基于通信帧分析的同型号授权与非授权无人机（UAV）区分方法

《Drones》：Communication Frame Analysis to Differentiate Between Authorized and Unauthorized Drones of the Same Model Angesom Ataklity Tesfay, Jonathan Villain, Virginie Deniau and Christophe Gransart

　　

摘要：无人驾驶航空器（Unmanned Aerial Vehicle, UAV）在农业、商业、学术及医疗等领域的应用快速增长，但当无人机被用于未经授权或恶意目的时，其信息传输能力对公共安全构成显著威胁。为保护公民隐私并防止无人机在禁飞区造成事故，多国立法设立了无人机禁飞区。最常见的UAV探测技术基于射频（Radio Frequency, RF），通过监测RF信号识别无人机及其型号，但此类方法的局限性在于难以区分同型号的多架UAV。本文提出一种方法，可在存在另一架同型号无人机的情况下，通过物理层数据对已注册UAV的通信帧进行物理追踪与区分。研究人员开展了测量实验，采集了两台DJI MAVIC 2 Zoom、两台DJI Air 2S及两台DJI Phantom无人机真实环境下的RF通信信号，测量在电波暗室（anechoic chamber）内外进行以研究有无干扰时的通信特性。经详细统计分析，研究人员表征了通信持续时间、通信间隔时间、信号强度及通信时序模式等特征，发现即便在同型号UAV间也存在可识别的独特模式。基于此结果，研究人员开发了自动化系统将通信帧关联至对应注册无人机。该方法弥补了现有无人机探测与监视模型的不足，为安全与空域管理应用提供了有价值的信息，并为解决当前探测技术的重大局限奠定了基础。

论文解读：基于通信帧分析的同型号授权与非授权无人机（UAV）区分方法

研究背景与意义

随着无人驾驶航空器（Unmanned Aerial Vehicle, UAV/无人机）在各领域的普及，其被用于非法走私、偷拍及袭击等恶意活动的风险日益增加，亟需有效的探测与监管手段。现有的RF探测技术虽能识别无人机品牌与型号（如通过OcuSync、LightBridge协议分类），但无法区分同型号的多架无人机——即无法判断在场飞行的同型号无人机中哪架是已授权的、哪架是未授权的入侵者。传统的机器学习方法在复杂电磁环境下性能下降，射频指纹（RF Fingerprinting）识别虽具潜力但易受同频干扰影响且分类精度受限。为此，Tesfay等人于《Drones》期刊发表本研究，旨在通过分析物理层（Physical Layer）通信帧的时间特征与统计特性，实现同型号无人机通信帧到特定个体的关联（Frame Linking），填补同型号区分的技术空白。

主要关键技术方法

研究人员选用两架同型号DJI MAVIC 2 Zoom（OcuSync 2.0）、两架DJI Air 2S（OcuSync 3.0）及两架DJI Phantom（Phantom 4与Phantom 3 Pro，Lightbridge协议）组成样本队列。使用基于ADRV9026的软件定义无线电（Software-Defined Radio, SDR）在中心频率2.45 GHz、100 MHz带宽、采样率122.88 MHz下采集I/Q（In-phase/Quadrature）数据，每次截取40 ms。实验分电波暗室（无干扰）与室外（有干扰）两种场景，每种场景下无人机分别处于静止模式（Stationary Mode，桨停、无飞控指令）与飞行模拟模式（Flight Mode，开启稳定与旋转功能、发送飞控指令但不物理移动）。数据采集后对复合I/Q信号通过互相关（Cross-Correlation）与预设参考模板分离遥控器（Radio Control, RC）上行帧与无人机下行（UAV Downlink）帧，提取每帧平均功率（控制器发射功率A_i、无人机发射功率a_i）、通信持续时间（T_i为RC帧长，t_i为UAV帧长）及帧间时间间隔（Δ_i为RC帧间隔，δ_i为UAV帧间隔）构建特征数据库，采用Wilcoxon–Mann–Whitney检验（MW检验，α=0.05）评估同型号不同个体间特征分布的显著性差异，并设计算法将未知帧关联回参考无人机。

研究结果

5.1. Characterization of Drone RF Signal（无人机RF信号特征化）

研究人员对同型号两架MAVIC 2 Zoom、两架Air 2S及Phantom系列分别统计静止与飞行模式下各时间、功率特征均值。Wilcoxon–Mann–Whitney检验显示，除静止模式下无人机下行（视频）帧持续时间t_i在两架MAVIC 2 Zoom间无显著差异（p>0.05）外，其余参数（A_i、a_i、T_i、Δ_i、δ_i）在两架同型号无人机间均存在统计学显著差异（p<0.05），证明即便硬件型号相同，各无人机的通信时序与功率分布具有个体独特性。同一无人机从静止模式切换至飞行模式时，RC帧持续时间T_i与RC帧间隔Δ_i发生显著变化，表明工作模式影响通信节奏。平均功率参数具区分潜力，但因本实验为固定距离静态布置未纳入最终帧关联主判据。

5.2. Automatic Linking（自动帧关联）

研究人员提出"无人机帧识别与关联算法（Drone Frame Identification and Association Algorithm）"，分三步处理输入帧：①通过互相关将入帧与参考无人机帧模板比对，超过阈值α则标记为潜在无人机帧；②校验该帧发射间隔是否符合参考无人机预期时序窗口，符合则确认为有效无人机帧；③提取该帧独特信号特征（时序与功率统计量）与数据库中各注册无人机特征比对，分配至最匹配个体。评估显示：在电波暗室环境中两架同型号无人机同时通信时帧无错误关联（误分配率为0）；室外实验中RC帧关联整体误分配率为6.9%（MAVIC 2 Zoom为7.8%，Air 2S为8.7%），而无人机下行帧仍保持良好区分度，误分配主要源于遥控器信号在复杂环境下的变异性与重叠。

讨论与结论翻译

本文旨在仅基于通信时间特征将通信帧关联至已授权无人机。研究人员在电波暗室与实验室环境（通信距离5 m）测量同型号无人机与其遥控器（RC）间的短距RF信号。通信帧特征分析揭示同型号无人机间存在通信模式差异，选用时间参数（帧持续时间T_i、t_i及帧间间隔Δ_i、δ_i）的优势在于一旦识别出UAV与RC的通信时序模式，只需等待下一帧起始时间即可完成关联，且短暂帧丢失可通过重识别模式恢复。所开发算法可将含于参考数据库的无人机通信帧正确分配，室外实验RC帧误分配率为6.9%。受限于飞行授权限制，未在更远距离低信噪比条件下验证；未来应扩大无人机型号与协议覆盖范围，并考虑采用深度学习（Deep Learning）识别低功率下的发射时刻以提升鲁棒性。本研究为UAV信号识别与帧关联提供了可推广的基础框架，对实际空域监管部署具有重要意义。