一种基于神经网络的四旋翼无人机攻击检测方法

1.本发明属于航空器安全技术领域，具体的为一种基于神经网络的四旋翼无人机攻击检测方法。


背景技术：

2.无人机在载人航空器的基础上减去载人功能，以其简化的系统，无须配备生命保障系统，不受驾驶员生理条件限制等高性价比优势更适合执行危险性高的任务。虽然无人机相比载人机以其更高的性价比而广泛应用于军事领域，但是战场环境的变化，敌对方的攻击手段层出不穷使得无人机在战场上安全可靠的执行任务变得越来越难。现有的异常检测方法对于小幅度未知攻击和隐蔽攻击无法及时检测导致无人机受到攻击后极易出现无人机失控情况，影响无人机的安全可靠运行以及任务的完成率。因此无人机在小幅度未知攻击和隐蔽攻击情况下的攻击检测问题迫切需要解决。目前应用比较广泛的攻击检测方法是累加和，但仍存在以下影响其应用的亟待解决的问题：如何获取受攻击后的无人机模型，传统的方法是通过试凑攻击类型，这种做法既耗费时间又极其依赖检测算法设计者的经验；如何得到更好的检测器，过去是通过最小化误报导致的检测延迟，由于最大的检测延迟是一种最坏情况，因此新的检测算法能够在检测延迟上有所改进；如何将获得的检测器应用于以后未知情况，过去是用以后的数据重复之前的检测器计算获得。由于无人机系统特性的快速性，新的检测算法能够降低检测时延。本发明就是在此背景下产生的。


技术实现要素：

3.发明目的：融合前馈神经网络与自编码器进行检测，完善攻击检测方法，提高无人机对于隐蔽攻击的检测能力。
4.技术方案：
5.一种基于神经网络的四旋翼无人机隐蔽攻击检测方法包括如下步骤：
6.步骤1：采集四旋翼无人机正常飞行情况，受到隐蔽攻击情况下的输入输出数据。
7.步骤2：利用正常飞行情况下的输入输出数据训练特定层数的神经网络，以得到能够表征正常飞行情况下的四旋翼无人机输入输出数据的神经网络模型。
8.步骤3：使用训练好的神经网络模型检测四旋翼无人机受到的隐蔽攻击，以此得到四旋翼无人机正常状态量通道，非正常状态量通道，以此完成一级检测。
9.步骤4：针对一级检测下的正常状态量通道，使用四旋翼无人机正常飞行情况下的输入输出数据训练能够表征这些正常状态量通道的输入输出数据的自编码器模型。
10.步骤5：使用训练好的自编码器检测一级检测下的正常状态量通道。最后融合一级前馈神经网络检测器，二级自编码器检测器结果得出最终检测结果。
11.进一步地，步骤1中隐蔽攻击下的四旋翼无人机状态空间表达式
12.xk＝ax
k-1
+bu
k-1
13.14.其中xk＝[x y z φ θ ψ u v w p q r]
t
。a为状态转移矩阵,b为控制输入矩阵,c为观测矩阵,uk为控制输入,xk为状态量,yk为输出量。ak为隐蔽攻击信号。采集四旋翼无人机正常飞行情况下的输入数据uk，输出数据yk，受隐蔽攻击四旋翼无人机的输入数据uk，输出数据
[0015]
进一步地，步骤2中利用正常飞行情况下的输入输出数据训练特定层数的神经网络，以得到能够表征正常飞行情况下的四旋翼无人机输入输出数据的神经网络模型。在训练阶段，神经网络正向值传递所用的神经网络数学表达式如下：
[0016][0017]
其中为5层神经网络，relu(
·
)为神经网络激活函数，i＝u
k-1
，i表示神经网络输入数据，d表示各层神经网络的权重值，其上标表示对应层数的神经网络，b表示各层神经网络的偏置值，其下标表示对应层数的神经网络。上述神经网络第一步迭代运算的值函数以及神经网络的输出如下：
[0018][0019][0020]
其中表示神经网络预测的四旋翼无人机第一步输出数据，y0表示四旋翼无人机未受隐蔽攻击时的第一步输出数据。||
·
||2表示二范数。神经网络下一步迭代运算的值函数以及神经网络的输出如下:
[0021][0022][0023]
随着神经网络的逐次迭代便可以得到:
[0024][0025][0026][0027]
其中jk为所选值函数，λk表示正则项，用于平衡不同时刻的值函数权重占比。
[0028]
神经网络逆向梯度传播使用adam算法。具体梯度传递过程中的神经网络值函数可表示为:
[0029][0030]
由于j'k中只有jk有k步的d所以
[0031][0032]
首先对jk求关于dk的导数,然后根据adam算法逐次更新梯度以实现梯度的下降。本方法选用五层神经网络,第五层神经网络梯度更新如下:
[0033][0034][0035][0036][0037][0038][0039]
其中表示第五层神经网络在第k步的梯度，表示第五层神经网络在第k步梯度的动量相关项，表示第五层神经网络在第k步梯度的均方差相关项，分别表示的修正项，ε表示一个及其小的随机数，以此避免梯度更新过程中除数为0。的计算方法同上,依次分别对值函数的梯度相关项求关于relu的导数,以及对relu求关于各自梯度的导数。随着梯度的不断更新，值函数逐渐趋向于收敛，同时神经网络模型也能够模拟四旋翼无人机正常飞行情况下的输入输出数据。
[0040]
进一步地，步骤3中使用训练好的神经网络模型检测四旋翼无人机受到的隐蔽攻击，以此得到四旋翼无人机正常状态量通道，非正常状态量通道，以此完成一级检测。在检测阶段，神经网络正向值传递所用的神经网络数学表达式如下：
[0041][0042]
其中为5层神经网络，relu(
·
)为神经网络激活函数，i＝u
k-1
，i表示神经网络输入数据，d表示各层神经网络的权重值，其上标表示对应层数的神经网络，b表示各层神经网络的偏置值，其下标表示对应层数的神经网络。上述神经网络第一步迭代运算的值函数以及神经网络的输出如下：
[0043][0044][0045]
其中将正常的四旋翼无人机输出数据替换为受到隐蔽攻击的四旋翼无人机输出数据。表示神经网络预测的四旋翼无人机第一步输出数据，表示四旋翼无人机受隐蔽攻击时的第一步输出数据。||
·
||2表示二范数。神经网络下一步迭代运算的值函数以及神经网络的输出如下:
[0046][0047]
[0048]
随着神经网络的逐次迭代便可以得到:
[0049][0050][0051][0052]
其中jk为所选值函数，λk表示正则项，用于平衡不同时刻的值函数权重占比。利用正常四旋翼无人机输出数据yk训练好的神经网络模型无法准确预测受到隐蔽攻击的四旋翼无人机输出数据因此神经网络的值函数便会出现不收敛情况，以此检测到隐蔽攻击，得到四旋翼无人机在一级检测下的正常状态通道，以及受攻击状态通道。
[0053]
进一步地，步骤4中针对一级检测下的正常状态量通道，使用四旋翼无人机正常飞行情况下的输入输出数据训练能够表征这些正常状态量通道的输入输出数据的自编码器模型。在训练阶段，自编码器正向值传递所用的神经网络数学表达式如下：
[0054][0055]
其中为2层神经网络，relu(
·
)为自编码器激活函数，υ＝[yk,u
k-1
]，υ表示自编码器输入数据，由一级检测下的正常状态通道的输入输出数据组成，d表示各层特征层的权重值，其上标表示对应层数的特征层，b表示各特征层的偏置值，其下标表示对应的特征层。上述自编码器第一步迭代运算的值函数以及自编码器的输出如下：
[0056][0057][0058]
其中表示神经网络预测的四旋翼无人机第一步输入输出数据，u0，y0分别表示四旋翼无人机未受隐蔽攻击时的第一步输入输出数据。||
·
||2表示二范数。自编码器下一步迭代运算的值函数以及自编码器的输出如下:
[0059][0060][0061]
随着自编码的逐次迭代便可以得到:
[0062][0063][0064][0065]
其中jk为所选值函数，λk表示正则项，用于平衡不同时刻的值函数权重占比。
[0066]
自编码器逆向梯度传播使用adam算法。具体梯度传递过程中的自编码器值函数可表示为:
[0067]
[0068]
由于j'k中只有jk有k步的d所以
[0069][0070]
首先对jk求关于dk的导数,然后根据adam算法逐次更新梯度以实现梯度的下降。
[0071]
进一步地，步骤5使用训练好的自编码器检测一级检测下的正常状态量通道。最后融合一级前馈神经网络检测器，二级自编码器检测器结果得出最终检测结果。在检测阶段，自编码器正向值传递所用的神经网络数学表达式如下：
[0072][0073]
其中为2层神经网络，relu(
·
)为自编码器激活函数，υ表示自编码器输入数据，d表示各层特征层的权重值，其上标表示对应层数的特征层，b表示各特征层的偏置值，其下标表示对应的特征层。上述自编码器第一步迭代运算的值函数以及自编码器的输出如下：
[0074][0075][0076]
其中表示神经网络预测的四旋翼无人机第一步输入输出数据，分别表示四旋翼无人机受隐蔽攻击时的第一步输入输出数据。||
·
||2表示二范数。自编码器下一步迭代运算的值函数以及自编码器的输出如下:
[0077][0078][0079]
随着自编码的逐次迭代便可以得到:
[0080][0081][0082][0083]
其中jk为所选值函数，λk表示正则项，用于平衡不同时刻的值函数权重占比。利用正常四旋翼无人机输入输出数据训练好的自编码器模型无法准确预测受到隐蔽攻击的四旋翼无人机输入输出数据，因此自编码器的值函数便会出现不收敛情况，以此检测到隐蔽攻击，得到四旋翼无人机在二级检测下的正常状态通道，以及受攻击状态通道。融合一二级检测的结果得到受隐蔽攻击的状态量。
[0084]
有益效果：
[0085]
本发明的一种基于神经网络的四旋翼无人机攻击检测方法解决了无人机飞行过程中对隐蔽攻击的不敏感性。相比于一般的基于模型的攻击检测方法，本方法对于隐蔽攻击的检测更及时，且不需要四旋翼无人机的模型信息。一般的攻击检测方法通过试凑攻击类型来获取受攻击后的无人机模型，这种做法既耗费时间又极其依赖检测算法设计者的经验；对于提高检测器的检测能力，过去是通过最小化误报导致的检测延迟。但是最大的检测
延迟是一种最坏情况，所以传统的检测算法能够在检测延迟上有待改进。本方法基于神经网络对非线性函数的拟合能力以及泛化能力，在训练阶段，利用四旋翼无人机正常情况下的输入输出数据训练能够表征四旋翼无人机输入输出情况的神经网络模型，在检测阶段，利用训练好的神经网络模型用于后续检测。本方法与累加和检验和卡方检验相比，融合前馈神经网络和自编码器的检测对隐蔽攻击的检测能力更强，将有助于降低攻击信号对无人机飞行性能的影响。
附图说明
[0086]
图1表示基于神经网络的四旋翼无人机攻击检测框图；
[0087]
图2表示前馈神经网络训练阶段；
[0088]
图3表示前馈神经网络检测阶段；
[0089]
图4表示自编码器训练阶段；
[0090]
图5表示自编码器检测阶段；
[0091]
图6表示针对隐蔽攻击的二级检测框图；
[0092]
图7-图18表示隐蔽攻击下本检测方法的一级检测结果；
[0093]
图19表示隐蔽攻击下本检测方法的二级检测结果；
[0094]
图20表示隐蔽攻击下本检测方法中二级检测自编码器预测误差；
[0095]
图21表示针对隐蔽攻击的卡方检验结果。
具体实施方式
[0096]
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0097]
一种基于神经网络的四旋翼无人机攻击检测方法，具体步骤如下
[0098]
步骤1：采集四旋翼无人机正常飞行情况，受到隐蔽攻击情况下的输入输出数据。本方法中，四旋翼无人机的质量m＝1.4kg，四旋翼无人机转动惯量分别为i
x
＝0.0211kg
·
m2，iy＝0.0219kg
·
m2，iz＝0.0366kg
·
m2。
[0099]
无人机的状态空间表达式
[0100]
xk＝ax
k-1
+bu
k-1
[0101]
yk＝cxk，
[0102]
其中xk＝[x y z φ θ ψ u v w p q r]
t
。a为状态转移矩阵,b为控制输入矩阵，c为观测矩阵,uk为控制输入,xk为状态量,yk为输出量。四旋翼无人机采用lqr控制，相应的lqr的代价函数为:
[0103][0104]
通过最小化代价函数得到控制输入
[0105]
uk＝-(r+b
t
pb)-1bt
paxk[0106]
其中q,r分别为lqr控制器的状态惩罚矩阵，控制惩罚矩阵.p为如下代数黎卡提方程的解：a
t
pa-p+q-a
t
pb(r+b
t
pb)-1bt
pa＝0。
[0107]
步骤2中利用正常飞行情况下的输入输出数据训练特定层数的神经网络，以得到
能够表征正常飞行情况下的四旋翼无人机输入输出数据的神经网络模型。在训练阶段，神经网络正向值传递所用的神经网络数学表达式如下：
[0108][0109]
其中为5层神经网络，relu(
·
)为神经网络激活函数，i＝u
k-1
，i表示神经网络输入数据，d表示各层神经网络的权重值，其上标表示对应层数的神经网络，b表示各层神经网络的偏置值，其下标表示对应层数的神经网络。上述神经网络第一步迭代运算的值函数以及神经网络的输出如下：
[0110][0111][0112]
其中表示神经网络预测的四旋翼无人机第一步输出数据，y0表示四旋翼无人机未受隐蔽攻击时的第一步输出数据。||
·
||2表示二范数。神经网络下一步迭代运算的值函数以及神经网络的输出如下:
[0113][0114][0115]
随着神经网络的逐次迭代便可以得到:
[0116][0117][0118][0119]
其中jk为所选值函数，λk表示正则项，用于平衡不同时刻的值函数权重占比。
[0120]
神经网络逆向梯度传播使用adam算法。具体梯度传递过程中的神经网络值函数可表示为:
[0121][0122]
由于j'k中只有jk有k步的d所以
[0123][0124]
首先对jk求关于dk的导数,然后根据adam算法逐次更新梯度以实现梯度的下降。本方法选用五层神经网络,第五层神经网络梯度更新如下:
[0125][0126][0127]
[0128][0129][0130][0131]
其中表示第五层神经网络在第k步的梯度，表示第五层神经网络在第k步梯度的动量相关项，其中β1＝0.9，表示第五层神经网络在第k步梯度的均方差相关项，其中β2＝0.99，分别表示的修正项，其中β＝0.25，ε表示一个及其小的随机数，ε＝10-5
以此避免梯度更新过程中除数为0。的计算方法同上,依次分别对值函数的梯度相关项求关于relu的导数,以及对relu求关于各自梯度的导数。随着梯度的不断更新，值函数逐渐趋向于收敛，同时神经网络模型也能够模拟四旋翼无人机正常飞行情况下的输入输出数据。
[0132]
步骤3中使用训练好的神经网络模型检测四旋翼无人机受到的隐蔽攻击，以此得到四旋翼无人机正常状态量通道，非正常状态量通道，以此完成一级检测。在检测阶段，神经网络正向值传递所用的神经网络数学表达式如下：
[0133][0134]
其中为5层神经网络，relu(
·
)为神经网络激活函数，i＝u
k-1
，i表示神经网络输入数据，d表示各层神经网络的权重值，其上标表示对应层数的神经网络，b表示各层神经网络的偏置值，其下标表示对应层数的神经网络。上述神经网络第一步迭代运算的值函数以及神经网络的输出如下：
[0135][0136][0137]
其中将正常的四旋翼无人机输出数据替换为受到隐蔽攻击的四旋翼无人机输出数据。表示神经网络预测的四旋翼无人机第一步输出数据，表示四旋翼无人机受隐蔽攻击时的第一步输出数据。||
·
||2表示二范数。神经网络下一步迭代运算的值函数以及神经网络的输出如下:
[0138][0139][0140]
随着神经网络的逐次迭代便可以得到:
[0141][0142]
[0143][0144]
其中jk为所选值函数，λk表示正则项，用于平衡不同时刻的值函数权重占比。利用正常四旋翼无人机输出数据yk训练好的神经网络模型无法准确预测受到隐蔽攻击的四旋翼无人机输出数据因此神经网络的值函数便会出现不收敛情况，以此检测到隐蔽攻击，得到四旋翼无人机在一级检测下的正常状态通道，以及受攻击状态通道。
[0145]
步骤4中针对一级检测下的正常状态量通道，使用四旋翼无人机正常飞行情况下的输入输出数据训练能够表征这些正常状态量通道的输入输出数据的自编码器模型。在训练阶段，自编码器正向值传递所用的神经网络数学表达式如下：
[0146][0147]
其中为2层神经网络，relu(
·
)为自编码器激活函数，υ＝[yk,u
k-1
]，υ表示自编码器输入数据，由一级检测下的正常状态通道的输入输出数据组成，d表示各层特征层的权重值，其上标表示对应层数的特征层，b表示各特征层的偏置值，其下标表示对应的特征层。上述自编码器第一步迭代运算的值函数以及自编码器的输出如下：
[0148][0149][0150]
其中表示神经网络预测的四旋翼无人机第一步输入输出数据，u
0-1
，y0表示四旋翼无人机未受隐蔽攻击时的第一步输入输出数据。||
·
||2表示二范数。自编码器下一步迭代运算的值函数以及自编码器的输出如下:
[0151][0152][0153]
随着自编码的逐次迭代便可以得到:
[0154][0155][0156][0157]
其中jk为所选值函数，λk表示正则项，用于平衡不同时刻的值函数权重占比。
[0158]
自编码器逆向梯度传播使用adam算法。具体梯度传递过程中的自编码器值函数可表示为:
[0159][0160]
由于j'k中只有jk有k步的d所以
[0161][0162]
首先对jk求关于dk的导数,然后根据adam算法逐次更新梯度以实现梯度的下降。
[0163]
步骤5使用训练好的自编码器检测一级检测下的正常状态量通道。最后融合一级
前馈神经网络检测器，二级自编码器检测器结果得出最终检测结果。在检测阶段，自编码器正向值传递所用的神经网络数学表达式如下：
[0164][0165]
其中为2层神经网络，relu(
·
)为自编码器激活函数，υ表示自编码器输入数据，d表示各层特征层的权重值，其上标表示对应层数的特征层，b表示各特征层的偏置值，其下标表示对应的特征层。上述自编码器第一步迭代运算的值函数以及自编码器的输出如下：
[0166][0167][0168]
其中表示神经网络预测的四旋翼无人机第一步输入输出数据，表示四旋翼无人机受隐蔽攻击时的第一步输入输出数据。||
·
||2表示二范数。自编码器下一步迭代运算的值函数以及自编码器的输出如下:
[0169][0170][0171]
随着自编码的逐次迭代便可以得到:
[0172][0173][0174][0175]
其中jk为所选值函数，λk表示正则项，用于平衡不同时刻的值函数权重占比。利用正常四旋翼无人机输入输出数据训练好的自编码器模型无法准确预测受到隐蔽攻击的四旋翼无人机输入输出数据，因此自编码器的值函数便会出现不收敛情况，以此检测到隐蔽攻击，得到四旋翼无人机在二级检测下的正常状态通道，以及受攻击状态通道。融合一二级检测的结果得到受隐蔽攻击的状态量。
[0176]
图1表示四旋翼无人机攻击检测框图。图2表示一级检测器前馈神经网络的训练阶段，当前馈神经网络值函数收敛时，前馈神经网络可模拟正常lqr控制的四旋翼无人机输入输出情况。图3表示一级检测器前馈神经网络的检测阶段，使用训练阶段得出的神经网络等价模型，检测受攻击的四旋翼无人机数据。利用迁移学习得到值函数的不收敛现象，进而得出一级检测下的受攻击状态通道。图4表示二级检测自编码器的训练阶段，选取一级检测下正常状态通道的正常输入输出数据训练自编码器，当自编码器值函数收敛时，自编码器可提取正常输入输出数据的特征。图5表示二级检测自编码器的检测阶段，使用训练阶段得出的自编码器，检测一级检测下正常的状态通道的受攻击输入输出数据。利用迁移学习得到预测结果以及预测误差，进而得出二级检测下的受攻击状态通道。图6表示设计的二级检测框图。图7-图18表示一级检测下各状态的检测结果，四旋翼12个状态通道除去滚转角速度通道都在加入隐蔽攻击后值函数出现发散现象，进而得出一级检测结果。图19表示二级检
测自编码器的检测结果，图20表示二级检测自编码器的预测误差。自编码器对滚转角速度的预测在受到隐蔽攻击后出现较大偏差，进而得出检测结果，弥补了一级检测器检测能力的不足。图21表示卡方检验无法检测出隐蔽攻击，对比本检测方法，本检测方法的检测能力更强。相比于传统基于模型的检测方法，本检测方法使用训练好的检测器直接得出检测结果，无需无人机模型参数，无需卡尔曼滤波估计状态值，有效降低检测延迟。
[0177]
以上所述仅是本发明的优选实施方式，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和润饰，这些改进和润饰也应视为本发明的保护范围。