面向对抗鲁棒性与功能保持的无人机入侵检测双重影响特征选择

《Drones》：Dual-Impact Feature Selection for Adversarially Robust, Functionality-Preserving UAV Intrusion Detection

　　

无人机（Unmanned Aerial Vehicles, UAVs）在关键任务中的广泛部署使其面临日益严峻的网络攻击威胁。尽管基于深度学习（Deep Learning, DL）的入侵检测系统（Intrusion Detection Systems, IDS）在检测性能方面表现优异，但该类系统极易受到对抗攻击的影响，攻击者通过操纵输入特征以规避检测。传统的特征选择方法无法区分对模型检测精度至关重要的特征与对保持网络攻击操作有效性必不可少的特征。为此，研究人员提出了双重影响特征选择（Dual-Impact Feature Selection, DIFS）框架，以构建面向无人机入侵检测系统的鲁棒模型。该方法从两个维度评估特征：第一，模型性能影响（Model Performance Impact, MPI），采用积分梯度（Integrated Gradients, IG）和局部可解释模型不可知解释（Local Interpretable Model-agnostic Explanations, LIME）度量特征对检测精度的影响；第二，功能保持准则（Functionality Preservation Criterion, FPC），一种基于聚类的方法，用于评估特征是否为网络攻击执行所不可或缺。具有高MPI和高FPC的特征被识别为双重影响特征（Dual-Impact Features, DIFs）。研究人员通过对这些DIFs施加约束生成对抗攻击，从而构建逼真的规避样本。利用这些样本进行对抗训练，研究人员开发了三种鲁棒的无人机入侵检测系统卷积神经网络（Convolutional Neural Network, CNN）模型。在三个无人机网络入侵数据集上的评估表明，该框架显著提升了模型的抗攻击能力。模型实现了高达99.8%的检测精度，同时将攻击成功率（Attack Success Rate, ASR）降至0.002，为设计对抗鲁棒的无人机网络检测系统提供了有力支撑。

该研究发表于《Drones》期刊，聚焦于无人机网络面临的对抗攻击威胁及防御策略构建。研究背景方面，无人机通过自组织网络连接并由智能设备控制，应用于军事行动、航空测绘等诸多领域，其网络安全依赖于安全协议与入侵检测系统。然而，无人机网络的每个组件，包括无人机本身、地面控制站（Ground Control Station, GCS）以及接入点，均面临拒绝服务（Denial of Service, DoS）、重放攻击、中间人（Man-in-the-Middle, MITM）攻击等网络威胁。尤其值得关注的是，攻击者能够操纵网络攻击的特征以规避检测，同时保持恶意网络攻击的操作有效性，例如在实施恶意双胞胎（Evil Twin）攻击时修改802.11帧控制标志以避开异常检测器，同时成功模拟合法接入点。现有特征选择方法存在显著局限：主成分分析（Principal Component Analysis, PCA）、随机森林重要性排序等方法仅关注最大化检测性能`