面向无人机自组网的灰洞攻击早期时序分类数据集FAN-GHETS24的构建与验证

本研究针对飞行自组网(FANET)中灰洞攻击(GHA)的快速检测需求，开发了首个支持早期时序分类(ETSC)的多攻击类型数据集FAN-GHETS24。通过NS-3模拟器构建包含11种攻击变体的真实场景数据，采用匿名化处理和特征工程优化，验证了CNN模型在攻击分类中的时效性（准确率70%，响应时间缩短32%），为搜救任务等关键应用提供安全防御新方案。

　　

在自然灾害救援等关键场景中，无人机自组网(FANET)常因缺乏基础设施依赖多跳通信，而灰洞攻击(Grey Hole Attack, GHA)通过选择性丢包会严重威胁网络服务质量。现有研究面临三大困境：传统数据集如KDDcup'99模拟局域网环境缺乏移动性特征；多数防御方案响应延迟高；且尚未有针对多种GHA变体(如概率型/时间型/前驱节点型)的时序检测数据集。

南安普顿大学的研究团队在《Scientific Data》发表的研究中，创新性地构建了FAN-GHETS24数据集。通过NS-3模拟器模拟24架无人机在380米通信范围内的城市搜救场景，采集包含11种攻击变体（如PD-0.4概率丢包、Tdrp-0.5周期丢包等）的包交互序列。采用双重匿名化处理（IP替换为MY_IP等标记）和特征工程（25维时空特征提取），生成超过16,000条时间序列。验证实验显示，基于自动编码器和CNN的早期分类模型能在观测62%序列长度时达到70%准确率，较传统方法响应速度提升32%。

关键技术包括：(1)NS-3模拟器构建三维移动网络；(2)基于AODV协议设计攻击节点行为算法；(3)时空特征提取（包TTL值、节点相对运动Δd_ij(t_k)等）；(4)自动编码器降维（|h|=6嵌入空间）；(5)置信度阈值早期分类系统（α=0.9）。

研究结果揭示：

背景与数据需求

现有FANET数据集如WSN-DS缺乏攻击强度梯度（如p=0.2-1.0概率丢包），而FAN-GHETS24首次集成3类攻击机制和8种强度参数，填补了细粒度检测的数据空白。

模拟环境构建

采用RWP移动模型模拟无人机在1050m×150m区域的自主巡航，通过划分攻击节点比例（12.5%-37.5%）构建不同威胁环境。关键创新是设计了前驱节点攻击算法（Algorithm 3），使恶意节点可针对性丢弃特定中继节点的数据包。

特征工程有效性

方向特征Δd_ij(t_k)（公式1）与包TTL的时序组合，在CNN模型中实现了攻击模式识别，对Tdrp-0.7时间型攻击的检测F1值达0.82。

早期分类性能

置信度阈值机制（图5）显著优化了准确率-时效性平衡。当α=0.9时，模型在τ=10,000步长分类的准确率比固定窗口方法提升4%（表12），且错误主要集中在低强度攻击（Sele-0.3类）。

该研究的突破性在于：首次实现GHA攻击的"类型-强度"双维度检测，匿名化处理使模型可部署于任意无人机节点。作者在讨论中指出，未来可扩展三维信道衰减模型，但当前数据已为FANET安全领域提供了关键基准。正如Tropea等学者在后续研究中采用该数据集验证的，这种时序特征提取方法同样适用于Sybil攻击检测，展现出广泛的适用前景。