1 引言
广播式自动相关监视(Automatic Dependent Surveillance-Broadcast,简称ADS-B)是国际民航组织正在世界范围内推广的一种新的空域监视技术。飞机结合全球卫星定位系统的精确定位,通过地—空、空—空通信数据链周期地向外广播其位置、速度、身份以及飞行状态等信息,地面设备和其他飞机通过数据链接收此信息,从而形成空天地一体化协同监视系统[1]。尽管ADS-B系统具有许多优点,但其数据协议公开且信道不加密,使得系统很容易受到各种欺骗干扰的影响,这对系统的安全性造成了极大的威胁。目前国内外已有很多实验成功对ADS-B系统实施了欺骗[2- 4]。随着ADS-B系统的不断推广和应用,有效地检测欺骗干扰有着十分重要的意义。
目前对ADS-B系统的欺骗干扰主要有转发式干扰、注入式干扰、消息修改等形式[5],针对这些干扰问题,国内外的研究中已经提出了一些方法。文献[6-7]通过加密手段来防止欺骗,但此类方法需要修改现有的ADS-B协议,并将问题转移到安全和可扩展的密钥管理设计当中,成本较高,难以实施;文献[8]提出通过计算一组信号到达双天线时的相位差与通过报告计算的相位差的相关系数来检测欺骗干扰,此方法虽不需要估计信号来向,但存在相位测量误差,并且需要两个基站协同工作,数据共享,成本较高;同样,文献[9-10]也是通过多基站进行定位识别欺骗干扰;文献[11]提出基于单一的数据源,利用阵列天线进行空间搜索测向进而直接抑制欺骗干扰,此方法计算较为复杂,对阵列幅相误差较为敏感;文献[12-13]提出通过监视发送方与接收方之间的信号传播时间与报文位置数据的差异来检测欺骗干扰,但该方法需要对时间精准测量;文献[14]提出利用单天线测量实际信号的多普勒频率变化与通过报文中信息计算出的多普勒频率变化是否相符来检测欺骗干扰,该方法算法简单,但需要较为复杂的坐标位置计算,并在计算相关系数后需要人为选取阈值来区分真实信号与欺骗信号,从而会导致一定的偏差。另一方面,近年来随着深度学习技术的不断发展,其已在图像识别、语音识别和自然语言处理等领域广泛应用[15],同时,在传统信号处理领域中,深度学习也开始被用于解决一些诸如雷达信号分类等问题的研究当中[16]。
本文提出了基于改进型AlexNet的欺骗式干扰检测方法,将深度学习算法应用到传统信号特征识别当中。该方法利用改进型的AlexNet通过识别接收信号的多普勒频偏变化与报文中位置等信息变化的特定关系来检测欺骗干扰。相比于已有方法,此方法只需要单一数据源,步骤简单,获得了在航迹长度较短时更高的识别准确率。
2 信号模型和问题陈述
2.1 信号模型
ADS-B系统在1090ES数据链模式下的信号广播调制方式为ASK(Amplitude Shift Keying),载波频率为1090 MHz,其报文信息采用的调制方式为PPM(Pulse Position Modulation),1条信号长度为120 μs,其中包括8 μs的报头和112 μs的数据域。
假设ADS-B接收机在t时刻接收到一条ADS-B信号,则信号可表示为:
(1)
其中P表示该条信号的功率,D(t)为基带信号,φ、f0分别表示初相位和载波频率,e(t)为复高斯白噪声。
2.2 问题陈述
如图1所示,考虑一个单天线的ADS-B接收机持续接收ADS-B信号,而欺骗源位于接收机一定范围之内向接收机发送欺骗信号,其信号调制方式和报文格式均与真实信号无异,从而成功欺骗接收机,严重扰乱空中监视系统。另外,欺骗源位置可能并不固定,而是在以某一速度在接收机一定范围内持续运动。
图1 欺骗场景示意图
Fig.1 Schematic diagram of the fraud scene
3 欺骗干扰检测算法基本原理
本文算法流程如图2所示。
图2 基于深度学习的ADS-B欺骗式干扰检测算法流程图
Fig.2 Flow chart of ADS-B spoofing interference detection algorithm based on deep learning
假设ADS-B接收机在n秒内持续接收到来自同一目标的ADS-B信号,共包含2n条位置消息,2n条速度消息以及2n条事件驱动消息,则第i秒的消息集合记为:
Mi={mip1,mip2,miv1,miv2,mie1,mie2}
(2)
然后,利用FFT算法分别估计Mi的实际频率,得到一组实际信号的频率估计值:
(3)
每秒最终的频率估计值按顺序取为三类消息的平均值fi1、fi2:
(4)
(5)
最终,这n秒消息的实际估计频率记为:
f={f1, f2, f3,..., f2n}
(6)
且对于第i条信号的估计频率:
(7)
其中, f0为载波频率, fdi为多普勒频偏, fr为接收机固定频偏,
为第i条信号的频率误差。则第i条信号的估计频偏为:
Δfi=fi-f0
(8)
另外,任一条位置消息具体包括经度、纬度和高度信息,则第i条位置消息可表示为:
pi={loni,lati,alti}
(9)
将以上2n条信号的估计频偏Δf与位置信息p按序对应拼接成一条大小为1×4n的样本数据:
(10)
由于真实信号的一组多普勒频偏数据Δf与其对应的一组位置数据p存在着某种确定的映射关系,而在文假设的欺骗场景中,对欺骗信号估计的一组多普勒频偏数据与其虚假的报文信息中的一组位置数据则并不符合上述这一映射关系,而神经网络经过反复的迭代训练之后能识别这一映射关系并检测出真实信号与欺骗干扰。
通过仿真实验产生大量的真实信号与欺骗信号的样本数据,其中一部分作为训练集来训练神经网络,另一部分作为测试集,在训练完成后通过测试集测试已经训练好的网络,得出预测的准确率。
4 网络模型
4.1 AlexNet模型
AlexNet网络是2012年大规模视觉识别挑战赛(ImageNet Large Scale Visual Recognition Challenge,ILSVRC)的图像识别冠军网络,确立了深度学习在计算机视觉领域中的统治地位,同时也推动了深度学习在其他领域当中越来越广泛的应用[17]。此后在卷积网络方向逐渐涌现出的各种新型网络,其内核都是基于AlexNet网络结构,并在更细粒度上的实现,网络的选择取决于训练数据,训练数据越复杂,要达到期望的训练效果,往往就需要选择更复杂的网络模型,导致训练模型参数增多,训练时间过长,还会产生过拟合现象。而本文最终训练的数据集相对较为简单,因此选择以AlexNet网络作为基础进行改进再用来训练,实验结果也证明此方案是合适的。
AlexNet网络结构如图3所示。整个网络包含5层卷积层和3层全连接层,其中卷积层主要由卷积模块、激活函数模块、池化模块和局部响应归一化(Local Response Normalization,LRN)模块组成,最后一层是利用Softmax函数进行分类的1000分类输出层。
图3 AlexNet网络结构图
Fig.3 The network structure of AlexNet
相较于全连接网络,卷积网络的优势在于其采用了特定的结构利用更少的参数得到更高的识别准确率,而相较于传统的卷积网络,AlexNet的激活函数采用的是线性整流函数(Rectified Linear Unit, ReLU),此函数引入了一定的稀疏性,减少了参数之间的相互依存关系,从而缓解了过拟合现象,并且由于其求导简单,简化了计算,从而提高了训练速度。另外还采用了数据增益与Dropout技术,同样缓解了过拟合现象[18-19]。
4.2 改进型AlexNet模型
针对本文所使用的样本结构特性,通过大量的实验对比总结,将AlexNet网络进行以下一些细节上的修改,以适用这些样本且能得到更好的识别效果:
(1)将所有的二维的卷积核变成一维,并将前两层卷积核的尺寸分别缩小至1×5和1×4,移动步长均变为1。由于样本尺寸较小,故使用更小的卷积核可以提取更精细的特征。
(2)将各卷积层中的LRN模块用Dropout层取代。实验证明,网络参数在训练前经过恰当的初始化后,LRN层对网络的泛化能力并无增益,而Dropout层在缓解过拟合方面表现稳定良好。
(3)增加两层1×3的卷积核,并将各层卷积核数量和全连接层的节点数量都适当减少。这样使得网络深度增加的同时通过减少网络的厚度而缓解计算量的增加。一般而言,高瘦的网络性能要优于矮胖的网络[20]。
(4)最后一层的输出神经元数量变为2,即二分类,用来区分真实信号和欺骗信号。
以航迹时长为12.5 s为例,改进后的网络结构参数如表1所示。
表1 改进后AlexNet网络的结构参数
Tab.1 Structural parameters of improved AlexNet network
层级卷积核池化输出尺寸Input1×100Conv11×5×32Maxpool/Same1×50×32Conv21×4×64Maxpool/Same1×25×64Conv31×4×481×25×48Conv41×3×321×25×32Conv51×3×201×25×20Conv61×3×161×25×16Conv71×4×10Maxpool/Valid1×11×10Fc1120Fc260Output2
5 仿真实验及分析
5.1 数据样本准备
假设ADS-B接收机位于地面,其坐标为(117.3594°,39.1128°),在以接收机为中心,半径为30 km的水平范围内随机生成10000条航迹,高度为10 km,且均为巡航状态,速度为800 km/h,以航迹时长为12.5 s为例,接收机与部分航迹的相对位置如图4所示。假设欺骗源在接收机周围5 km范围内随机运动,信噪比为20 dB,利用这些航迹信息分别生成真实信号与欺骗信号各10000条,制作成样本数据共20000条并贴上类别标签,随机选取其中的18000条作为训练集,另外的2000条作为测试集。
图4 航迹示意图
Fig.4 Schematic diagram of trajectory
5.2 训练与测试
本文的仿真实验是在深度学习框架TensorFlow下完成的网络搭建、训练与测试,系统环境为Windows10- 64bit,开发环境为Anaconda+TensorFlow+Spyder。网络在训练时设置的学习率为1×e-5,迭代次数为15000次,每次迭代样本数量为100个,训练过程的损失值与准确率的变化趋势如图5、图6所示,当迭代到13000次左右时曲线趋于稳定,可以看出训练过程符合深度学习的规律。
图5 欺骗源静止时训练过程的损失值变化曲线
Fig.5 Curve of the loss value of the training process when the deception source is stationary
图6 欺骗源静止时训练过程的准确率变化曲线
Fig.6 Curve of the accuracy of the training process when the deception source is stationary
训练完成之后,用训练好的模型对测试集进行预测,得到的准确率为98.1%,很好的识别了真实信号与欺骗干扰。
5.3 不同条件下的仿真
(1)考虑到欺骗源也可能在静止的状态下实施欺骗,对此,本文在假设欺骗源静止且其他条件不变的情况下仿真生成2000条样本数据,其中真实信号与欺骗信号各1000条,利用以上实验中训练好的网络模型进行测试,得到的准确率为98.7%。由此可知,在欺骗源运动的条件下训练好的网络模型,同样能用于检测欺骗源静止的情况,并且欺骗源静止时的识别准确率要稍高于欺骗源运动的情况。
(2)考虑到航迹长度可能对检测结果的影响,下面通过实验仿真出不同位置消息条数情况下的识别准确率,并与文献[14]中计算相关系数的方法做出对比,结果如图7所示。
图7 改进的AlexNet方法与传统相关算法在不同信号帧个数下的对比曲线
Fig.7 Comparison curve between the improved AlexNet method and the traditional correlation algorithm under different signal frame numbers
从图中可以看出,对ADS-B欺骗式干扰信号的识别,基于本文改进型AlexNet的方法要优于传统相关算法,尤其是在航迹长度较短时,本文方法优势更加明显,在位置消息条数大于10条时,识别准确率都能达到95%以上。从理论上分析,相关算法是在计算相关系数后主观地选取阈值,且只有当样本数量越多,选取的阈值才越具有普适性,而在所选的每个样本中包含的位置消息条数较少时,相关值的分布并没有清晰的界限,此时大量的样本反而影响了阈值的判断。而神经网络的特点恰好弥补了这一缺陷,通过反复的迭代训练,由网络客观地计算各类概率并进行分类,此时样本数量越多,准确率就越高。
(3)另外通过仿真实验在航迹长度同为12.5 s、信噪比为20 dB的条件下与传统机器学习算法及改进前的AlexNet进行了准确率和训练时长上的对比,结果如表2所示,改进后的AlexNet识别准确率要远高于传统机器学习算法,并且在训练时长基本相当的情况下,准确率也比改进前的AlexNet有所提高。
表2 不同识别方法对比
Tab.2 Comparison of different recognition methods
识别方法 训练时间/min 识别准确率/%Linear discriminationLogistic regressionSVMKNN改进前AlexNet改进后AlexNet49811283249.685.886.991.795.598.1
6 结论
本文提出了一种利用改进型AlexNet的ADS-B欺骗式干扰检测方法,针对真实飞机所广播的ADS-B消息的多普勒频偏变化规律与报告位置的变化规律符合某一特定关系的特点,结合了深度学习领域中的AlexNet神经网络,并针对所处理信号的特点作出一定的改进,从而提升了识别准确率。本方法对比传统的信号处理方法,省去了繁琐的坐标位置转换等计算,并且能在航迹长度较短时仍能很好地识别真实信号与欺骗干扰。本方法对ADS-B信号进行了一些特征提取预处理后再进行训练,并没有充分发挥深度学习端到端处理的优越性,随着深度学习的不断发展以及在信号处理领域更广泛的应用,如何更简洁地利用神经网络识别ADS-B欺骗式干扰是值得深入研究的一个课题。
[1] Sampigethaya K，Poovendran R. Security and privacy of future aircraft wireless communications with offboard systems[M]. 2011 Third International Conference on Communication Systems and Networks (COMSNETS 2011). Bangalore: PP, 2011: 1- 6.
[2] Matthias Schäfer, Lenders V, Martinovic I. Experimental Analysis of Attacks on Next Generation Air Traffic Communication[C]∥International Conference on Applied Cryptography and Network Security. Springer Berlin Heidelberg: ACNS, 2013: 253-271
[3] Mccallie D, Butts J, Mills R. Security analysis of the ADS-B implementation in the next generation air transportation system[J]. International Journal of Critical Infrastructure Protection, 2011, 4(2): 78- 87.
[4] Lu X, Koga T, Kosuge Y. Downlink Aircraft Parameter-Based High-Accuracy Tracking System for Air Traffic Surveillance[M]. Air Traffic Management and Systems II, 2017: 157-169.
[5] Ying X, Mazer J, Bernieri G, et al. Detecting ADS-B Spoofing Attacks Using Deep Neural Networks[C]∥2019 IEEE Conference on Communications and Network Security (CNS). IEEE, 2019: 46-54.
[6] Hableel E, Baek J, Byon Y J, et al. How to protect ADS-B: Confidentiality framework for future air traffic communication[J]. IEEE INFOCOM, 2015, 26(12): 155-160.
[7] Baek J, Byon Y J, Hableel E, et al. Making air traffic surveillance more reliable: a new authentication framework for automatic dependent surveillance-broadcast (ADS-B) based on online/offline identity-based signature[C]∥John Wiley & Sons, Ltd. 2015: 740-750.
[8] 王文益, 李文静, 卢丹,等. 利用双天线相位差的ADS-B欺骗式干扰检测方法[J]. 信号处理, 2019, 35(2): 159-167.
Wang Wenyi, Li Wenjing, Lu Dan, et al. An ADS-B Spoofing Detection Method Based on Double Antenna Phase Difference [J]. Journal of Signal Processing, 2019, 35(2): 159-167.(in Chinese)
[9] Tengyao Li, Buhong Wang, Fute Shang, et al. Online sequential attack detection for ADS-B data based on hierarchical temporal memory[J]. Computers & Security, 2019, 24(8): 11-18.
[10] Orefice M, Vito V D, Corraro F, et al. Aircraft conflict detection based on ADS-B surveillance data[C]∥Metrology for Aerospace. IEEE, 2014: 27-35.
[11] Wang W, Chen G, Wu R, et al. A low-complexity spoofing detection and suppression approach for ADS-B[C]∥2015 Integrated Communication, Navigation, and Surveillance Conference (ICNS). IEEE, 2015: 34- 42.
[12] Kim, Yoohwan, Jo, Ju-Yeon, Lee, Sungchul. ADS-B vulnerabilities and a security solution with a timestamp[J]. IEEE Aerospace & Electronic Systems Magazine, 2017, 32(11): 52- 61.
[13] Schafer M, Lenders V, Schmitt J. Secure Track Verification[J]. 2015 IEEE Symposium on Security and Privacy, 2015, 28(12): 47-55.
[14] 陈蕾, 吴仁彪, 卢丹. 利用多普勒效应的ADS-B欺骗式干扰检测方法[J]. 信号处理, 2018, 34(6): 722-728.
Chen Lei, Wu Renbiao, Lu Dan. ADS-B Spoofing Detection Method Using Doppler Effect[J]. Journal of Signal Processing, 2018, 34(6): 722-728.(in Chinese)
[15] Yu Kai, Jia Lei, Chen Yuqiang, et al. Deep Learning: Yesterday, Today, and Tomorrow[J]. Journal of Computer Research and Development, 2013, 20(6): 1349.
[16] 韩萍, 孙丹丹. 特征选择与深度学习相结合的极化SAR图像分类[J]. 信号处理, 2019, 35(6): 972-978.
Han Ping, Sun Dandan. Classification of Polarimetric SAR Image with Feature Selection and Deep Learning[J]. Journal of Signal Processing, 2019, 35(6): 972-978.(in Chinese)
[17] K. Kavitha, B. Thirumala Rao. Evaluation of Distance Measures for Feature based Image Registration using AlexNet[J]. International Journal of Advanced Computer Science and Applications, 2018, 9(10): 47-54.
[18] Pedro Lemos Ballester, Ricardo Matsumura Araujo. On the performance of GoogLeNet and AlexNet applied to sketches[C]∥AAAI. AAAI Press, 2016: 78- 86.
[19] Gu Shenshen, Ding Lu, Yang Yue, et al. A new deep learning method based on AlexNet model and SSD model for tennis ball recognition[C]∥2017 IEEE 10th International Workshop on Computational Intelligence and Applications (IWCIA). IEEE, 2017: 65-73.
[20] 徐雄. 采用改进型AlexNet的辐射源目标个体识别方法[J]. 电讯技术, 2018, 355(6): 9-14.
Xu Xiong. Target individual identification method of radiation source using improved AlexNet[J]. Telecommunication Engineering, 2018, 355(6): 9-14.(in Chinese)
