Detekce průniků v sítích bezpilotních letounů (UAV)

Potřeba detekce průniků v sítích UAV

Rojové a kooperující bezpilotní systémy (UAV) vytvářejí dynamické ad-hoc sítě s proměnlivou topologií, heterogenními rádii a omezenými zdroji. Kybernetická rizika – od spoofingu GNSS a injekce příkazů přes útoky na směrování až po RF jamming – ohrožují bezpečnost letu i integritu mise. Systémy Intrusion Detection (IDS) pro UAV musí při nízké latenci a omezené energii identifikovat anomálie v datovém provozu, telemetrii a chování autonomních funkcí. Tento článek systematizuje statistické přístupy a techniky strojového učení (ML) pro UAV IDS, pokrývá návrh příznaků, architektury nasazení, metriky hodnocení a odolnost vůči adaptivním protivníkům.

Modely hrozeb a vektory útoků v UAV sítích

Útoky na komunikaci: RF jamming, selektivní jamming, deauth (Wi-Fi), man-in-the-middle, replay, spoofing Remote ID, falšování MAVLink rámců, degradace QoS.
Síťové a směrovací útoky: blackhole/greyhole, wormhole, Sybil, routing loop, manipulace metrik ETX/RSSI.
Autonomní chování a senzory: GNSS spoofing/meaconing, rušení kompasu, anomálie IMU, otrava plánovače (trajectory poisoning), nesoulad příkazů a odezev aktuátorů.
Dodavatelský řetězec a software: backdoor ve FW, malware v GCS, kompromitovaná aktualizace.

Architektonické vzory IDS pro UAV

On-board (edge) IDS: běží přímo na autopilotu/mission počítači; poskytuje rychlou detekci flight-critical anomálií s omezenými modely a pamětí.
Kooperativní (mesh) IDS: uzly si vyměňují agregované statistiky nebo alarmy; umožňuje průřezové korelace (např. simultánní pokles RSSI na více dronech).
Ground/Cloud-assisted IDS: těžší modely (GNN/Transformer) běží na GCS/edge serveru; UAV posílá features/sketches, nikoli surové pakety.
Hybridní: rychlý lokální guard + vzdálený advisor; lokální prahy a jednoduché modely, centrální jemné hodnocení a forenzika.

Datové zdroje a vrstvy pozorování

Síťová vrstva: metadata rámců (RSSI, SNR, PER, airtime), mezipříchodové časy, velikosti paketů, porty/protokoly, statistiky retransmisí, LQI, chybovost FEC.
Transportní/aplikační vrstva: sekvence MAVLink/RTPS/UDPin/UDPout, chybové kódy, podepsané vs. nepodepsané příkazy, profil propustnosti.
Telemetrie a stav: GNSS fix, rychlosti, zrychlení, proudy motorů, napětí baterie, teploty, módy letu, přechod do failsafe režimu.
RF a spektrum: spektrální masky, obsazenost kanálů, identifikátory vysílačů, časově-frekvenční waterfall segmenty.

Návrh příznaků (feature engineering) pro UAV IDS

Tokové statistiky: průměr/variance/ewma mezipříchodových časů, entropie velikostí paketů, burstiness, Hurstův exponent.
Protokolové konzistence: poměr příkazů k telemetrii, sekvenční delta (Δseq), nesoulad heartbeat rytmu, neplatné kombinace flagů.
Fyzikální korelace: očekávané vazby (tah→zrychlení, náklon→boční zrychlení); rezidua vůči modelu letu nebo digitálnímu dvojčeti.
Prostorově-časové agregace: porovnání metriky linky mezi sousedy v síti; identifikace lokálních anomálií vs. plošných jevů.
Spektrálně-časové spektra: krátkodobá FFT/CTFT energetická mapa, spektrální entropie, nelokální maxima – indikátory jammera.

Statistické IDS: lehké a vysvětlitelné

Prahové a adaptační prahy: pevné prahy pro kritické veličiny (např. podpisové chyby, CRC-fail rate), EWMA/CUSUM pro detekci driftu.
Modely bez dohledu: Gaussovské směsi (GMM) s Mahalanobis vzdáleností, hustotové metody (KDE), LOF (Local Outlier Factor) pro lokální odlehlosti.
Časové modely: ARIMA/Holt-Winters pro predikci propustnosti a mezipříchodových časů; alarm při velkém reziduu.
Rané varování: detektory změny rozdělení (Page–Hinkley, BOCPD) pro zachycení náhlých režimových skoků.

Strojové učení a hluboké učení

One-class a izolace: One-Class SVM (RBF) pro kompaktní normální třídy, Isolation Forest pro odlehlosti při nízkém tréninkovém datasetu.
Autoenkodéry: MLP/Conv/LSTM autoenkodér rekonstruuje normální sekvence; vysoká rekonstrukční chyba → anomálie. Vhodné pro časová okna telemetrie nebo paketové vektory.
Rekurentní sítě: LSTM/GRU na sekvenční protokolové vzory (MAVLink heartbeat, příkazy, ack). Teacher forcing při tréninku, prahování přes predikční rezidua.
Transformery: lehké časové transformery (Informer/Linformer) pro delší kontexty s ořezanou pozorností; využití pro predikci multivariantních telemetrických toků.
Grafové modely: GNN (GCN/GAT) pro mesh topologie – uzly jsou UAV/brány, hrany jsou spoje; detekce anomálních subgrafů (Sybil, wormhole) skrze odchylku od naučených graph embeddings.

Tréninkové režimy: dohlížené, nedohlížené a semi-supervised

Nedohlížené: preferované v praxi pro nedostatek labelů; učení normálního chování a detekce odchylek.
Semi-supervised: malé množství označených incidentů + hodně neoznačených dat; metody pseudo-labelingu a consistency regularization.
Dohlížené: když existují synteticky generované útoky (SIL/HIL replikace); algoritmy jako XGBoost/LightGBM s interpretací přes SHAP.

Generování a augmentace dat

Syntetické scénáře: simulace routing útoků, spoofingu a jammingu v HIL/SIL; řízená míra šumu a ztrát.
Augmentace: časové posuny, škálování, mixup více toků; doplňování vzácných útoků.
Doménové znalosti: fyzikálně konzistentní augmentace – změna větru/úbytku baterie místo náhodných perturbací.

Výpočetní a energetická omezení: optimalizace modelů

Kompresní modely: prořezávání, kvantizace (8-bit, int8), distilace student-učitel; cílem je inference < 10 ms a RAM < 1–4 MB.
Feature-lite pipeline: používání streaming statistik a sketchů (Count-Min, Reservoir sampling) místo ukládání celých toků.
Přizpůsobení frekvenci: adaptivní periodicita detekce podle fáze letu; agresivní on-board detekce během vzletu/přistání.

Federované a kolaborativní učení v rojích

Federated Averaging: UAV trénují lokálně na vlastních datech; odesílají váhy/gradienty; GCS agreguje.
Robustní agregace: metody odolné vůči byzantským uzlům (Krum, Trimmed Mean) snižují dopad kompromitovaných UAV.
Soukromí a bezpečnost: přidaný differential privacy šum, šifrovaná komunikace, validace aktualizací (anomalie gradientů).

Odolnost vůči protivníkovi a adversariální ML

Adversariální příklady: malý zásah do vybraných příznaků může skrýt útok; použijte adversarial training a randomizaci vstupů.
Model stealing/poisoning: chraňte API modelů, verifikujte integritu vah, používejte detektory anomálních gradientů.
Ensemble a multi-view: kombinace statistického detektoru a ML snižuje pravděpodobnost obejití jediného prahu.

Detekce jammingu a RF anomálií

Spektrální detektory: prahy energie, spectral kurtosis, poměr signál/rušení v časově-frekvenční mapě.
Časové podpisy: narůstající PER s korelovaným poklesem RSSI, opakované retry, výpadky beacon rámců.
ML přístup: klasifikace segmentů spektrogramu pomocí lehkých CNN; on-board inference s malým oknem (např. 128×32).

IDS pro MAVLink a řídicí příkazy

Kontrola sekvencí: LSTM/Markov pro ověření legitimních přechodů módů letu; detekce nelegálních sekvencí (např. DISARM během letu).
Podepisování a reputace: validace podpisu zpráv, reputační skóre pro zdroje příkazů, rate-limit na kritické příkazy.
Časová okna: korelace příkaz→odezva; vysoká rezidua signalizují command injection nebo degradaci aktuátorů.

Vyhodnocení: metriky a experimentální design

Metriky: ROC AUC, PR AUC při nerovnováze tříd, F1@latency, TTD (Time-to-Detect), FAR (False Alarm Rate) za hodinu letu.
Křížová validace: leave-one-mission-out nebo leave-one-airframe-out pro generalizaci na novou platformu.
On-board zátěž: profil CPU/RAM/energie, vliv na latenci řízení; testujte i v rušených kanálech a při degradaci senzorů.

Signalizace a reakce: od detekce k bezpečnému stavu

Stupně závažnosti: info, warning, critical; mapování na akce autopilota (omezení příkazů, RTH, loiter, přistání).
Fail-operational principy: lokální rozhodnutí bez potřeby uplinku; bezpečné defaulty při ztrátě GCS.
Forenzní stopa: ring buffer s vysokou granularitou 5–10 s před/po alarmu; podepisování a hashování pro integritu.

Integrační rozhraní a nasazení

Modulární agent: C/C++ démon s RT příspěvky; plugin rozhraní pro detektory, jednotné API pro příznaky.
Telemetrické kanály: out-of-band kanál pro alarmy (např. Sub-GHz linka), aby detekce nebyla blokována útokem na primární kanál.
Konfigurace a OTA: bezpečné aktualizace modelů (rollback, verzování, podepsané balíčky), A/B deploy s tieňovým hodnocením (shadow mode).

Právní a normativní aspekty

IDS může zpracovávat provozní a potenciálně osobní údaje (telemetrie, video metadata, Remote ID). Je nutné minimalizovat rozsah a dobu uchování, používat privacy-by-design, auditní záznamy a transparentní politiku. V bezpečnostně citlivých aplikacích je důležitá vysvětlitelnost modelů (záznam rozhodovacích příčin, SHAP/příspěvky příznaků) pro interní vyšetřování a regulační audity.

Praktický postup zavádění UAV IDS

Zmapujte hrozby a definujte Use-Case profily (racing, BVLOS mapping, cargo, SAR).
Vyberte vrstvy pozorování a levné příznaky; navrhněte data schema a ukládání statistik.
Nasazte statistický baseline (EWMA/CUSUM, prahy) pro fast-path a ML detektor pro slow-path.
Vybudujte syntetický tréninkový set v SIL/HIL; doplňte o reálné logy.
Otestujte latenci, FAR a TTD v laboratoři i v terénu; dolaďte prahy a akční mapy.
Zaveďte forenzní ring buffer, podepisování a bezpečné OTA aktualizace.
Iterujte s federovaným učením a robustní agregací; monitorujte drift a pře-trénujte.

Příklad lehké IDS pipeline na palubě

Sběr: 50 Hz telemetrie (IMU), 5 Hz síťové statistiky, 1 Hz spektrální skici.
Předzpracování: normalizace/clip, exponential smoothing, sliding window 2–5 s.
Detektory: CUSUM pro