PİLOTSUZ UÇUŞ APARATLARINA QARŞI OLAN GPS SPUFINQ HÜCUMLARININ AŞKARLANMASI METODUNUN İŞLƏNMƏSİ - İnformasiya Texnologiyaları Problemləri

PİLOTSUZ UÇUŞ APARATLARINA QARŞI OLAN GPS SPUFINQ HÜCUMLARININ AŞKARLANMASI METODUNUN İŞLƏNMƏSİ - İnformasiya Texnologiyaları Problemləri

PİLOTSUZ UÇUŞ APARATLARINA QARŞI OLAN GPS SPUFINQ HÜCUMLARININ AŞKARLANMASI METODUNUN İŞLƏNMƏSİ - İnformasiya Texnologiyaları Problemləri

PİLOTSUZ UÇUŞ APARATLARINA QARŞI OLAN GPS SPUFINQ HÜCUMLARININ AŞKARLANMASI METODUNUN İŞLƏNMƏSİ - İnformasiya Texnologiyaları Problemləri

PİLOTSUZ UÇUŞ APARATLARINA QARŞI OLAN GPS SPUFINQ HÜCUMLARININ AŞKARLANMASI METODUNUN İŞLƏNMƏSİ - İnformasiya Texnologiyaları Problemləri
PİLOTSUZ UÇUŞ APARATLARINA QARŞI OLAN GPS SPUFINQ HÜCUMLARININ AŞKARLANMASI METODUNUN İŞLƏNMƏSİ - İnformasiya Texnologiyaları Problemləri
AZƏRBAYCAN MİLLİ ELMLƏR AKADEMİYASI

№1, 2022

PİLOTSUZ UÇUŞ APARATLARINA QARŞI OLAN GPS SPUFINQ HÜCUMLARININ AŞKARLANMASI METODUNUN İŞLƏNMƏSİ

Fərqanə C. Abdullayeva, Orxan V. Vəlixanlı

Pilotsuz uçuş aparatları (PUA) digər vasitələrdə olduğu kimi naviqasiyanın təmin olunması üçün əsasən GPS-dən (Global Positioning System – Qlobal Mövqetəyinetmə Sistemi) istifadə edir. PUA-larda zəruri tədbirlərin alınmaması, hücum prosesində istifadə edilən cihazların asanlıqla əlçatan olması PUA-ların GPS spufinq (GPS spoofing) hücumuna məruz qalmasına səbəb ola bilər. Hücumun tez bir zamanda aşkarlanması isə təhlükəsizlik tədbirlərinin alınmasında böyük rol oynayır. Bu cür hücumların aşkarlanmasında isə süni neyron şəbəkələrindən istifadə edilməsi olduqca əlverişlidir. Bunları nəzərə alaraq, məqalədə GPS spufinq hücumunun aşkarlanması üçün konvalyusiya neyron şəbəkə (Convolutional Neural Network, CNN) metoduna əsaslanan yeni yanaşma təklif edilmişdir. Yeni yanaşma iki fərqli tip pilotsuz uçuş aparatı üçün işlənib hazırlanmışdır. Aparılmış eksperimentlər nəticəsində GPS spufinq hücumunun yüksək dəqiqliklə aşkarlanması təmin olunmuşdur (səh.3-8).

Açar sözlər: PUA, GPS spufinq, CNN, Müdaxilənin aşkarlanması sistemi
DOI : 10.25045/jpit.v13.i1.01
Ədəbiyyat

Borhani-Darian, P., Li, H., Wu, P., & Closas, P. (2020). Deep Neural Network Approach to Detect GNSS Spoofing Attacks. Proceedings Of The 33Rd International Technical Meeting Of The Satellite Division Of The Institute Of Navigation (ION GNSS+ 2020), Manassas, Virginia, USA, September 2020, (pp. 3241-3252). https://doi.org/10.33012/2020.17537

Brownlee, J. (2016). What is a confusion matrix in machine learning. Machine Learning Mastery. https://machinelearningmastery.com/confusion-matrix-machine-learning

Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861-874. https://doi.org/10.1016/j.patrec.2005.10.010

Manesh, M., Kenney, J., Hu, W., Devabhaktuni, V., & Kaabouch, N. (2019). Detection of GPS Spoofing Attacks on Unmanned Aerial Systems. 16Th IEEE Annual Consumer  Communications & Networking Conference  (CCNC),   Piscataway, New Jersey, USA, January 2019 (pp. 1-6).  https://doi.org/10.1109/ccnc.2019.8651804

Park, K., Park, E., & Kim, H. (2020). Unsupervised Intrusion Detection System for Unmanned Aerial Vehicle with Less Labeling Effort. Information Security Applications, 45-58. https://doi.org/10.1007/978-3-030-65299-9_4

Psiaki, M., & Humphreys, T. (2016). GNSS Spoofing and Detection. Proceedings Of The IEEE, 104(6), 1258-1270. https://doi.org/10.1109/jproc.2016.2526658

Riahi Manesh, M., & Kaabouch, N. (2019). Cyber-attacks on unmanned aerial system networks: Detection, countermeasure, and future research directions. Computers & Security, 85, 386-401. https://doi.org/10.1016/j.cose.2019.05.003

Semanjski, S., Semanjski, I., De Wilde, W., & Muls, A. (2020). Use of Supervised Machine Learning for GNSS Signal Spoofing Detection with Validation on Real-World Meaconing and Spoofing Data—Part I. Sensors, 20(4), 1171. https://doi.org/10.3390/s20041171

Shafiee, E., Mosavi, M., & Moazedi, M. (2017). Detection of Spoofing Attack using Machine Learning based on Multi-Layer Neural Network in Single-Frequency GPS Receivers. Journal Of Navigation, 71(1), 169-188. https://doi.org/10.1017/s0373463317000558

Whelan, J., Sangarapillai, T., Minawi, O., Almehmadi, A., & El-Khatib, K. (2020). UAV Attack Dataset. IEEE Dataport. https://dx.doi.org/10.21227/00dg-0d12 

Xiao, K., Zhao, J., He, Y., Li, C., & Cheng, W. (2019). Abnormal Behavior Detection Scheme of UAV Using Recurrent Neural Networks. IEEE Access, 7, 110293-110305. https://doi.org/10.1109/access.2019.2934188

Yağdereli, E., Gemci, C., & Aktaş, A. (2015). A study on cyber-security of autonomous and unmanned vehicles. The Journal Of Defense Modeling And Simulation: Applications, Methodology, Technology, 12(4), 369-381. https://doi.org/10.1177/1548512915575803