摘要
针对无人飞行器（UAVs）的机器学习入侵检测在公开基准上报告了极高的准确率，但这些数据关键取决于模型如何评估，并且常常因标识符泄漏或采集伪影而被夸大。我们研究了更具挑战性且更现实的基于身份攻击的防泄漏零日检测问题，以女巫攻击（Sybil 攻击）作为代表性案例。当将 UAV 基准中的每次攻击都评估为未见过的目标时，我们发现逐点新奇度检测器可以检测流量洪泛和路由攻击，但对女巫攻击失效，因为单个女巫流位于已知攻击所占区域内；增加模型容量无济于事。我们提出了一种防泄漏、分割不变的每个源行为速率表示——该表示源自身份字段但不使用其值——并根据良性画像而非外推已知攻击方向来评分新奇度。在源分离的留一攻击类外协议下，无超参数的马氏距离检测器和注意力自编码器均能恢复未见来源的女巫流（ROC 分别为 0.91 和 0.98），而在此情况下逐流自编码失效且已知攻击方向反转。一旦表示正确，两个不同的模型家族都能成功，这表明起决定作用的是表示而非模型复杂度。我们进一步发现，公开 UAV 基准记录的设备身份过于退化，无法评估基于身份的攻击，这激发了对身份保留基准的需求。
