【技术实现步骤摘要】
本专利技术涉及广播式自动相关监视技术的报文安全领域，具体涉及一种基于自监督学习的ads-b异常检测方法。
技术介绍
1、ads-b(automatic dependent surveillance-broadcast)技术利用全球卫星导航系统、地空通信和空空数据链等技术，是一种飞行信息传输方式。它定期向空中交通管制中心和相邻空域内的飞机广播当前飞机的位置、高度和速度等信息。ads-b报文作为航空信息系统的重要数据源，对航班间隔管理、空中交通流量管理和防撞等功能子系统具有直接影响。由于ads-b报文采用明文广播并且缺乏基本的安全机制，其安全性成为航空安全的关键组成部分。攻击者可以利用无线射频传输技术轻松实施对ads-b的欺骗和干扰，进而威胁整个航空信息系统的安全。因此，研究有效的ads-b安全解决方案变得至关重要。
2、传统的ads-b异常检测技术可以分为三类。第一类为基于密码学的方法，但由于需要修改协议内部机制，且与当前ads-b系统不兼容，因此实际应用有较大难度。第二类为基于位置定位的方法，通过校验ads-b报文到达不同站点的时间差来验证位置的准确性。然而，这种方法高度依赖大量地面站的参与，实施难度大且附加成本高。第三类为基于阵列天线验证的方法，利用多面阵列天线对ads-b报文进行空间位置测量，以验证目标的位置特征。尽管这类方法的实施成本较低，但仍需要在ads-b系统上添加额外的设备。为了规避因硬件和协议更改而引起的昂贵成本，越来越多的关注逐渐转向基于深度学习的异常检测方法。目前基于深度学习的ads-b异常检测技术
技术实现思路
1、本专利技术的目的在于解决上述问题，并提出一种基于自监督学习的ads-b异常检测方法，利用新型的时间序列插值方法，基于条件得分的条件扩散模型(conditional score-based diffusion models for imputation，csdi)，填充时间序列中的缺失值，生成重构数据，以实现报文的重构，最终通过重构误差来检测异常。
2、为了达到上述目的，本专利技术提供的技术方案为：
3、所述基于自监督学习的ads-b异常检测方法，包括：
4、获取ads-b报文序列，对ads-b报文序列进行预处理得到输入序列，并按设定比例分成训练集和测试集；
5、根据测试集生成重构数据测试集；
6、构建条件扩散模型和损失函数，将训练集输入条件扩散模型进行训练；
7、利用输入序列和训练中的条件扩散模型的输出序列求重构误差，得到判断异常的阈值；
8、将重构数据测试集输入训练好的条件扩散模型，输出重构序列；
9、对重构数据测试集中的输入序列和重构序列求重构误差，对于重构误差大于阈值的输入序列判定为异常数据，对于重构误差小于等于阈值的输入序列判定为非异常数据。
10、进一步的，所述对ads-b报文序列进行预处理，包括：
11、对收集到的ads-b报文序列进行特征筛选，提取ads-b报文序列中预设的特征，对于缺失特征的时间点，通过相邻状态来填充缺失的特征。
12、进一步的，所述条件扩散模型由正向和反向两个过程组成，正向过程建模用如下公式表示：
13、
14、
15、其中，表示条件扩散模型的正向过程，表示给定上一时刻的潜在变量的情况下，在t时刻时和的联合分布，表示条件观测值，表示整体的插补目标值，表示t时刻的插补目标值，表示t-1时刻的插补目标值，βt是一个常量，代表一个噪声等级，t表示总步长，i表示单位矩阵，n()表示正态分布；
16、条件扩散模型反向过程建模用如下公式表示：
17、
18、
19、其中，表示条件扩散模型的反向过程，表示t时刻的插补目标值的概率分布，表示给定条件观测值t时刻的插补目标值的情况下，生成t-1时刻的插补目标值的条件概率分布，表示t时刻的插补目标值，μθ表示条件均值，σθ表示条件标准差；
20、
21、
22、其中，αt、βt表示时刻t时的超参数，∈θ表示条件去噪函数，表示βt的近似值，αt-1表示时刻t-1时的超参数α，β1表示时刻1时的超参数β；
23、条件去噪函数用公式表示如下：
24、
25、其中，表示实数集合，表示潜在变量的空间，表示条件观测的空间。
26、进一步的，所述损失函数用公式表示如下：
27、
28、其中，l(θ)表示损失函数，θ为条件扩散模型的待调整参数，q(x0)表示概率分布，x0表示包含缺失值样本，n(0，i)表示标准正态分布，表示对包含缺失值样本x0从概率分布q(x0)中采样，对∈从均值为0、协方差为单位矩阵的正态分布n(0，i)中采样，对时间t进行期望操作，∈表示随机噪声，∈θ表示条件噪声函数，表示t时刻的插补目标值，表示条件观测值，表示欧几里得范数的平方。
29、进一步的，采用adam优化器通过衰减学习率进行模型优化。
30、本专利技术与现有技术相比，其显著优点为：
31、1.兼容性强：本方法无需修改ads-b协议内部机制，且与当前ads-b系统兼容。这使得该方法在ads-b异常检测方面具有较好的普适性，可以方便地应用于现有的系统中，而不需要对整体系统进行大规模的修改。
32、2.智能异常检测：采用了条件扩散模型，该模型结合了连续性信号特征，使得只需对收集到的数据进行重构，就能实现对异常数据的检测。这种异常检测方法无需显式定义异常规则，而是通过条件扩散模型自动学习正常数据的特征，从而更适应各种复杂的情境。
33、3.最小化损失函数优化：本方法结合使用了最小化损失函数，通过训练过程中的损失最小化，使得模型生成的重构数据更优秀。这样的优化方式有助于输出的重构数据更好地保持与原始数据之间的一致性，更符合真实信号的特征。这有助于提高模型在异常检测方面的性能，降低误报率。
本文档来自技高网...【技术保护点】
1.一种基于自监督学习的ADS-B异常检测方法，其特征在于，所述基于自监督学习的ADS-B异常检测方法，包括：
2.根据权利要求1所述的基于自监督学习的ADS-B异常检测方法，其特征在于，所述对ADS-B报文序列进行预处理，包括：
3.根据权利要求1所述的基于自监督学习的ADS-B异常检测方法，其特征在于，所述条件扩散模型由正向和反向两个过程组成，正向过程建模用如下公式表示：
4.根据权利要求1所述的基于自监督学习的ADS-B异常检测方法，其特征在于，所述损失函数用公式表示如下：
5.根据权利要求1所述的基于自监督学习的ADS-B异常检测方法，其特征在于，采用Adam优化器通过衰减学习率进行模型优化。
【技术特征摘要】
1.一种基于自监督学习的ads-b异常检测方法，其特征在于，所述基于自监督学习的ads-b异常检测方法，包括：
2.根据权利要求1所述的基于自监督学习的ads-b异常检测方法，其特征在于，所述对ads-b报文序列进行预处理，包括：
3.根据权利要求1所述的基于自监督学习的ads-b异常检测方法，其特征在...
【专利技术属性】
技术研发人员：黄亮，刘建军，徐翊宸，魏欣晨，张书彬，池凯凯，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。