基于人工免疫的无人机集群网络协同入侵防御方法及系统
本技术涉及无人机集群网络安全,特别是涉及一种基于人工免疫的无人机集群网络协同入侵防御方法及系统。
背景技术:
1、随着无人机集群应用以及有人机与无人机协同作业模式的快速发展,协同系统日益依赖无线通信链路、导航定位链路和分布式控制网络来实现信息交互与任务协同。在复杂电磁环境和对抗性场景下,协同系统面临链路监听、信号干扰、导航诱骗、恶意节点接入、虚假控制指令注入等网电复合威胁。这些威胁可能造成通信中断、身份冒用、协同失效乃至整个任务失败。
2、现有无人机集群安全防护方法主要存在以下几个方面的不足。
3、第一,无人机射频指纹识别技术通过提取无人机通信、遥控或数据链信号中的硬件非理想特征来实现个体身份区分。然而在复杂电磁干扰环境下,射频信号容易受到噪声、同频干扰、宽带压制干扰、信道衰落以及设备自身状态变化的影响,导致传统固定特征提取方法的稳定性显著下降,进而引发授权无人机与非授权无人机之间的误识别或漏识别问题。
4、第二,现有无人机集群身份管理和网电威胁检测方法大多依赖静态规则库、固定指纹库或预训练检测模型。当无人机集群规模扩大、合法无人机动态加入或退出、运行环境发生变化时,静态指纹库难以及时有效地更新;同时,未知网电攻击具有动态演化特征,攻击样式、攻击路径和通信行为会随对抗过程不断变化,传统检测器难以适应真实网电环境中自体行为与非自体行为的同步演化。
5、第三,现有检测系统多侧重于单一的身份识别功能或威胁告警功能,缺少将身份可信度、未知威胁置信度、检测器状态和节点风险等级联动输出至协同抗扰防御模块的机制。检测结果难以直接支撑后续的免疫疫苗分发、策略注入、通信链路调整和协同网络抗扰响应,无法形成闭环防护。
6、因此,相关技术中,亟需一种能够在复杂电磁与动态对抗环境下实现无人机集群身份识别、威胁感知与协同防御的有效联动的方式。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种基于人工免疫的无人机集群网络协同入侵防御方法及系统。通过引入生物免疫系统中的自体与非自体识别、检测器演化、动态耐受和反馈更新机制,实现授权无人机射频指纹的动态识别、未知网电威胁的快速发现,并为后续免疫-博弈抗扰防御提供身份可信度、威胁置信度和策略候选输入,从而形成身份认证、威胁发现、策略决策、防御执行、反馈更新五个环节构成的闭环防御过程。
2、第一方面,本技术提供了一种基于人工免疫的无人机集群网络协同入侵防御方法。所述方法包括:
3、对接收到的无人机无线信号进行预处理,提取射频指纹特征;
4、基于人工免疫系统中的自体与非自体识别机制,根据所述射频指纹特征对无人机进行身份认证,所述身份认证包括:为合法无人机构建成熟检测器集合,所述成熟检测器集合中的检测器经过自适应可变自体半径设定、克隆、变异、抑制以及耐受过程生成;
5、在完成身份认证后,将网络流量数据输入经训练的轻量化入侵检测模型,以识别未知网电威胁,所述轻量化入侵检测模型通过异构教师模型进行知识蒸馏得到,所述异构教师模型包含深度神经网络和残差卷积神经网络;
6、根据身份认证结果和未知网电威胁识别结果,采用强化学习机制确定对恶意节点的协同防御策略;
7、执行所述协同防御策略,并将执行结果作为反馈信息,用于更新所述成熟检测器集合、所述轻量化入侵检测模型以及所述协同防御策略。
8、可选的,在本技术的一个实施例中,所述射频指纹特征包括载波频率偏移、平均幅度误差、平均相位误差、幅度误差均方根和相位误差均方根。
9、可选的,在本技术的一个实施例中,所述自适应可变自体半径设定包括:
10、根据同一合法设备的自体样本之间的最小距离、所述自体样本与其他合法设备的自体样本之间的最小距离以及预设的最大半径约束,确定每个自体样本的自体半径。
11、可选的,在本技术的一个实施例中,所述克隆、变异、抑制和耐受过程包括:
12、在特征空间中生成初始检测器中心集合;
13、对位于自体样本附近的检测器中心进行克隆扩增;
14、根据检测器中心与最近自体样本的距离和方向关系,对克隆后的检测器中心进行变异操作;
15、移除距离小于预设阈值的冗余检测器中心;
16、将落入自体半径覆盖范围内的检测器中心删除,保留未落入所述自体半径覆盖范围内的检测器中心作为成熟检测器。
17、可选的,在本技术的一个实施例中,所述身份认证还包括:
18、将未知射频指纹特征输入每个合法设备对应的成熟检测器集合;
19、若所述未知射频指纹特征被所有合法设备对应的成熟检测器集合覆盖,则判定为非法设备;
20、若所述未知射频指纹特征仅未被一个合法设备对应的成熟检测器集合覆盖,则认证为所述合法设备;
21、若所述未知射频指纹特征未被多个合法设备对应的成熟检测器集合覆盖,则计算所述未知射频指纹特征与每个候选设备的最近成熟检测器之间的距离,将距离最大的候选设备确定为来源设备。
22、可选的,在本技术的一个实施例中,所述轻量化入侵检测模型的训练方法包括:
23、通过遗传算法生成潜在未知攻击样本,所述遗传算法的适应度函数基于生成样本与正常样本的距离、与已知攻击样本的距离、与整体数据分布中心的距离以及样本多样性约束构建;
24、利用所述异构教师模型对所述潜在未知攻击样本进行知识提取,输出软标签;
25、采用混合多模态学生模型吸收所述软标签,所述混合多模态学生模型包含深度神经网络分支和卷积神经网络分支,通过拼接两个分支的特征向量进行预测;
26、通过自适应异构教师知识融合机制调整不同教师模型在蒸馏过程中的权重系数;
27、在多个无人机集群客户端上采用联邦学习框架对所述学生模型进行协同训练。
28、可选的,在本技术的一个实施例中,所述采用强化学习机制确定对恶意节点的协同防御策略包括:
29、构建状态空间,所述状态空间包含邻居节点的信任值、合作参与度、历史博弈行为比例、通信时延波动和行为向量;
30、构建动作空间,所述动作空间包含保持通讯、限制广播、降权降信和通讯隔离;
31、基于强化学习的奖励函数对恶意节点检测与隔离决策进行优化,所述奖励函数对成功隔离恶意节点和正常保持正常节点给予正向奖励,对误判正常节点为恶意节点和未能识别恶意节点给予负向奖励,并对策略切换带来的性能消耗进行惩罚。
32、可选的,在本技术的一个实施例中,所述协同防御策略的执行包括免疫疫苗分发与接种,所述免疫疫苗分发与接种包括:
33、将所述成熟检测器以疫苗形式打包,形成候选疫苗集合;
34、通过聚类分析从所述候选疫苗集合中选取具有特征表征能力的簇中心疫苗,基于簇中心到自体空间边界的距离确定检测半径;
35、根据识别阶段的检测结果计算反馈调节因子,基于所述反馈调节因子对疫苗权重进行动态更新。
36、第二方面,本技术还提供了基于人工免疫的无人机集群网络协同入侵防御系统。所述系统包括:
37、射频指纹动态识别模块,用于对接收到的无人机无线信号进行预处理,提取射频指纹特征,并基于人工免疫系统中的自体与非自体识别机制,根据所述射频指纹特征对无人机进行身份认证,所述身份认证包括:为合法无人机构建成熟检测器集合,所述成熟检测器集合中的检测器经过自适应可变自体半径设定、克隆、变异、抑制以及耐受过程生成;
38、未知网电威胁免疫演化发现模块,用于在完成身份认证后,将网络流量数据输入经训练的轻量化入侵检测模型,以识别未知网电威胁,所述轻量化入侵检测模型通过异构教师模型进行知识蒸馏得到,所述异构教师模型包含深度神经网络和残差卷积神经网络;
39、免疫-博弈协同防御决策模块,用于根据身份认证结果和未知网电威胁识别结果,采用强化学习机制确定对恶意节点的协同防御策略,执行所述协同防御策略,并将执行结果作为反馈信息,用于更新所述成熟检测器集合、所述轻量化入侵检测模型以及所述协同防御策略。
40、第三方面,本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行上述各个实施例所述方法的步骤。
41、上述基于人工免疫的无人机集群网络协同入侵防御方法及系统,与现有技术相比,具有以下有益效果:
42、第一,在射频指纹识别方面,相比固定半径易导致合法设备特征空间出现孔洞或类间重叠的缺陷,自适应可变自体半径机制通过动态适配设备特征分布,能够显著提升识别准确率。经实验验证,在自建数据集和公开数据集上分别实现了97.19%和98.07%的准确率,合法设备识别率超过96%,非法设备识别率达到98%,误报率低于0.23%。基于进化的检测器生成策略通过克隆、变异、抑制的定向优化,较随机生成方法准确率提升4.88%至6.7%,训练时间缩短59%至60%,漏报率降低至3.51%以下,为无人机集群轻量化、高可靠射频指纹认证提供了关键技术支撑。
43、第二,在未知网电威胁检测方面,蒸馏后的学生模型在多个数据集上均保持了极高的检测性能。在kdd99数据集上准确率达到99.91%,在nsl-kdd数据集上准确率达到99.27%,在awid数据集上准确率达到99.95%。模型推理时间较教师模型减少约39%至40%,模型体积压缩至约59kb,远小于教师模型的体积。在联邦学习框架下,模型在分布式环境中仍保持超过99%的平均检测准确率,表明模型在保障集群网络安全方面的有效性。
44、第三,在协同防御决策方面,所提出的无人机与地面站协同推理机制能够在检测精度和通信效率之间取得较优平衡。在多个数据集上,该机制在仅上传部分不确定样本的情况下,与全量上传的检测性能几乎持平,性能差异不超过0.4个百分点,同时通信开销减少36%至64%,有效缓解了全量上传原始特征带来的通信开销问题,具有较好的工程应用价值。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com