РАЗРАБОТКА МЕТОДА ОБНАРУЖЕНИЯ GPS СПУФИНГ АТАК НА БЕСПИЛОТНЫЕ ЛЕТАТЕЛЬНЫЕ АППАРАТЫ - Проблемы Информационных Технологий

РАЗРАБОТКА МЕТОДА ОБНАРУЖЕНИЯ GPS СПУФИНГ АТАК НА БЕСПИЛОТНЫЕ ЛЕТАТЕЛЬНЫЕ АППАРАТЫ - Проблемы Информационных Технологий

РАЗРАБОТКА МЕТОДА ОБНАРУЖЕНИЯ GPS СПУФИНГ АТАК НА БЕСПИЛОТНЫЕ ЛЕТАТЕЛЬНЫЕ АППАРАТЫ - Проблемы Информационных Технологий

РАЗРАБОТКА МЕТОДА ОБНАРУЖЕНИЯ GPS СПУФИНГ АТАК НА БЕСПИЛОТНЫЕ ЛЕТАТЕЛЬНЫЕ АППАРАТЫ - Проблемы Информационных Технологий

РАЗРАБОТКА МЕТОДА ОБНАРУЖЕНИЯ GPS СПУФИНГ АТАК НА БЕСПИЛОТНЫЕ ЛЕТАТЕЛЬНЫЕ АППАРАТЫ - Проблемы Информационных Технологий
РАЗРАБОТКА МЕТОДА ОБНАРУЖЕНИЯ GPS СПУФИНГ АТАК НА БЕСПИЛОТНЫЕ ЛЕТАТЕЛЬНЫЕ АППАРАТЫ - Проблемы Информационных Технологий
НАЦИОНАЛЬНАЯ АКАДЕМИЯ НАУК АЗЕРБАЙДЖАНА

№1, 2022

РАЗРАБОТКА МЕТОДА ОБНАРУЖЕНИЯ GPS СПУФИНГ АТАК НА БЕСПИЛОТНЫЕ ЛЕТАТЕЛЬНЫЕ АППАРАТЫ

Фаргана Дж. Абдуллаева, Орхан В. Валиханлы

Беспилотные летательные аппараты (БПЛА) в основном используют GPS (Global Positioning System - Глобальная Позиционирующая Система)  для навигации, как и другие транспортные средства. Несоблюдение необходимых мер предосторожности в отношении БПЛА и простота доступа к устройствам, используемым в процессе атаки, могут привести к подверганию БПЛА к GPS спуфинг атакам. Своевременное обнаружение атаки играет важную роль в соблюдении мер предосторожности. Использование искусственных нейронных сетей при обнаружении таких атак очень удобно. Следовательно, в статье предлагается новый подход, основанный на методе сверточной нейронной сети (Convolutional Neural Network, CNN) для обнаружения GPS спуфинг атак. Новый подход был разработан для двух разных типов БПЛА. В результате экспериментов было обеспечено высокоточное обнаружение GPS спуфинг атак (стр.3-8).

Ключевые слова: БПЛА, Спуфинг GPS, CNN, Система обнаружения вторжений
DOI : 10.25045/jpit.v13.i1.01
Литература

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