编辑推荐：
在数字取证（DF）中，无人机系统（UAS）数据可靠性评估困难。研究人员开展 UAS 数据可靠性评估研究，提出一个分三类别的概念框架。该框架有助于评估 UAS 数据可靠性，为 DF 调查提供支持，提升数据可信度。
随着无人机在各个领域的广泛应用，无人机相关的事件也日益增多。在涉及无人机的数字取证调查中，准确评估无人机系统（UAS）数据的可靠性变得至关重要。因为只有数据可靠，才能在法律层面给出准确的结论。然而，目前的状况却令人担忧。传统操作系统（如 Windows）及其应用程序的数字痕迹处理，人们对其数据可靠性的理解较为成熟。但对于 UAS 这类新兴技术，数字取证科学家和调查人员在评估其数据的正确性时却面临诸多挑战。特别是在自制无人机取证方面，缺乏有效的方法来判断数据的可靠性。这就好比在一片未知的领域中探索，没有可靠的地图指引方向，使得调查人员在处理相关案件时困难重重。为了解决这些问题，来自未知研究机构的研究人员开展了关于 UAS 数据可靠性评估的研究，并将研究成果发表在《Forensic Science International: Digital Investigation》上。
研究人员提出了一个创新的概念框架，用于评估 UAS 数据的可靠性。这个框架分为三个类别，每个类别代表了对 UAS 状态的不同知识水平，从单一数据源的分析，到多个 UAS 数据源的结合，再到 UAS 数据与外部观测的比较，层层递进。该框架的提出，为 UAS 数据可靠性评估提供了新的思路和方法，有助于提高数字取证调查的准确性和可靠性，在法律实践中具有重要的意义。
在研究方法上，研究人员主要采用了以下几种关键技术：
- 似然比（LR）：通过构建两个相互排斥的假设，基于贝叶斯定理计算似然比，以此来量化证据的强度，评估数据的可靠性。
- 信号质量估计（SQE）：从信号质量的角度出发，运用滤波技术或信号质量指标（SQIs）等方法，对测量信号的质量进行评估，进而判断数据的可靠性。
- 传感器交叉验证：对比多个数据源，利用冗余传感器的数据或通过其他测量仪器重建信息，验证测量数据的可靠性。
- 状态估计：借助模型驱动、数据驱动或混合驱动的状态估计方法，根据 UAS 的各种观测数据来估计隐藏状态，通过与感兴趣信息的比较评估数据可靠性。
下面来详细看看研究结果：
- 类别 1：单一数据源分析：当只有一个数据源可用时，采用似然比和信号质量估计方法。似然比方面，通过定义两个关于数据的假设，结合贝叶斯定理计算似然比。例如在判断无人机位置数据时，假设无人机在某时刻处于不同位置，根据测量数据计算似然比，若似然比大，则表明在某一假设下观测数据更有可能出现，从而辅助判断数据可靠性。信号质量估计则是评估测量信号的质量，如通过分析信号处理过程、环境影响等因素，利用信号质量指标（SQIs）对信号进行分类，判断其是否符合预期质量，进而评估数据可靠性。
- 类别 2：多个 UAS 数据源结合分析：在此类别中，使用传感器交叉验证和状态估计方法。传感器交叉验证中，如果存在冗余传感器，可利用最大似然估计器等方法估计真实信号和可信度指数。例如，无人机上多个加速度计或陀螺仪测量同一目标变量时，可通过这种方式评估数据可靠性。当没有冗余传感器时，可通过视觉里程计等方法，利用其他测量仪器的观测数据重建信息，与原始数据对比，根据偏差评估可靠性。状态估计则是通过选择合适的状态估计方法（模型驱动、数据驱动或混合驱动），定义状态向量和测量向量，根据 UAS 的各种观测数据估计隐藏状态，将估计结果与感兴趣的信息（如无人机的高度）进行比较，结合偏差测量和方法相关指标（如卡尔曼滤波器的误差协方差矩阵和卡尔曼增益）评估数据可靠性。
- 类别 3：UAS 数据与外部观测结合分析：研究人员将 UAS 数据与外部测量系统（EMS）的数据相结合，通过定义感兴趣的信息，对不同数据源的数据进行预处理（可能包括传感器融合），同步数据后计算相似度。例如在比较无人机位置信息时，计算 UAS 数据和 EMS 数据的相似度，根据相似度矩阵和整体得分评估数据可靠性。如果相似度高，则认为数据可靠性较高；反之，则可靠性较低。
研究结论和讨论部分，研究人员提出的概念框架为 UAS 数据可靠性评估提供了一个系统的方法，涵盖了不同数据获取情况下的评估策略。但该框架也存在一些局限性，如在实际场景中的可行性尚未得到充分验证，部分方法（如 SQE）在数字取证科学领域还未经过充分测试，适用于 UAS 数据的 SQIs 也有待进一步研究。不过，这一研究仍是 UAS 数据可靠性评估领域的重要一步。未来需要更多的实验研究来验证该框架的有效性，鼓励研究人员进一步拓展和完善该框架，以便更好地应用于实际数字取证调查中，提高数据的可靠性评估水平，为法律决策提供更可靠的依据。
