無人機(jī)協(xié)同定位防欺騙的WGAN-TM識(shí)別方法

魏楊沁, 郭 慶, 許 潔, 張 鵬, 鄒金霖

(空軍工程大學(xué)裝備管理與無人機(jī)工程學(xué)院,西安 710000)

0 引言

近年來,隨著計(jì)算機(jī)和控制理論的迅猛發(fā)展,無人機(jī)技術(shù)也不斷取得進(jìn)步,與此同時(shí),反無人機(jī)的手段也層出不窮。其中,較為典型的是通過偽造虛假的定位信號(hào),攻擊GPS等衛(wèi)星接收設(shè)備,使得編隊(duì)中的無人機(jī)解算出錯(cuò)誤的位置信息。為應(yīng)對(duì)此類欺騙干擾,確保無人機(jī)編隊(duì)正常執(zhí)行任務(wù),常用方法是從信號(hào)著手,在物理層面對(duì)比真實(shí)和偽造信號(hào)的特性,或者對(duì)信號(hào)進(jìn)行加解密認(rèn)證以識(shí)別真?zhèn)?此類方法的局限性在于只能事先預(yù)防,不能解決無人機(jī)實(shí)時(shí)因欺騙干擾導(dǎo)致的位置偏移的問題。另一種方法則是從無人機(jī)定位狀態(tài)的異常檢測著手,常見算法主要可以分為2大類:一類是基于標(biāo)簽的異常檢測算法,另一類是基于模型的異常檢測算法。其中,基于標(biāo)簽的異常檢測算法又可以細(xì)分為3種:一是無監(jiān)督異常檢測算法,該算法通過尋找相比其他數(shù)據(jù)最不匹配的實(shí)例對(duì)測試數(shù)據(jù)異常進(jìn)行標(biāo)記;二是監(jiān)督式異常檢測算法,該算法需要事先準(zhǔn)備“正常”和“異常”標(biāo)簽數(shù)據(jù)集;三是半監(jiān)督異常檢測算法,該算法根據(jù)所給定的正常訓(xùn)練數(shù)據(jù)集創(chuàng)建一個(gè)表示正常行為的模型,隨后對(duì)由學(xué)習(xí)模型生成測試實(shí)例的可能性進(jìn)行檢測。基于模型的異常檢測算法主要包括基于統(tǒng)計(jì)的算法、基于重構(gòu)的算法(例如PCA)、聚類分析(例如K-means)、one-class算法(例如OC-SVM、SVDD)等。

隨著人工智能技術(shù)的廣泛運(yùn)用,基于深度學(xué)習(xí)的異常檢測算法成為新熱點(diǎn),該算法利用深度神經(jīng)網(wǎng)絡(luò)對(duì)傳統(tǒng)基于模型的檢測算法進(jìn)行改進(jìn),例如Deep clustering、Deep one-class、Autoencoder、Generative models等。基于深度學(xué)習(xí)的檢測算法中最為廣泛的是長短時(shí)記憶網(wǎng)絡(luò)(LSTM)檢測算法,李晨等[1]在用LSTM數(shù)據(jù)預(yù)測的基礎(chǔ)上,將實(shí)際值與時(shí)序預(yù)測值偏差輸入分類器進(jìn)行訓(xùn)練,提高了檢測的準(zhǔn)確性;黃勇等[2]將模糊神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)結(jié)合,提高了無人機(jī)故障檢測的效率。上述算法存在的一大不足在于需要技術(shù)人員在訓(xùn)練中提供大量的異常樣本。近年來,隨著生成對(duì)抗網(wǎng)絡(luò)(GAN)的提出,部分學(xué)者開始嘗試?yán)肎AN進(jìn)行飛行數(shù)據(jù)異常檢測,GAN的一大優(yōu)勢(shì)在于無需事先收集大量異常數(shù)據(jù)進(jìn)行訓(xùn)練。王鳳芹等[3]通過將GAN與LSTM組成循環(huán)網(wǎng)絡(luò),構(gòu)建正常飛行數(shù)據(jù)模式,對(duì)處于離線狀態(tài)的無人機(jī)進(jìn)行異常檢測。上述異常檢測算法只能應(yīng)對(duì)系統(tǒng)總體異常,而無法甄別系統(tǒng)中具體異常的個(gè)體(單個(gè)或多個(gè))。當(dāng)檢測到無人機(jī)編隊(duì)遭到欺騙后,接下來需要解決的問題就是區(qū)分異常無人機(jī)與未遭到欺騙的正常無人機(jī)。假設(shè)整個(gè)編隊(duì)都是信息透明的“白盒”,每架無人機(jī)的數(shù)據(jù)都能通過觀測準(zhǔn)確實(shí)時(shí)獲取,這種區(qū)分就顯而易見。而在實(shí)際應(yīng)用中,難以直接通過觀察實(shí)時(shí)掌握無人機(jī)各項(xiàng)數(shù)據(jù),這樣的編隊(duì)就應(yīng)視為“黑盒”,此時(shí),無論是否被欺騙,無人機(jī)都會(huì)認(rèn)為自己按照“正確”的航線飛行,因此會(huì)向編隊(duì)或地面站報(bào)告自己的位置是“正常”的,而此時(shí)某些無人機(jī)實(shí)際則出現(xiàn)了異常。因而單憑編隊(duì)中各機(jī)所報(bào)告的信息,難以判斷哪些無人機(jī)遭到了欺騙。針對(duì)這樣的問題,一種可行的解決方式是采用虛擬結(jié)構(gòu)法(Virtual Leader),設(shè)置一個(gè)虛擬點(diǎn)作為編隊(duì)的虛擬長機(jī),編隊(duì)中各無人機(jī)需要確保和這個(gè)虛擬點(diǎn)的相對(duì)位置不變以維持編隊(duì)隊(duì)形。通過這種方法,只要有無人機(jī)報(bào)告的相對(duì)距離出現(xiàn)異常,就可判斷該機(jī)遭到了欺騙。另一種方式是實(shí)時(shí)對(duì)無人機(jī)航跡坐標(biāo)進(jìn)行預(yù)測,通過比較無人機(jī)的航跡預(yù)測值與無人機(jī)自身的GPS接收機(jī)定位值之間的差異,就能快速判斷無人機(jī)是否被欺騙,如孫旸等[4]基于長短時(shí)記憶網(wǎng)絡(luò)建立軌跡預(yù)測模型,判斷無人機(jī)是否遭受欺騙干擾,并利用卡爾曼濾波器提高了預(yù)測精度。

1 無人機(jī)編隊(duì)定位防欺騙問題

為了提高作戰(zhàn)任務(wù)的成功概率,無人機(jī)常采用編隊(duì)協(xié)同的飛行模式,尤其是在偵察、打擊目標(biāo)等方面,編隊(duì)飛行的無人機(jī)可以大大提高任務(wù)效率。對(duì)無人機(jī)而言,在空中能否準(zhǔn)確定位,對(duì)能否順利執(zhí)行任務(wù)有極其重要的作用。從公開的文獻(xiàn)可以看出,當(dāng)前對(duì)于無人機(jī)定位進(jìn)行欺騙的手段層出不窮,其中比較常用的是GPS欺騙,這種手段通過偽造GPS信號(hào),使得無人機(jī)解算出錯(cuò)誤的位置信息,從而達(dá)到欺騙的目的。尤其當(dāng)編隊(duì)中某架無人機(jī)定位遭到欺騙,將對(duì)整個(gè)編隊(duì)的作戰(zhàn)效能產(chǎn)生不利影響。本文運(yùn)用WGAN網(wǎng)絡(luò)對(duì)編隊(duì)是否遭受欺騙進(jìn)行整體上的檢測,隨后在無人機(jī)間通過建立信任模型判斷遭受欺騙無人機(jī)的(單架或多架)具體編號(hào)[5]。

1.1 生成對(duì)抗網(wǎng)絡(luò)(GAN)

GAN是一種典型的無監(jiān)督學(xué)習(xí)算法,最早于2014年由GOODFELLOW等基于博弈論中的雙人零和博弈問題提出[6]。GAN由生成模型和對(duì)抗模型組成,其中,生成模型的作用在于通過生成與訓(xùn)練數(shù)據(jù)相近的數(shù)據(jù)以圖混淆判別器,其輸入是n維服從某種概率分布的隨機(jī)噪聲,輸出為生成樣本;判別模型的作用在于對(duì)來自生成模型的樣本和真實(shí)數(shù)據(jù)進(jìn)行判斷,以真實(shí)樣本或生成樣本為輸入,以當(dāng)前樣本為真的判別概率為輸出。通過訓(xùn)練GAN即可得到較為靈敏的系統(tǒng)異常檢測系統(tǒng)。

1.2 Wasserstein生成對(duì)抗網(wǎng)絡(luò)(WGAN)

GAN通過生成模型與判別模型之間的博弈,不斷提高生成器和判別器效能。自GAN問世以來,在異常檢測、圖像生成、模式識(shí)別等多領(lǐng)域取得了廣泛的應(yīng)用,但傳統(tǒng)的GAN存在著諸如訓(xùn)練不穩(wěn)定、模式崩潰等問題。針對(duì)于此,文獻(xiàn)[7]提出了一種利用Wasserstein距離代替GAN生成器中使用的JS散度和KL散度的方法,對(duì)傳統(tǒng)GAN進(jìn)行了改進(jìn)。Wasserstein距離定義為

(1)

式中:Π(Pr,Pg)為Pr,Pg的聯(lián)合分布,對(duì)于任一個(gè)聯(lián)合分布γ而言,可以從中采樣得到一個(gè)真實(shí)樣本x和生成樣本y,計(jì)算得到樣本距離為‖x-y‖;進(jìn)一步可得到期望值E(x,y)～γ(‖x-y‖)。在所有期望值中取下界,這個(gè)下界就被定義為Wasserstein距離[8]。相比于GAN使用的JS散度和KL散度,Wasserstein距離的優(yōu)勢(shì)在于能平滑地反映真實(shí)樣本與生成樣本之間距離的大小,即使這兩個(gè)分布之間未產(chǎn)生重疊。

基于此,WGAN在原始的GAN上做出的改進(jìn)主要體現(xiàn)在:

1) 去除判別器最后一層的Sigmoid函數(shù);

2) 生成器和判別器的損失不作取對(duì)數(shù)處理;

3) 判別器參數(shù)每輪更新后進(jìn)行截?cái)嗵幚?使其不超過一個(gè)固定常數(shù)a;

4) 不再采用GAN中常見的基于動(dòng)量的優(yōu)化算法(momentum和Adam),而是采取RMSProp進(jìn)行優(yōu)化。

1.3 信任模型

信任模型最初來自于網(wǎng)絡(luò)安全領(lǐng)域,其研究始于信任管理這一概念。參考實(shí)際的人際關(guān)系網(wǎng)絡(luò),人對(duì)于他人的信任度有兩種,一種是自己對(duì)這個(gè)人的了解和認(rèn)識(shí),還有一種方式就是參考其他人對(duì)于這個(gè)人的評(píng)價(jià)和認(rèn)識(shí)。與之相對(duì)應(yīng)的,信任度可以劃分為直接信任度與間接信任度兩種。通過在無人機(jī)編隊(duì)各機(jī)間建立直接信任度和間接信任度模型,進(jìn)一步可以綜合獲得各機(jī)的綜合信任值,進(jìn)而得以對(duì)編隊(duì)內(nèi)遭受欺騙的具體無人機(jī)進(jìn)行準(zhǔn)確識(shí)別。

2 基于WGAN-TM的無人機(jī)協(xié)同定位防欺騙識(shí)別方法

2.1 模型總體結(jié)構(gòu)

基于WGAN-TM的無人機(jī)協(xié)同定位防欺騙識(shí)別方法模型總體結(jié)構(gòu)如圖1所示。

圖1 模型總體結(jié)構(gòu)

整個(gè)模型由WGAN訓(xùn)練模型、異常檢測模型和對(duì)欺騙進(jìn)行識(shí)別的信任模型3個(gè)部分組成,異常檢測模型輸入為測試樣本,利用WGAN訓(xùn)練模型中訓(xùn)練好的生成-對(duì)抗網(wǎng)絡(luò),根據(jù)得到的價(jià)值函數(shù)判斷編隊(duì)是否出現(xiàn)異常。如果判斷為異常,則根據(jù)編隊(duì)各機(jī)間的信任度模型,比較各無人機(jī)的信任度,從而判斷出編隊(duì)中出現(xiàn)異常的無人機(jī)的精確編號(hào)。

2.2 WGAN訓(xùn)練模型結(jié)構(gòu)

WGAN訓(xùn)練模型由生成器(Generator)與判別器(Discriminator)構(gòu)成。如圖2所示。

圖2 WGAN訓(xùn)練模型結(jié)構(gòu)

WGAN訓(xùn)練過程包括判別器訓(xùn)練和生成器訓(xùn)練兩部分。生成器以隨機(jī)生成的噪聲作為輸入,其目標(biāo)是生成盡可能“真實(shí)”的數(shù)據(jù)用于欺騙判別器;判別器則以真實(shí)數(shù)據(jù)和噪聲數(shù)據(jù)為輸入,盡可能判別出真實(shí)數(shù)據(jù)與生成器的偽造數(shù)據(jù)[9]。整個(gè)WGAN運(yùn)行的過程即是判別器與生成器的博弈過程,這樣最終得到的WGAN,其生成器將具備較強(qiáng)的偽造數(shù)據(jù)能力,而判別器也將靈敏地對(duì)數(shù)據(jù)真實(shí)性進(jìn)行判斷。WGAN器的一輪訓(xùn)練過程如下所述。

1) 固定生成器,訓(xùn)練判別器。從原始訓(xùn)練集中選出真實(shí)樣本x(真實(shí)性標(biāo)簽為1)作為判別器輸入,判別器輸出的判別概率記為D(x)。將判別概率與真實(shí)性標(biāo)簽對(duì)比可得到損失LD,1,判別器損失LD算式為

LD=Ex～Pg[D(x)]-Ex～Pr[D(x)]

(2)

式中:x～Pg表示x是對(duì)真實(shí)樣本Pg的采樣;E為期望值;x～Pr表示x采樣自生成樣本Pr。

將隨機(jī)噪聲輸入生成器,得到生成樣本(真實(shí)性標(biāo)簽為0),將生成樣本輸入判別器,得到判別概率,記為D(G(z)),將判別概率與真實(shí)性標(biāo)簽對(duì)比,可得到損失LD,2。然后,計(jì)算判別器損失,并將損失反向傳播到判別器的各個(gè)節(jié)點(diǎn)中,并更新網(wǎng)絡(luò)參數(shù),判別器一輪訓(xùn)練完成。

2) 固定判別器,訓(xùn)練生成器。將隨機(jī)噪聲z輸入至生成器,得到生成樣本G(z),將生成樣本作為判別器輸入,得到判別概率D(G(z)),將其與真實(shí)性標(biāo)簽對(duì)比得到損失LG,1,生成器損失LG算式為

LG=-Ex～Pg[D(x)]。

(3)

將損失反向傳播到生成器的各個(gè)節(jié)點(diǎn),并更新網(wǎng)絡(luò)參數(shù),生成器一輪訓(xùn)練完成。由于生成器的目的是盡可能使判別器將生成樣本判斷為真實(shí)樣本,因此通常要將生成器輸出的真實(shí)性標(biāo)簽設(shè)置為1,讓生成樣本向真實(shí)樣本靠攏。

生成器與判別器在不斷博弈過程中得到優(yōu)化,設(shè)WGAN整體的價(jià)值函數(shù)(即優(yōu)化目標(biāo))為

goal(G,D)=Ex～Pg(D(x))+Ez～pz(z)(D(G(z)))

(4)

式中,z～pz(z)表示z采樣自噪聲分布pz(z)。

2.3 欺騙識(shí)別信任模型

經(jīng)異常檢測后,可初步判斷為編隊(duì)遭受欺騙干擾,但具體欺騙發(fā)生于哪架(或幾架)無人機(jī)還不可知,需要進(jìn)一步識(shí)別。而事實(shí)上欺騙難以被精準(zhǔn)描述,根據(jù)經(jīng)驗(yàn),可以從欺騙的對(duì)立面——信任——去描述,如果協(xié)同單元中的無人機(jī)不被信任,則表示其被欺騙的可能性變大。此時(shí),可對(duì)無人機(jī)協(xié)同定位的信任模型進(jìn)行解算,以支撐欺騙的識(shí)別。各機(jī)間的信任值可以分為直接信任值和間接信任值。

2.3.1 直接信任值

編隊(duì)中,某無人機(jī)對(duì)其他無人機(jī)的直接信任值,是由該無人機(jī)自身觀測的位置與其他無人機(jī)根據(jù)結(jié)合觀測及機(jī)間相對(duì)位置關(guān)系得到的該無人機(jī)位置之間關(guān)系決定。例如,t時(shí)刻無人機(jī)i根據(jù)自身設(shè)備測得坐標(biāo)為(xii,yii),而無人機(jī)j根據(jù)其觀測得到的兩機(jī)間位置關(guān)系算得無人機(jī)i坐標(biāo)為(xij,yij)。對(duì)無人機(jī)i而言,如果(xii,yii)與(xij,yij)坐標(biāo)是重合的,則無人機(jī)i對(duì)無人機(jī)j的信任度為1。據(jù)此可認(rèn)為無人機(jī)i對(duì)無人機(jī)j的直接信任值滿足

tij=e-[(xii-xij)2+(yii-yij)2]i≠j

(5)

信任值取值范圍設(shè)為(0,1)。

2.3.2 間接信任值

無人機(jī)i對(duì)無人機(jī)j的間接信任值,是由編隊(duì)中其他無人機(jī)k(即第三方)與無人機(jī)j的信任關(guān)系決定。顯然,對(duì)于無人機(jī)i而言,要得出對(duì)無人機(jī)j較為合理的判斷,還需要綜合其他無人機(jī)對(duì)無人機(jī)j的評(píng)價(jià)(即第三方評(píng)價(jià))。設(shè)無人機(jī)i對(duì)無人機(jī)j的間接信任值為t′ij,其算式為

(6)

式中:αk為無人機(jī)k的性能權(quán)重,它與無人機(jī)k的抗欺騙能力、測算精度等有關(guān);tkj為無人機(jī)k的間接信任值。

進(jìn)一步可得到無人機(jī)j在編隊(duì)中的間接信任值T′j,它體現(xiàn)了無人機(jī)j根據(jù)自身設(shè)備觀測的其他無人機(jī)的位置信息在編隊(duì)各機(jī)間的認(rèn)可度,即

T′j=∑t′ij。

(7)

2.3.3 綜合信任值

在編隊(duì)內(nèi),無人機(jī)i對(duì)無人機(jī)j的綜合信任值,是由無人機(jī)i對(duì)無人機(jī)j的直接信任值與間接信任值加權(quán)獲得。當(dāng)無人機(jī)i自身的抗干擾定位能力強(qiáng)于編隊(duì)內(nèi)其他無人機(jī)時(shí),其直接信任值的權(quán)重更高;當(dāng)編隊(duì)內(nèi)其他無人機(jī)的抗干擾定位能力優(yōu)于無人機(jī)i時(shí),可認(rèn)為其他無人機(jī)對(duì)無人機(jī)j的評(píng)價(jià)權(quán)威性要高于無人機(jī)i對(duì)無人機(jī)j的評(píng)價(jià),即間接信任值的權(quán)重更高。權(quán)重的具體大小可以利用信息熵理論計(jì)算。直接信任值tij的熵函數(shù)H(tij)為

H(tij)=-tijlb(tij)-(1-tij)lb(1-tij)

(8)

進(jìn)一步可得直接信任值tij對(duì)應(yīng)的熵權(quán)為

(9)

間接信任值t′ij的熵函數(shù)H(t′ij)和熵權(quán)w′ij采取同樣方法計(jì)算。綜合信任值由直接信任值與間接信任值加權(quán)獲得,綜合信任值的權(quán)重qij為

(10)

根據(jù)文獻(xiàn)[9]的算式,得到綜合信任值為

Tij=qijtij+(1-qij)t′ij。

(11)

2.3.4 基于總信任值的判斷

當(dāng)獲取到無人機(jī)i對(duì)無人機(jī)j的綜合信任值后,進(jìn)一步可以得到編隊(duì)各機(jī)對(duì)無人機(jī)j的總信任值為

(12)

分析總信任值數(shù)據(jù)中的異常值,即可精準(zhǔn)判斷出具體受欺騙的無人機(jī),從而實(shí)現(xiàn)欺騙的精準(zhǔn)識(shí)別。

3 實(shí)驗(yàn)結(jié)果和分析

3.1 實(shí)驗(yàn)數(shù)據(jù)處理

假設(shè)由100架無人機(jī)組成一個(gè)10×10的編隊(duì),編隊(duì)各機(jī)位置分布如圖3所示。

圖3 編隊(duì)各機(jī)位置關(guān)系

以該編隊(duì)作為訓(xùn)練數(shù)據(jù)樣本,輸入WGAN進(jìn)行訓(xùn)練。各迭代周期內(nèi)生成器和判別器的損失如圖4所示。

圖4 生成器及判別器損失

由圖4可以看出,隨著迭代周期的增加,生成器的性能和判別器的性能都得到了明顯提升,其損失值逐漸降低,這表明WAGN的檢測效能在與生成器的博弈中不斷得到改善。

為了檢驗(yàn)WGAN檢測效能,隨機(jī)打亂其中10架無人機(jī)的位置,以此方法獲得的100組編隊(duì)位置分布圖作為測試數(shù)據(jù)。其中一組遭受GPS欺騙后的無人機(jī)編隊(duì)各機(jī)分布如圖5所示。

圖5 遭受欺騙后的無人機(jī)編隊(duì)

為了方便判斷,將坐標(biāo)為(1,1)的無人機(jī)編號(hào)為1,坐標(biāo)為(1,2)的無人機(jī)編號(hào)為2,以此類推坐標(biāo)為(10,10)的無人機(jī)編號(hào)為100。從圖5可以直觀地看出遭受欺騙的無人機(jī)編號(hào)為5、8、36、39、48、49、60、72、75、83。如果整個(gè)編隊(duì)的信息都是透明的,就可以迅速通過上述方法找到具體遭受欺騙的無人機(jī)。但實(shí)際應(yīng)用中往往只能獲得各架無人機(jī)根據(jù)其自身設(shè)備所得到的信息,因此需要建立各無人機(jī)的信任模型,通過比較綜合信任值進(jìn)行判斷。

3.2 模型效能評(píng)價(jià)指標(biāo)

為了評(píng)價(jià)WGAN網(wǎng)絡(luò)的GPS欺騙檢測效能,引入真陽率RTP、假陽率RFP、精確率P及F1值作為評(píng)價(jià)指標(biāo)。其中:RTP是衡量WGAN正確檢測出編隊(duì)遭欺騙的能力指標(biāo);RFP是衡量WGAN將正常狀態(tài)的編隊(duì)錯(cuò)誤判斷為遭到欺騙的指標(biāo);P代表檢測為異常,實(shí)際也為異常的編隊(duì)占檢測為異常的編隊(duì)數(shù)的比例。P和RTP的值都與模型效能正相關(guān),但是兩者存在制約關(guān)系,RTP越高則P越低,F1值的作用就是平衡P和RTP之間的關(guān)系。

(13)

(14)

(15)

(16)

其中:TP代表WGAN判斷為異常實(shí)際也為異常的編隊(duì)數(shù);FP代表WGAN判斷為異常實(shí)際為正常的編隊(duì)數(shù);FN代表WGAN判斷為正常實(shí)際為異常的編隊(duì)數(shù);TN代表WGAN判斷為正常實(shí)際也為正常的編隊(duì)數(shù)。

3.3 實(shí)驗(yàn)過程與結(jié)果分析

由于本文研究的問題存在兩個(gè)步驟:

1) 基于WGAN的編隊(duì)欺騙問題檢測;

2) 精準(zhǔn)識(shí)別遭欺騙的具體無人機(jī)。

因此,實(shí)驗(yàn)結(jié)果分析也分為兩個(gè)部分:

1) 評(píng)估WGAN的檢測效能,基于相同的訓(xùn)練、測試數(shù)據(jù),與LSTM、GAN、K-means聚類算法的性能進(jìn)行對(duì)比;

2) 基于信任模型做出決策,對(duì)決策準(zhǔn)確性進(jìn)行評(píng)估。

以圖5所示編隊(duì)為例,根據(jù)前文建立的編隊(duì)信任模型,得到當(dāng)前編隊(duì)各機(jī)直接信任值、間接信任值、綜合信任值如圖6所示。

圖6 直接、間接及綜合信任值

圖6(a)中,曲線代表不同的無人機(jī)對(duì)該機(jī)的直接信任值,通過觀察可以發(fā)現(xiàn),曲線在編號(hào)為5、8、36、39、45、60、72、75、83這9架無人機(jī)處出現(xiàn)了突變。這說明這9架無人機(jī)報(bào)告的自己的坐標(biāo)對(duì)于其他無人機(jī)來說可信度不高。

由圖6(b)比較間接信任值可以判斷,編號(hào)為5、8、31、36、39、48、60、72、75、83的無人機(jī)經(jīng)過觀測所報(bào)告的其他無人機(jī)的位置在編隊(duì)各機(jī)間認(rèn)可度不高,但要較為準(zhǔn)確地判定編隊(duì)內(nèi)遭受欺騙的無人機(jī),需要對(duì)直接信任值和間接信任值進(jìn)行綜合計(jì)算。

根據(jù)圖6(c)綜合信任值進(jìn)行排序可知,編號(hào)為5、8、24、36、39、48、60、72、75、83的無人機(jī)總信任值相對(duì)其他無人機(jī)較低,這些異常表明這些編號(hào)的無人機(jī)所報(bào)告的位置信息可信度相比于編隊(duì)中其他無人機(jī)較低,說明這些無人機(jī)有很大可能遭到了GPS欺騙。將信任模型得到的結(jié)果與圖3編隊(duì)位置信息對(duì)比可得信任模型的RTP為90%,RFP為1%,P為90%,F1值為90%。24號(hào)無人機(jī)被編隊(duì)錯(cuò)誤判斷為異常機(jī)可能是由于其本身性能較差等因素導(dǎo)致在編隊(duì)各機(jī)間評(píng)價(jià)的權(quán)重較低;而異常的49號(hào)無人機(jī)沒有被編隊(duì)判斷出來,原因可能是因?yàn)樗阅鼙容^好,在編隊(duì)里比較有“權(quán)威”,從而“成功”騙過了編隊(duì)里的其他無人機(jī)。對(duì)100組編隊(duì)的判斷結(jié)果取平均值可得信任模型判斷的RTP為91.4%,RFP為0.86%,P為90.3%,F1值為90.8%。可以看出,信任模型能比較準(zhǔn)確地判斷出編隊(duì)內(nèi)遭到欺騙的具體無人機(jī)編號(hào)。

3.4 算法對(duì)比分析

為驗(yàn)證本文算法的檢測效果,在采用與3.1節(jié)中相同的編隊(duì)數(shù)據(jù)基礎(chǔ)上,分別使用GAN-TM、LSTM以及K-means這3種算法對(duì)編隊(duì)無人機(jī)遭欺騙情況進(jìn)行檢測,利用3.2節(jié)采用的評(píng)價(jià)指標(biāo)對(duì)各算法的檢測性能進(jìn)行比較,實(shí)驗(yàn)結(jié)果如表1所示。

表1 不同算法的編隊(duì)欺騙檢測性能對(duì)比

從表1可知,本文算法的欺騙檢測綜合性能要優(yōu)于GAN-TM算法和K-means算法,也略優(yōu)于LSTM算法。本文算法的RTP比GAN-TM、LSTM、K-means算法分別提高了1.7、0.8和6.1個(gè)百分點(diǎn)。對(duì)于檢測的精確率P,本文算法比GAN-TM、K-means、LSTM算法分別提高了3.6、1.9、7.1個(gè)百分點(diǎn)。對(duì)于F1值,本文算法則比GAN-TM、LSTM、K-means算法分別提高了2.6、1.3和6.6個(gè)百分點(diǎn)。而對(duì)于RFP,本文算法相對(duì)GAN-TM和K-means算法分別降低了0.34和1.54個(gè)百分點(diǎn),相對(duì)LSTM,則只高了0.14個(gè)百分點(diǎn)。相比于原始的GAN-TM算法,本文算法提高了訓(xùn)練的穩(wěn)定性,同時(shí)在實(shí)際操作中,訓(xùn)練也更加容易。

4 結(jié)束語

本文將WGAN應(yīng)用于無人機(jī)編隊(duì)GPS欺騙檢測,設(shè)計(jì)了生成器與判別器,通過生成模型不斷與判別模型的博弈,提高了編隊(duì)欺騙檢測的精度,并在檢測的基礎(chǔ)上,在編隊(duì)各無人機(jī)間建立信任模型,對(duì)具體遭受干擾的無人機(jī)作了識(shí)別。實(shí)驗(yàn)結(jié)果表明,本文所提出的基于WGAN的編隊(duì)GPS欺騙檢測算法的性能較好,同時(shí)對(duì)具體的遭欺騙無人機(jī)的識(shí)別較為準(zhǔn)確。另一方面,由于WGAN還沒有解決GAN存在的解釋性較差、收斂速度慢等缺點(diǎn),實(shí)際應(yīng)用中可能會(huì)對(duì)系統(tǒng)的檢測效率造成不利影響,未來還需要研究如何提高模型的檢測效率。此外,還可以從改進(jìn)信任模型這方面入手,進(jìn)一步提高檢測的準(zhǔn)確度。