DPDA：一种双路径域适应方法，用于移动机器人中的跨地形实时攻击检测

《Neural Networks》：DPDA: A dual-path domain adaptation method for cross-terrain real-time attack detection in mobile robots

　　**摘要**
基于深度学习的攻击检测方法在单一运行环境中对于移动机器人实现了高精度，但在实际跨地形场景中应用时存在显著限制。核心问题在于单一域模型无法适应不同地形之间的数据分布变化，导致将地形引起的变化错误地分类为潜在攻击。为克服这一挑战，提出了一种双路径域适应（DPDA）网络，用于移动机器人的跨地形实时攻击检测。DPDA通过双路径架构提取传感器数据的时间动态和谱特征，从而克服了单模方法的信息限制。此外，引入了时频相关器（TFC）和双向交叉注意力（BCA）机制，以实现双模特征的交互式融合，捕捉不同域中的稳定攻击特征。为了解决双目标域对齐问题，设计了一种相互原型漂移（RPD）机制，以桥接不同的目标域。通过引导来自不同目标域的特征原型在嵌入空间中相互收敛，有效减轻了地形变化引起的分布差异。在真实移动机器人平台上进行的实验表明，DPDA在跨地形攻击检测任务中优于现有方法。跨数据集验证进一步确认了该模型的强健跨域泛化能力。

**引言**
自主系统正日益成为现代智能交通基础设施的重要组成部分。随着移动机器人从结构化的城市道路过渡到非结构化的越野环境，跨地形自主导航已成为广泛应用的关键能力（Guan, Kothandaraman, Chandra, Sathyamoorthy, Weerakoon, Manocha, 2022; Miki, Lee, Hwangbo, Wellhausen, Koltun, Hutter, 2022; Weerakoon, Sathyamoorthy, Patel, Manocha, 2022）。移动机器人的控制和安全决策依赖于实时传感器反馈，这需要频繁的数据交换，从而使通信网络容易受到恶意攻击（Ma, Wang, Wang, Meng, 2023a; Ueda, Kwon, 2025）。敌手可以操纵传输的传感器测量值，使机器人偏离预定轨迹，对操作安全构成严重威胁（Zhang et al., 2023）。不同地形之间的变化会导致传感器数据统计特征的显著变化，进一步增加了异常检测的复杂性。因此，开发具有强健跨地形泛化能力的实时攻击检测系统至关重要。异常检测的核心在于准确区分时间序列数据中的自然干扰和恶意信号。利用强大的特征提取和时间建模的监督式深度学习（DL）方法已成为主流（Keshk, Koroniotis, Pham, Moustafa, Turnbull, Zomaya, 2023; Li, Wang, Gu, Li, Liu, Zhang, 2025）。例如，Ji等人（2022）引入了一种主动异常检测网络，以增强复杂环境中机器人的导航检测性能。通过规划路径和融合传感器信号来预测未来的故障概率，可以实时捕捉机器人的异常行为。Azzalini等人（2021）提出了一种新的最小监督异常检测方法，采用变分自动编码器架构和新的训练方法，为异常检测引入基于进展的潜在空间。He等人（2025）提出了时间混洗注意力网络（TSAN）用于移动机器人的传感器攻击检测。通过位置编码增强了传感器特征的时间特性，并采用了多层TSA模块，以便完全提取数据特征。通过数据特征的提取和建模，上述方法提高了在单一运行环境中检测机器人网络异常的能力。然而，传统的基于DL的攻击检测方法难以应对动态运行环境中的不断变化的威胁（Lampe, Meng, 2024; Layeghy, Baktashmotlagh, Portmann, 2023）。这种限制源于单一域方法的基本假设，即训练数据和测试数据是独立同分布的，而在跨地形场景中这一假设不再成立（Khoee et al., 2024）。在实际应用中，由于域偏移，监督式DL方法的检测性能显著下降（Kheddar, Himeur, Awad, 2023; Zhang, Zhao, 2021）。域偏移是由于不同地形特性对机器人动力学的影响，导致检测器将地形引起的正常变化误认为是攻击，从而增加了误报率。此外，为每种新地形重新收集和标注大规模数据集在经济上成本高昂且可扩展性差（Hoyer, Dai, Van Gool, 2023; Li, Zheng, Tang, Zhu, Huang, 2023）。为缓解训练环境和测试环境之间的不匹配导致的性能下降，域适应技术作为一种有前景的方向出现，用于增强在多样化环境中的攻击检测能力。域适应是通过在源域和目标域之间建立共享特征表示来实现的，从而最小化分布差异（Shi, Ying, Yang, 2022; Wu, Wang, Xie, Li, Dai, Ye, Xu, 2022）。因此，目标域可以在不需要大量目标标签的情况下保持高精度。Marchiori等人（2025）提出了所谓的J-DAPT方法，用于在基于注意力的融合和域适应中检测越狱攻击。其核心在于利用域适应将通用越狱数据集与特定域的参考数据对齐，从而解决检测器经常将机器人越狱攻击错误分类为安全命令的问题。Hu等人（2022）引入了一种具有注意力机制的深度子域适应网络，用于识别物联网（IoT）边缘网关处的恶意软件变种流量。利用局部最大传感器均值差异来对齐子域的流量特征分布。Ma等人（2023b）设计了一种用于IoT入侵检测的少样本对抗性区分域适应框架。采用双域混合和连接算法来缓解少样本限制下的过拟合问题。然而，现有方法主要针对图像或静态数据设计，忽略了时间序列数据中的时间依赖性（Huang, Zhao, Liu, Yang, Liew, You, 2023; Li, Li, Cao, Wang, Huang, Kot, 2018; Wang, Han, Shan, Chen, 2020）。由于时间数据的动态特性和谱信息，单纯的分布对齐往往会导致这些内在属性的丢失。此外，现有方法仅进行源到目标的对齐，忽略了处理双目标域适应时的目标间特征相关性，阻碍了模型达到最佳性能。上述缺点降低了移动机器人跨地形场景中域适应攻击检测的有效性。为解决这一差距，本文研究了一种更实用但更具挑战性的场景，即基于多目标域适应的异常检测，其中模型不再局限于单一地形。所提出的方法旨在利用标记的源域监督来增强模型在不同地形中的泛化能力。据我们所知，现有文献中尚未完全探索多目标域适应用于异常检测。尽管域适应技术及其相关组件在其他领域已得到广泛研究，但将这些方法直接应用于跨地形异常检测仍面临两个挑战，总结如下：1）攻击相关特征与地形特定特征纠缠在一起，使得模型难以学习稳定的跨地形攻击表示；2）现有方法仅进行单向的源到目标对齐，导致双目标域之间的特征无约束漂移。为了解决上述挑战，本文提出了一种双路径域适应（DPDA）网络。通过利用不同地形之间的共享攻击模式，学习跨地形泛化的攻击表示。同时，对于双目标域场景，将目标间关系纳入特征学习过程，实现目标域之间的相互约束和协作进化。这些关键组件是专门为跨地形攻击检测的独特挑战设计的，而在移动机器人的异常检测领域之前的研究尚未涉及此类设计。值得注意的是，本研究解决了需要适应的已知场景，其中可以通过低成本方法（如低速映射）提前收集目标地形中的未标记数据。因此，无需目标域攻击注释，所提出的方法可以减轻地形变化干扰，专注于异常模式检测。本文的主要贡献总结如下：•引入了跨地形攻击检测器DPDA，以解决将地形引起的扰动错误分类为攻击的问题。该模型被引导关注不同地形中共存的攻击模式，从而抑制地形干扰。为此，采用了跨模态时频特征学习和目标间对齐来捕获地形不变的攻击模式；•重新定义了双目标域中的原型对齐为双向受限漂移过程，并基于此设计了RPD机制。通过利用目标域之间的特征相关性，将一个目标域的特征引导到另一个目标域的原型，减轻了双目标对齐中的无约束漂移；•为了防止谱表示被地形引起的谱变化所主导，使用域概率作为门控信号来减轻特定域的谱成分，而剩余的干扰通过双向注意力进一步减弱，促进稳定攻击特征的提取。本文的其余部分组织如下：第2节详细介绍了所提出的方法论。第3节使用真实移动机器人传感器数据评估模型并进行了一些比较研究。第4节分析了我们的模型。第5节总结了主要工作。

**实验**
在现实世界场景中，移动机器人在不同道路条件下运行。在本节中，我们选择了三种典型地形，形成一个从简单到复杂的环境梯度。具体来说，平坦地形作为源域，而草地和沙地地形被视为目标域。实验关注从平坦地形到草地和沙地的单向域适应，模拟从结构化环境到非结构化环境的泛化。

**双目标设置的合理性**
不同地形表现出不同的干扰模式，因此仅在一个目标域中出现的特征容易受到地形特定噪声的影响，而在多个目标域中保持一致的特征更有可能对应于实际攻击模式。因此，同时对齐双目标域是必要的，因为这增强了模型学习跨地形共享攻击特征的能力。此外，在实际场景中，移动机器人可能会频繁面对...