［2］。因此，為維護航班運行安全，使用有效的方法檢測抑制欺騙干擾極其重要。

ADS-B干擾信號可以被認為是異常航跡的一種，分類方法經常被用于相關的檢測任務中。例如，Olive 和Basora［3］提出了一種檢測飛行途中空中交通管制區流量異常飛行軌跡的方法。CHEN Shichuan 等［4］使用inception-residual 網絡模型對大量的ACARS信號和ADS-B信號分類。

ADS-B干擾檢測也可通過提取信號時序特征的方法進行異常檢測，Habler 等［5］提出采用長短時神經網絡（LSTM）的seq2seq 模型判定ADS-B 異常。Akerman［6］提出利用ConvLSTM 編解碼器檢測指定范圍內由航空器ADS-B 信息匯集形成的圖像流中的異常，王文益等［7］使用基于1DCNN-BiLSTM 的模型，提取ADS-B 信號特征并識別出欺騙信號。

但ADS-B 信號的時序信息受多種因素的影響，尤其是在航向、高度多變的終端區航路段，應盡可能充分考慮影響航跡的因素，才能更充分地提取航班的時序信息特征。Pang［8～9］結合天氣因素對航跡進行預測，提升了不同天氣條件下航跡預測的準確率。Zhang［10］考慮飛機意圖、環境條件等對航跡進行預測。Mayara［11］提出了一種數據驅動的方法，利用機器學習方法學習實際的軌跡模式和擴展終端區域內飛機運動的概率模型。Zeng［12］提出了一種sequence-to-sequence deep long short-term memory network（SS-DLSTM）方法，并將飛機的經度、緯度、高度、速度和航線等因素考慮在內預測了終端區航班航跡。上述研究通過結合多種影響航跡的因素，提高了預測航跡的準確率，更有助于區分是否存在干擾信號。

終端區航跡多變，正確識別出終端區內存在的ADS-B干擾需結合更多影響航跡的因素重構航跡。本文綜合考慮了終端區影響航跡的因素，使用TCN模型重構航跡，將預測數據與原數據計算重構誤差，將誤差值放入SVDD 分類器中分類，若數據重構誤差若大于閾值，則檢測為ADS-B 異常信號。實現了航跡復雜情況下的ADS-B 信號干擾檢測任務。

2 數據集介紹

為防止ADS-B 虛假信號對航班的飛行的干擾，需要準確識別ADS-B干擾信號，而影響終端區航跡的因素較多，需要綜合考慮可能影響航班航跡的因素并收集相關數據。

2.1 航班ADS-B數據

航班ADS-B 數據由機載設備自動廣播發射自身運行信息（經緯度、速度、高度、呼號等）的ADS-B 信號［13］。除了考慮經緯度、高度、速度等連續型變量對航跡變化的影響，本研究還將考慮機型、航班所處時段等離散型便變量對航跡的影響。

2.2 空域數據

一個終端區內可能包含多個機場、多個進出港點，且終端區空域內航線錯綜復雜，在繁忙時期大量的航班會造成空域擁堵，對管制員調配與飛行員飛行帶來挑戰。空中交通管制系統的運行是基于一些特定的規則，如要控制的航班數量、飛行時間，過多的航班數量導致航跡運行的不確定性更高，如果航跡調配過大，可能會被認為是虛假航跡或者異常航跡，因此，有必要考慮終端區內航班數和航班的進港排序對航跡的影響。

2.3 機場數據

對于即將落地的航班而言，終端區空域就是飛行的最后空域，而航班落地也要考慮機場的某些因素。比如某些有兩條跑道的大型機場，跑道的使用情況有明確的規定，需予以考慮。

2.4 氣象數據

飛機運行的各個階段都會受氣象影響，風、能見度等能都直接影響飛行員對飛機的操控，風向可能直接影響航班落地降落于跑道的哪一端，這會對終端區航跡產生產生較大影響。

此外，航班下降階段，較低的能見度影響飛行員視線，這可能導致飛機產生偏離，并影響航班安全。因此需要充分考慮氣象因素對航跡的影響。本研究從全稱航空例行天氣報告（Meteorological Terminal Aviation Routine Weather Report）網站上獲得了深圳機場相關的氣象數據，包括風向、風速、能見度、溫度、修正海壓等。

2.5 ADS-B干擾信號

ADS-B 的攻擊類型主要有報文注入、報文篡改、DOS 攻擊等，都會都民航安全產生較大影響。但實際中難以獲取到ADS-B 被攻擊后的異常數據，模型檢驗用的測試集為模擬構造的異常數。以報文注入為例，本研究模型報文注入攻擊的方式是采用航路替換的方式模擬，將另外一架具有相似飛行狀態的航班飛行數據替換原始部分航跡，如圖1所示。

圖1 ADS-B信號航路替換圖

3 理論方法

3.1 TCN模型

時序卷積網絡（TCN）由Bai 等［14］提出，TCN 在以一維卷積神經網絡基礎上結合因果卷積、擴張卷積與殘差鏈接，形成了一種能夠有效處理序列數據的新型卷積結構［15］，此方法能夠有效避免RNN 中時常出現的梯度消失或爆炸的情況。

TCN 結構中組合的因果卷積和膨脹卷積可以將時間序列與有效的歷史記憶相結合。

因果卷積指TCN 結構中上下層的神經元之間存在著因果關系［16］，保證模型不能顛倒序列順序，即該時刻的輸出僅與上一層中該時刻對應輸入及更早時刻輸入進行卷積，與未來時刻無關。如圖2所示，此時卷積核尺寸取值為3，每一層的該時刻輸出都是由前一層對應的位置及前兩個位置的輸入共同計算得到，并且隨著隱藏層層數的增加，一個輸出所對應的輸入越多，所需要考慮的時間序列數據時刻越久。令卷積核為K=(k1,k2...km)（m 表示卷積核的大小），輸入的時間序列為P=(p1,p2..pl)，Pl的因果卷積可以表示為

圖2 TCN結構圖

為防止出現梯度消失的情況，TCN中加入了擴張卷積。通過增加卷積核的大小及擴張系數值，使得數據的感受野增大，形成更長時的卷積“記憶”。擴張卷積允許對卷積輸入進行間隔采樣［17］，通過設置擴張系數d 的值可以將每兩個相鄰層之間卷積神經元的數量減少到原來的1/d，使相同深度的網絡可以獲得更大的視野。Pl處的擴張卷積運算可以定義為

為解決梯度消失問題，TCN中也使用了殘差連接以加深網絡。網絡加深有利于提取更豐富的特征，但單純地加深網絡會導致穩定性變差，造成梯度消失、梯度爆炸等問題［18］，引入殘差塊可以保證模型具有更穩定的性能。

殘差塊由兩個部分構成，一部分包含了膨脹因果卷積操作和非線性映射，對輸入殘差塊的序列Pi進行計算，公式如下：

其中：Wa、Wb分別表示兩個卷積層的權重向量。

另一部分是一維全卷積操作，用于保證輸入序列Pi和輸出序列Pi+1具有相同的長度，殘差塊的輸出計算如下：

3.2 SVDD分類模型

支持向量數據描述SVDD 主要是將正常的特征數據x∈Rn×d（n 表示樣本個數，d 表示特征維度）映射到高維的特征空間中，并找到一個是能包含目標樣本的超球體，在盡可能包含目標樣本的同時最小化該超球體，將非目標樣本排除在超球體外，從而達到區分正常類和異常類的目的。

SVDD的優化問題如式（6）和（7）所示：

式中R 代表超球體半徑，a 表示超球體球心，ξ表示松弛因子，C 表示權衡超球體體積和誤分辨的懲罰系數。

結合拉格朗日乘子法，原優化問題轉換為拉格朗日對偶問題，如式（8）所示：

式中αi表示樣本對應的拉格朗日系數，表示樣本映射到高維空間中所用的核函數。求解獲取所有樣本對應的拉格朗日系數αi，且滿足式（9）中條件的樣本為支持向量xv，根據支持向量組成的樣本集合S 由式（10）和（11）推導得到超球體的球心a 和半徑R ：

4 實驗

在實驗中，首先使用TCN模型對深圳機場終端區內的航班軌跡進行預測重構，即用前幾個時刻的數據構造出下一個時刻的數據，時間序列經過重構網絡后會得到一組重構時間序列，再利用重構數據與原始數據之間的差值作為分類器的樣本，最后根據訓練好的分類器判定重構的數據是否為異常值。

4.1 航跡重構

實驗中使用的是2021年降落于深圳機場的某些天的終端區航班ADS-B 數據，經分析，補充了空域航班數量、天氣、機場情況的特征，共89672 條，18 項特征，將原始數據預處理后按照時間順序以8∶2 的比例劃分為訓練樣本和測試樣本。分別預測經緯度、高度，并將其余15 項特征變為協變量。由于數據數量級相差較大，需要對數據進行歸一化處理。

將處理后的數據代入模型，可得到重構后的航跡。經交叉驗證后，得到最有參數，重構航跡如圖3所示。

圖3 重構航跡與真實航跡

4.2 異常樣本分類

ADS-B干擾信號檢測為二分類問題，可將ADS-B 數據將分成正常類或異常類［19］。二分類問題通常對應四種情況：真實信號預測為真TP、真實信號預測為假FP、異常信號預測為FN、異常信號預測為假TN。且分類結果有以下特性：

真陽性率TPR：表示分類器正確歸于正常類數據占實際所有正常數據的比例。

假陽性率FPR：表示被分類器錯誤歸于正常類的異常數據占所有異常數據的比例。

準確率Accuracy：表示整個測試數據集中預測正確的概率。

精確率Precision：表示實際為正常數據占預測結果為正常數據的比例。

召回率Recall：表示實際為正常的數據被預測正確的概率［20］。

本研究中的SVDD 分類模型在訓練中采用網格搜索法獲得了高斯核函數最優參數，訓練的球體半徑為0.218。模型利用真陽性率TPR 和假陽性率FPR 形成的一個工作特征（ROC）曲線，曲線下方的面積AUC 越接近1 表示模型預測的準確性越高。分類實驗共使用500條數據，其中正常數據300條，異常數據200，模型測試的準確率為96.7%，模型召回率為94.7%，分類結果精確率為92.02%。

5 結語

本文綜合分析了多種影響終端區航跡的因素，使用TCN 模型重構航跡后，使用SVDD 模型對人工生成的ADS-B 異常數據進行檢測，驗證了TCN 模型結合多變量預測能夠精確重構航跡，后使用SVDD模型能夠有效完成異常樣本的分類工作。