Potřeba detekce průniků v sítích UAV
Stádové a kooperativní 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 datové komunikaci, 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, deautentizace (Wi-Fi), man-in-the-middle, replay útoky, 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 senzorika: GNSS spoofing/meaconing, rušení kompasu, anomálie IMU, otrava plánovače (trajectory poisoning), nesoulad příkazů a odezev aktuátorů.
- Dodavatelský řetězec a SW: backdoor ve FW, malware v GCS, kompromitovaná aktualizace.
Architektonické vzory IDS pro UAV
- On-board (edge) IDS: běží přímo na autopilotu/mise počítači; poskytuje rychlou detekci flight-critical anomálií s omezenými modely a pamětí.
- Kooperativní (mesh) IDS: uzly vyměňují agregované statistiky nebo alarmy; umožňuje průřezové korelace (např. simultánní pokles RSSI na více dronech).
- Ground/Cloud-assisted IDS: náročnější 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 vyhodnocení 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.
- Transport/aplikační vrstva: sekvence MAVLink/RTPS/UDPin/UDPout, chybové kódy, podepsané vs. nepodepsané příkazy, profil propustnosti.
- Telemetrie a stav: GNSS fix, rychlosti, akcelerace, 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 delty (Δseq), nesoulad heartbeat rytmu, neplatné kombinace flagů.
- Fyzikální korelace: očekávané vazby (tah→zrychlení, náklon→boční akcelerace); rezidua vůči modelu letu nebo digitálnímu dvojčeti.
- Prostorově-časové agregace: porovnání linkových metrik 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
- Práhové 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.
- Brzké 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 pro 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 – vrcholy jsou UAV/nody, hrany jsou linky; detekce anomálních subgrafů (Sybil, wormhole) přes odchylku od naučených graph embeddings.
Tréninkové režimy: dohlížené, nedohlížené a semi-supervised
- Nedohlížené: preferované v praxi kvůli nedostatku labelů; učení normálního chování a detekce odchylek.
- Semi-supervised: malé množství označených incidentů + velké množství neoznačených dat; metody pseudo-labelingu a consistency regularization.
- Dohlížené: pokud existují synteticky generované útoky (SIL/HIL replikace); algoritmy jako XGBoost/LightGBM s interpretací pomocí 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/opotřebení baterie místo náhodných perturbací.
Výpočetní a energetická omezení: optimalizace modelů
- Kompresu modelů: prořezávání, kvantizace (8-bit, int8), distilace student-učitel; cílem jsou 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 ve stádě
- 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: přidání differential privacy šumu, šifrovaná komunikace, validace aktualizací (anomaly gradientů).
Odolnost vůči protivníkovi a adversariální ML
- Adversariální příklady: malý zásah do vybraných příznaků může skrýt útok; použití adversarial training a randomizace vstupů.
- Model stealing/poisoning: chraňte API modelů, ověřujte 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: práh energie, spectral kurtosis, poměr signál/rušení v časově-frekvenční mapě.
- Časové podpisy: rostoucí 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).
- Podpisování a reputace: validace podpisu zpráv, reputační skóre pro zdroje příkazů, rate-limit na kritické příkazy.
- Časová okna: korelace příkaz→odezva; vysoké rezidua signalizují command injection nebo degradaci aktuátorů.
Vyhodnocení: metriky a experimentální design
- Metriky: ROC AUC, PR AUC při nevyváženosti tříd, F1@latency, TTD (Time-to-Detect), FAR (False Alarm Rate) na hodinu letu.
- Krosvalidace: 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, hover, přistání).
- Fail-operational principy: lokální rozhodnutí bez potřeby uplinku; bezpečné defaultní režimy 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 balíky), A/B nasazení s tieňovým vyhodnocením (shadow mode).
Právní a normativní aspekty
IDS může zpracovávat provozní a potenciálně osobní data (telemetrie, video metadata, Remote ID). Nutné je 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/feature contribution) 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.
- Nasadte 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 re-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:
