基于时序—上下文注意力机制与身份—行为一致性验证的自动驾驶系统身份伪造检测

《Ocean Engineering》：Temporal–contextual attention for AIS identity spoofing detection via identity–behavior consistency verification

　　

• •
  将AIS欺骗建模为身份-行为一致性验证问题。
• •
  TCA联合建模时间锚点、运动学上下文和注意力融合。
• •
  多尺度证据提升了AIS欺骗检测的鲁棒性。
• •
  实验验证了准确性、鲁棒性、效率和可迁移性。

引言

随着海上交通量的快速增长和智能海洋倡议的持续推进，自动识别系统（AIS）已成为近岸海域监管最重要的数据基础之一（Arifin et al., 2024）。AIS周期性广播船舶身份信息（如MMSI和呼号）、动态信息（如航速、航向和位置）以及静态或航次相关信息（如船型和目的地），为海洋治理、搜救行动和态势感知提供实时支持（Wolsing et al., 2022, Fu et al., 2020）。然而，AIS协议具有开放性和弱保护特性，容易被伪造AIS报文，在密集的近岸海域，身份欺骗行为日益普遍（Androjna et al., 2021）。一些船舶篡改或伪造身份字段，伪装成合法目标，从而逃避常规监管或掩盖不合规航行活动。此类行为直接削弱了基于AIS的海上监管系统的可追溯性和可信度，并可能导致近岸监管系统中误报率升高、漏检增加以及不安全决策（Wimpenny et al., 2022, Louart et al., 2024, Louart et al., 2023, Bernabé et al., 2023）。因此，开发一种自动方法来判断AIS信号中的身份字段是否与观测到的轨迹行为一致，具有重要的实际和工程价值。

尽管AIS身份欺骗攻击引起了越来越多的关注，但专门针对此类威胁的智能检测方法仍然有限。大多数现有研究侧重于轨迹异常检测，如轨迹突变、信号间歇丢失或非现实的航速跳跃，而从身份-行为一致性的角度建模此类问题的研究相对较少。本文中的身份-行为一致性是指船舶声称的身份字段（如MMSI/呼号/船型）与其在物理和作业约束下观测到的时空运动模式、多尺度运动学特征和时间演化是否在语义上兼容。与标记统计上罕见行为的通用异常检测不同，一致性验证针对的是身份条件下的合理性，更适合轨迹可能局部正常但与声称身份不匹配的欺骗场景。传统方法主要依赖规则或阈值（如航速上限或允许的轨迹偏差），虽然实现简单，但通常鲁棒性和泛化能力有限，容易受到复杂海况、局部扰动和船舶间差异的影响（Stach et al., 2023, Li et al., 2023）。后续的机器学习方法（如聚类和隔离森林）在一定程度上提高了对异常点的敏感性，但它们严重依赖手工特征，难以捕捉AIS序列固有的高维时间结构（Rong et al., 2024, B. Zhang et al., 2023, Yang et al., 2024）。近年来，深度学习被引入AIS轨迹预测和异常检测领域。基于Transformer的模型及其变体（如Informer、Autoformer、FEDformer和PatchTST）在长序列建模方面展现了强大性能（Vaswani et al., 2017, Zhou et al., 2021, Wu et al., 2021, Zhou et al., 2022, Nie, 2022）。然而，将这些模型直接迁移到身份欺骗检测时，仍面临三个关键局限：(i) 主要学习轨迹动力学，但未显式建模身份字段（如MMSI/呼号/船型）与观测运动模式之间的语义兼容性，使身份-行为语义对齐隐式存在；(ii) 在噪声AIS序列中，注意力机制往往被平滑趋势主导，导致关键片段（如异常航速变化率或航向偏差）被忽略，降低了对伪造信号的敏感性；(iii) AIS轨迹表现出明显的多尺度时间特性，包括短期机动、中期段转换和长期航行趋势，但大多数模型缺乏统一方案来表示跨时间尺度的结构，难以形成身份一致性检测所需的全面时空表征。从机制层面来看，AIS身份欺骗可以被视为声称身份与观测行为之间的条件一致性违背。在正常航行中，船舶身份属性、作业区域、运动学变化和时间演化通常通过物理约束和作业习惯相互耦合。当身份被欺骗或冒用时，报告的轨迹可能在局部仍然合理，但其多尺度时间行为和本地运动学统计可能与声称身份不一致。因此，有效的欺骗检测不仅需要建模轨迹异常，还需要建模身份信息与行为证据之间的结构化兼容性。基于这些研究空白，本工作聚焦于AIS身份欺骗检测的关键痛点，提出三个科学问题：

第一，如何在统一的时间空间中表示短期、中期和长期AIS行为模式？第二，如何使具有物理意义的运动学统计（如航速变化和航向偏差）引导注意力聚焦到可疑片段？第三，如何联合建模身份属性和轨迹动力学，使身份-行为不一致更加可区分？

为解决这些机制层面的问题，本工作提出了一种AIS身份欺骗的身份-行为时空一致性验证范式，将传统的"轨迹异常检测"任务重新定义为"身份-行为语义对齐与一致性验证"。基于此范式，开发了一个统一的模型框架TCA。主要贡献总结如下：

(1) 我们将AIS身份欺骗检测建模为身份-行为一致性验证问题，强调声称的身份属性是否与观测到的时空行为兼容。

(2) 我们提出了TCA，一种时间-上下文注意力框架，结合MST2V、CGA和MSA联合建模时间锚定、运动学上下文和多尺度行为证据。

(3) 我们引入CGA将可解释的运动学先验注入注意力机制，使模型能够关注局部可疑的航速和航向变化，而非仅依赖数据驱动的相似性。

(4) 我们在CNOSI–AIS数据集上进行了全面实验，包括AIS专用基线、公平输入对比、消融实验、鲁棒性测试、超参数敏感性分析、面向部署的误报率/漏检率评估、在线滑动窗口延迟测试、动态INT8量化、跨数据集测试以及定量可解释性分析。

章节摘要

相关工作

现有与AIS身份欺骗检测相关的研究大致可分为基于规则的方法和浅层学习方法、深度时序模型、图/异常检测模型以及身份感知的海上表征学习方法。表1从身份-行为一致性验证的角度总结了代表性方法。

整体模型框架

图1展示了TCA的整体架构。给定一对AIS轨迹，输入由身份字段、时空运动特征和时间戳组成。这些特征首先被嵌入为统一的标记序列。MST2V随后生成可学习的多尺度时间锚点，以编码短期、中期和长期的时间模式。CGA引入运动学上下文（如航速变化和航向偏差）作为软注意力偏置，使可疑局部片段获得更高的

CNOSI–AIS数据集

我们基于中国南部近岸海域采集的真实AIS轨迹构建了中国近岸船舶身份AIS数据集（CNOSI–AIS）。该数据集覆盖主要沿海航线和活动区域，每条轨迹关联唯一的身份索引以支持身份-行为一致性分析。如图5所示，原始数据采自具有代表性的近岸监管区域。

每条原始轨迹包含时空运动

讨论

实验结果为本文研究的机制层面动机提供了证据。AIS身份欺骗不仅仅表现为孤立的异常轨迹点，而是声称身份与观测行为证据之间的条件一致性违背。TCA的优越性能表明，当时间演化、局部运动学统计和多尺度行为模式被联合建模时，此类违背可以更好地被捕捉。

具体来说，

结论

本文从身份-行为一致性验证的角度研究了AIS身份欺骗检测。本研究未将欺骗仅视为轨迹异常检测问题，而是将其建模为声称船舶身份与观测时空行为之间的条件一致性违背。基于此建模方式，我们提出了TCA，一种集成了MST2V、CGA和MSA的时间-上下文注意力网络，以联合捕捉可学习的时间

CRediT作者贡献声明

Chen Keli： 撰写——初稿、可视化、验证、软件、方法论、形式分析、概念化。Hu Zhuhua： 撰写——审阅与编辑、监督、项目管理、资金获取。Li Guoyuan： 撰写——审阅与编辑。Zhao Yaochi： 调查研究、数据管理。Sun Yifeng： 撰写——审阅与编辑、数据管理。

关于生成式人工智能和AI辅助技术在论文撰写过程中使用的声明

在本文撰写过程中，作者使用了AI辅助工具来提高语言清晰度和可读性，并将图7中的部分界面标签翻译为英文以便阅读。作者根据需要审阅和编辑了AI辅助生成的内容，并对已发表论文的内容承担全部责任。未使用AI辅助工具生成实验结果、篡改研究数据或伪造图表。

资助

本研究得到国家自然科学基金（62361024）、海南种业实验室（B23H10004）、海南省重点研发项目（ZDYF2024GXJS021）和海南大学研究生创新人才培养项目（HDJXAL2024Y0007, HDZBJC2024Y0008）的资助。资助方未参与研究设计、数据收集与分析、出版决策或论文撰写。

利益冲突声明

作者声明不存在可能影响本文所述工作的已知竞争性财务利益或个人关系。

Chen Keli|Hu Zhuhua|Li Guoyuan|Zhao Yaochi|Sun Yifeng