一种基于数据流分析的四旋翼无人机攻击溯源方法

技术领域

本发明涉及无人机安全性技术领域，具体地说是一种基于数据流分析的四旋翼无人机攻击溯源方法。

背景技术

无人驾驶飞机(Unmanned Aerial Vehicle，UAV)是一种无人操纵的飞行器，通过无线电遥控设备或自主程序控制装置来操作。随着科技创新对提升综合竞争力的重要作用日益凸显，无人机的科技创新和技术水平正在逐步提高，其规模和数量也在不断增加。

四旋翼无人机对自然干扰具有鲁棒性，但针对其传感器的恶意欺骗会导致其物理故障，甚至发生严重的安全事故。例如恶意攻击者可以利用GPS模拟器伪装卫星，发送虚假GPS信号，实现GPS欺骗；通过伪造光流信息，向无人机提供虚假图像信息，致使无人机错误感知；利用超声波对无人机的MEMS陀螺仪进行干扰，致使其无法控制姿态。这些传感器在无人机的导航与控制回路中发挥着至关重要的作用，攻击者可以在用户不知情的情况下攻击或干扰其无人机传感器，致使无人机设备被劫持或失控紊乱，造成隐私泄露、财产损失、重大安全事故等一系列安全问题。因此，无人机安全事故的溯源分析研究具有重要研究意义与价值，通过溯源研究可以揭示攻击者的手段与策略，从而帮助企业和个人加强对无人机安全的认识与意识，并针对性采取适当防范措施。

针对无人机的安全事故，现有技术提出了基于控制不变量方法的攻击检测框架，联合无人车辆的物理特性与动力学模型提取控制不变量，并以状态空间的形式表示。在该检测框架下，通过检查车辆感知到的真实物理状态与模型预测的状态是否一致来检测这种外部攻击。该技术成功实现了常见类型的传感器攻击检测。具体操作如下：

第一步：由目标无人机执行一组飞行任务，研究人员测量并记录运行时的系统状态，用于在系统辨识中推导未知参数。

第二步：为目标无人机建立控制模板，其中包括由无人机动力学模型确定的具有未实例化的参数的方程，利用系统辨识的方法确定最适合的参数。实例化的方程作为其控制不变量，反映了车辆的控制模型。

第三步：确定错误阈值与监控窗口大小，计算每个监视窗口中累计的瞬态误差进而检测是否受到外部攻击。

该技术提出的基于控制不变量的攻击检测方案的不足之处在于：

1.检测精度高度依赖于系统辨识提取控制不变量的建模效果。

2.无人机的动态行为通常是复杂和非线性的，同时无人机飞行控制系统内部参数并不是固定不变的，其变化也会导致误差。这些误差可能导致预测结果与实际飞行行为存在偏差。

3.该技术在攻击样本能够成功检测攻击，但并不能追溯到受攻击的传感器。

发明内容

为了实现四旋翼无人机安全事故的溯源研究，本发明提出了一种基于数据流分析的四旋翼无人机攻击溯源方法，这种方法能够在样本中成功检测到异常状态并确定异常产生的时间，能够精确追溯到数据失真的传感器，最终实现了四旋翼无人机安全事故的溯源分析。

本发明的技术方案具体如下：

步骤1：根据四旋翼无人机传感系统数据流，建立传感器与无人机各阶次状态之间的拓扑网络；

步骤2：从四旋翼无人机正常飞行日志中提取时序数据，解析得到四旋翼无人机电机PWM控制信号强度信息、四旋翼无人机各阶次状态信息以及四旋翼无人机各传感器的输出信息，重采样并同步化预处理；

步骤3：利用预处理得到的正常样本训练LSTM神经网络，建立四旋翼无人机电机PWM控制信号强度与各阶次状态之间的时序映射关系，利用训练后的LSTM神经网络检测四旋翼无人机待测飞行日志中的各阶次异常状态；

步骤4：根据传感器与无人机各阶次状态之间的拓扑网络和检测到的异常状态，定位可疑传感器和可用冗余传感器，并利用可用冗余传感器推算出异常状态的预测值；

步骤5：由步骤4得到的异常状态的预测值逆向处理，得到可疑传感器预测信息，与可疑传感器真实输出对比，得到检测结果，实现对导致四旋翼无人机发生安全事故的失真传感器的追溯。

优选的，步骤1中，包含下列子步骤：

步骤1-1，获取四旋翼无人机中各传感器及其观测的物理量与信号类型，按照线性运动状态、姿态状态以及物理量的阶次，定义四旋翼无人机线性位置与姿态角为零阶状态、线速度与角速度为一阶状态、线加速度与角加速度为二阶状态；

步骤1-2，构建传感器与无人机各阶次状态之间的拓扑网络，以各阶状态值为状态节点，传感器为传感器节点，使用箭头连接各传感器节点与相应状态节点，箭头方向表示数据流方向，由传感器节点指向相应状态节点，如附图2所示，为后续选择冗余传感器以及逆向预测传感器信息提供参考依据。

进一步地，步骤2中，包含下列子步骤：

步骤2-1，获取四旋翼无人机正常飞行日志，切除起飞前与降落后的日志片段；

步骤2-2，从裁剪后的日志数据中提取四旋翼无人机电机PWM控制信号强度信息、四旋翼无人机各阶次状态信息以及四旋翼无人机各传感器的输出信息；

步骤2-3，对提取出的各维信息以相同频率进行重新采样，以确保各维信息序列长度与频率一致；对重采样后的各维信息进行同步化处理，防止时间戳错位。

进一步地，步骤S3中，包含下列子步骤：

步骤3-1，使用Keras构建LSTM神经网络模型，其中LSTM层通过引入门控机制，有效解决了传统RNN中存在的梯度消失和梯度爆炸等问题，能够对输入的四旋翼无人机电机PWM控制信号强度序列进行时间依赖关系建模，捕捉序列中的长期依赖关系；本实施例中，该模型包含四层LSTM层、两层全连接层与一层Reshape层；

步骤3-2，前向传播过程，将数据按照时间步长依次输入。LSTM逐步处理每个时间步长的输入数据，同时保持与更新内部的状态信息；

步骤3-3，利用损失函数MSE计算无人机状态预测误差，通过反向传播算法计算梯度，根据梯度信息，更新LSTM网络的权重和偏置。本实施例采用均方误差MSE，计算公式为：

式中：Y

根据均方误差MSE，首先计算输出层的梯度：

其中，δ

从输出层开始向前逐层计算隐藏层梯度：

其中，δ

最后依据梯度信息更新权重矩阵和偏置向量：

其中，α是学习率，用于控制参数更新步长。

当损失函数达到符合要求的值时，终止训练过程，得到四旋翼无人机电机PWM控制信号强度与无人机状态之间的时序映射关系；

步骤3-4，使用该模型，以待测样本中的四旋翼无人机电机PWM控制信号强度作为输入，输出得到无人机状态预测值，结合待测样本中无人机状态真实值进行对比，检测事故样本中的异常状态；优选的，当无人机状态预测值与真实的四旋翼无人机各阶次状态值的差值大于阈值时，标记为异常。

进一步地，步骤4中，包含下列子步骤：

步骤4-1，根据传感器与无人机各阶次状态之间的拓扑网络，将能够间接推算出该异常状态的传感器组标记为观测该维度状态的“冗余”传感器；将能够直接推算出该异常状态的传感器组标记可疑传感器；

步骤4-2，根据坐标变换与姿态解算，利用“冗余”传感器所观测的物理量推算出异常状态的预测值。

进一步地，步骤5中，由步骤4得到的异常状态的预测值逆向处理，得到可疑传感器的预测信息，与可疑传感器的实际输出信息通过累计和误差CUSUM得到检测结果，实现了对导致四旋翼无人机发生安全事故的失真传感器的追溯。

首先，计算每一个可疑传感器预测信息与实际输出信息间的残差：

然后，计算SUSUM累计和S(t)，监测偏差的累积情况：

S(t)＝max[0,s(t-1)+d(t)-K]

其中，K为预先设定的阈值，用于控制累计和的增长速度；

如果S(t)＞T，则表示该可疑传感器可能发生了异常或攻击，其中T是预先设定的判别阈值。

本发明具备的有益效果是：本发明可以通过四旋翼无人机的飞行日志数据成功检测到各阶次异常状态并确定异常产生的时间，精确追溯到数据失真的传感器，实现四旋翼无人机安全事故的溯源分析。

附图说明

图1是本发明实施例的一种基于数据流分析的四旋翼无人机攻击溯源方法的流程图。

图2是本发明实施例的传感系统数据与状态关系拓扑图。

图3是本发明实施例的LSTM神经网络模型图示。

具体实施方式

以下结合附图以及实施例来说明本发明的具体实施方式。本实施例仅用于解释本发明，而不能解释为对本发明的限制。

一种基于数据流分析的四旋翼无人机攻击溯源方法，具体步骤如下：

S1：分析四旋翼无人机传感系统数据流拓扑，建立传感器与无人机各阶次状态之间的拓扑网络。

四旋翼无人机中配备多种传感器来感知周围环境与飞行状态，以下为本实施例中四旋翼无人机传感系统中所包含的传感器：

陀螺仪(Gyroscope)：用于测量无人机在空间中的角速度；

加速度计(Accelerometer)：用于测量无人机的加速度；

磁力计(Magnetometer)：用于测量地球的磁场；

全球定位系统(GPS)：提供全球定位信息；

气压计(Barometer)：测量大气压力，可用于确定海拔高度；

光流传感器(Optical Flow Sensor)：测量无人机在水平方向的速度；

超声波传感器(Ultrasonic Sensor)：测量无人机与地面或障碍物的距离；

倾斜传感器(Tilt Sensor)：测量无人机相对于重力方向的倾斜角度；

声呐传感器(Sonar Sensor)：测量无人机线性相对位置；

激光测距传感器(Lidar)：测量环境中障碍物与地形高度；

其他传感器：红外传感器(Infrared Sensor)、摄像头/相机(Camera)、激光雷达(Radar)、无线电高度测量仪(Radio Altimeter)、电子罗盘(Electronic Compass)；

其中激光测距传感器、GPS、声呐传感器、气压计可用于线性位置观测；倾斜传感器、磁力计可用于姿态角的观测；光流传感器可用于线速度观测；陀螺仪可用于角速度观测；加速度计可用于线加速度观测。

根据四旋翼无人机中各传感器及其观测的物理量与信号类型，按照线性运动状态、姿态状态以及物理量的阶次，定义四旋翼无人机线性位置与姿态角为零阶状态、线速度与角速度为一阶状态、线加速度与角加速度为二阶状态。

基于各传感器所观测的物理量与四旋翼无人机各阶次状态的对应关系，以各阶状态值为状态节点，传感器为传感器节点，使用箭头连接各传感器节点与相应状态节点，箭头方向表示数据流方向，由传感器节点指向相应状态节点，如附图2所示，构建传感器与无人机各阶次状态之间的拓扑网络；

S2：采集四旋翼无人机飞行日志中的正常样本，提取出所需时序数据，进行数据预处理。

本实施例中，利用gazebo仿真环境生成四旋翼无人机飞行样本共200份。通过对四旋翼无人机陀螺仪注入偏置攻击实现传感器欺骗，导致发生安全事故，以此作为本实施例的事故样本。

利用MATLAB Flight Log Analysis工具箱解析样本得到共66维数据条目，从中选择所需四旋翼无人机各阶次状态信息、四维旋翼PWM控制信号强度信息与各传感器的输出信息。本实施例中，为了方便阐述，以典型的13维传感器信息为例进行介绍，包括三维GPS位置信息、三维加速度计信息、三维陀螺仪信息、三维磁力计信息、一维气压计信息。

对每份日志样本进行裁剪，切除起飞前与降落后的日志片段；对各维信息以相同频率进行重采样以确保样本中各特征长度一致，本实施例中选取采样频率适中的电机PWM控制信号(actuator_output)，以其50Hz的采样频率作为基准频率，其中采样频率较高的日志条目采取等间隔重新采样的方式，采样频率较低的日志数据采取线性插值的方式；对各维日志条目以规定时间戳为基准进行同步化处理，防止时戳错位。

S3：构建LSTM神经网络模型，本实施例使用Keras构建LSTM神经网络模型，该模型包含四层LSTM层、两层全连接层以及一个Reshape层。该模型输入为四维旋翼电机PWM时序控制信号，输出为四旋翼无人机六自由度时序状态信息。利用正常样本训练模型，建立时序映射关系。

用待测样本中四旋翼无人机电机PWM控制信号强度作为输入，输出得到无人机状态预测值，结合待测样本中无人机状态真实值进行对比分析，检测待测样本中的异常状态，本实施例中，四旋翼无人机一阶状态角速度横滚轴状态检测出异常。

S4：根据传感器与无人机各阶次状态之间的拓扑网络，三轴陀螺仪与一阶状态角速度节点直接相连，标记三轴陀螺仪为可疑传感器。其余传感器中的加速度计、磁力计、倾斜传感器与一阶状态角速度节点间接相连，这些传感器输出的物理量可以通过姿态解算与微分积分转换为姿态角速度状态，将其认为观测姿态角速度状态的“冗余”传感器，本实施例中取加速度计与磁力计为例：

将地理坐标系中的坐标转换为机体坐标系中的坐标需要使用旋转矩阵：

四旋翼无人机在地理坐标系中水平静止时，加速度计量测为：

a

四旋翼无人机任意姿态时，加速度计在机体坐标系中的量测为：

a

由地理坐标系与机体坐标系间的坐标转换：

得到横滚角与俯仰角为：

四旋翼无人机在地理坐标系中的磁感应强度为：

在无人机体水平的情况下，可以由磁力计得到的相对于磁北的方向，利用三角函数得出偏航角为：

在无人机体不水平的情况下，可以使用旋转矩阵将机体坐标系中的磁感应强度数据转换为地理坐标系中，四旋翼无人机在机体坐标系中的磁感应强度为：

旋转矩阵为：

其中：

通过旋转变换，可得：

求得偏航角为：

至此推算出四旋翼无人机的零阶姿态角状态，经过进一步微分处理后可以推算出无人机的一阶角速度状态值。

S5：由S4得到的角速度预测状态值逆向处理，推算得到预测陀螺仪的输出信息，与真实陀螺仪输出信息通过累计和误差CUSUM得到检测结果，确定异常或攻击传感器及其受攻击维度，以三轴陀螺仪为例，确定受攻击的轴，，实现对导致四旋翼无人机发生安全事故的失真传感器的追溯。

应当理解的是，上述针对实例项的描述并不能认为是对本发明专利保护范围的限制。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进与完善，这些改进也应视为本发明的保护范围。