检索
E-mail
RSS

网络空间安全科学学报 >

2025 , Vol. 3 >Issue 1: 100 - 111

DOI: https://doi.org/10.20172/j.issn.2097-3136.250109

技术应用

低空智联网平台安全态势认知系统与实现

  • 董超 , * ,
  • 尤嘉豪 ,
  • 张磊 ,
  • 崔灿 ,
  • 卜坤伦
展开
  • 南京航空航天大学电子信息工程学院电磁频谱空间认知动态系统工信部重点实验室，南京 211106

网络出版日期: 2025-03-19

基金资助

国家重点研发计划项目（2022YFB3104502）；江苏省重点研发计划项目（BE2021013-4）

版权

版权所有©《网络空间安全科学学报》编辑部 2025
收起

Security situation cognitive system and implementation of low-altitude intelligent network

  • DONG Chao , * ,
  • YOU Jiahao ,
  • ZHANG Lei ,
  • CUI Can ,
  • BU Kunlun
Expand
  • Key Laboratory of Dynamic Cognitive System of Electromagnetic Spectrum Space, Ministry of Industry and Information Technology, College of Electronic and Information Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 211106, China

Online published: 2025-03-19

Copyright

Copyright ©2025 Journal of Aeronautical Materials. All rights reserved.
Fold

摘要

随着低空智联网（Low-Altitude Intelligent Network，LAIN）在智能交通、环境监测和公共安全等领域的广泛应用，低空经济得到快速发展。然而，随着无人机（Unmanned Aerial Vehicle，UAV）和其他空域设备数量的激增，数据源的多样性和复杂性等挑战日益显现，尤其是信息异构性、实时处理需求以及安全风险的管理，成为影响LAIN高效运作和安全保障的关键问题。为了应对这些挑战，设计并实现了一个安全态势认知系统，能够高效整合多源数据并进行实时分析与风险预警。系统首先分析了LAIN数据来源的异构特性，并提出了有效的数据采集与预处理策略。然后结合多接入设备，构建了一个多维数据融合框架，实现了数据的高效整合与统一表征。通过高级威胁检测技术，系统实现了潜在风险的实时识别与预测，通过复杂空域管理中的无人机轨迹预测与风险预警应用验证了系统的有效性。最后，总结了系统面临的挑战，并展望了未来在安全性和智能化方面的研究方向。

关键词： 低空智联网; 多源数据; 多维数据融合框架; 高级威胁检测; 风险预警

本文引用格式

董超 , 尤嘉豪 , 张磊 , 崔灿 , 卜坤伦 . 低空智联网平台安全态势认知系统与实现[J]. 网络空间安全科学学报, 2025 , 3(1) : 100 -111 . DOI: 10.20172/j.issn.2097-3136.250109

Abstract

The rapid development of the low-altitude intelligent network (LAIN) significantly enhances its applications in smart transportation, environmental monitoring, and public security, driving the growth of the low-altitude economy. However, the increasing number of unmanned aerial vehicle (UAV) and other aerial devices introduces substantial challenges. These include the diversity and complexity of data sources, information heterogeneity, the need for real-time processing, and escalating security risks, which pose critical barriers to the efficient operation and secure management of LAIN. To address these challenges, the design and implementation of a security situation cognitive system was presented that could efficiently integrate multi-source data and support real-time analysis and risk warning. The system first analyzed the heterogeneity of data sources in LAIN and proposed effective strategies for data collection and preprocessing. It incorporated a multi-dimensional data fusion framework, leveraging the multi-access devices to achieve efficient data integration and unified representation. Utilizing the advanced threat detection technologies, the system realized real-time risk identification and prediction. Its effectiveness was demonstrated through applications such as UAV trajectory prediction and dynamic risk assessment in complex airspace management scenarios. Finally, the challenges the system faced during implementation were discussed and the insights into future research directions were provided to further enhance the security and intelligence capabilities of LAIN.

Key words： low-altitude intelligent network; multi-source data; multi-dimensional data fusion framework; advanced threat detection; risk warning

0 引言

在2024年3月全国两会中，低空经济首次被写入政府工作报告。两会提出发展新质生产力，积极培育新兴产业和未来产业，打造低空经济等新增长引擎。低空智联网（Low-Altitude Intelligent Network，LAIN）[1–3]作为随着智能交通[4]、无人机技术[5-6]和物联网[7-8]等技术的兴起而快速发展的新兴网络系统，正在推动低空经济的崛起。该系统通过整合低空空域中的无人机、传感器和通信网络，提供高效的实时数据采集、传输和分析能力。在智能交通方面，LAIN具有广泛的应用潜力，包括协助交通管控、优化航线规划、进行无人机交通监测等。同时，LAIN也在环境监测领域发挥着关键作用，通过实时数据的采集与传输，进行空气质量、气象参数和污染源的监控，为环境保护和应急响应提供重要支持。
随着LAIN的普及，低空空域设备数量迅速增加，数据来源的多样性和数据形式的异构性使得信息处理的复杂性加剧，同时信息流量也随之显著提升。首先，数据来源的多样性和数据形式的异构性导致系统难以统一管理和处理。LAIN的数据来自多种传感器、定位系统、影像流和频谱信息，这些数据在格式、结构和更新频率上具有显著差异，使得数据的融合和分析变得极为复杂。其次，由于低空空域设备的高度移动性，系统需要具备实时处理能力，以保障对空域状态的即时感知和应对。然而，现有的处理能力难以满足对大规模异构数据的实时分析需求。此外，低空空域设备的增多也带来了潜在的安全风险，易受到非法入侵等安全威胁，这对低空空域的安全保障提出了更高的要求。
基于以上挑战，亟须构建一个能够集成多源数据、支持实时分析与风险预警的LAIN安全态势认知系统。该系统应具备强大的数据融合能力，能够将LAIN中的多源异构数据进行高效整合，统一表征不同数据来源的信息。此外，系统应具有实时的数据处理架构，支持对低空空域状态的快速评估和对潜在威胁的识别。同时，需要配备高级威胁检测和预测模型，识别可能存在的安全隐患，实现对低空空域的实时监控和预警。设计与实现这样的系统将有效提升LAIN的安全性和管理效率，为智能交通、环境监测和公共安全等领域提供坚实的技术支撑，并推动低空经济的可持续发展。
本文主要针对LAIN中多源异构数据融合与态势感知的需求，提出了一套完整的解决方案。与现有研究相比，本文在以下方面具有创新性：（1）设计了多模态异构数据融合框架，显著提升了复杂动态场景下的融合精度与时序预测能力；（2）提出基于无人机状态、载荷功能和航路偏离的三维度风险评估与分级预警机制，实现了更高的风险适应性和实时响应能力；（3）在系统层面，通过整合多种技术，实现了态势感知、风险预测和预警的一体化设计，为低空空域管理提供了技术支撑。

1 多源数据采集与预处理

1.1 基础技术概述

为在LAIN中实现多源数据融合、安全态势感知及实时威胁预警，本文整合并改进了以下核心技术。
广播式自动相关监视（Automatic Dependent Surveillance-Broadcast，ADS-B）[9-10]。周期性地广播飞行器的位置、速度和高度信息，支持无人机的高精度定位与航线追踪，提升空域管理与监控效率。
卷积神经网络（Convolutional Neural Network，CNN）[11-12]。主要用于图像、视频等高维数据的特征提取，在本系统中支撑飞行器检测与环境感知，为后续风险评估提供视觉证据。
长短期记忆网络（Long Short-Term Memory，LSTM）。可以捕捉时间序列数据的长短期依赖特性，结合整合移动平均自回归模型（Autoregressive Integrated Moving Average，ARIMA）[13-14]等统计方法实现无人机轨迹预测和威胁检测，及时识别故障或恶意攻击征兆。
知识图谱。将传感器数据、频谱信息、飞行动态等映射成语义节点并通过推理引擎进行关联分析，帮助实现异常识别及可扩展的数据管理，减少对原有系统架构的冲击。
依托以上技术，本文构建了一个涵盖数据采集、通信保障、高级威胁检测与预警的体系化方案，为低空空域管理提供了高效、可扩展的安全态势感知能力。

1.2 数据来源分析

如图1所示，LAIN涉及多种异构数据源，为态势感知与实时监控提供了丰富的信息支持，以下为其主要数据来源。
图 1 多源数据采集与预处理

Fig.1 Multi-source data acquisition and preprocessing

传感器数据。包括环境监测传感器（如温度、湿度、大气压力和气体传感器）和设备状态传感器（如电量、引擎温度、振动和结构应力传感器）等的传感数据，用于实时跟踪低空飞行器的外部环境和设备状态，能够帮助识别安全隐患，预测潜在的故障，提高系统的安全性和稳定性。
定位数据。全球定位系统（Global Positioning System，GPS）和北斗导航系统（BeiDou navigation satellite System，BDS）等提供的高精度定位信息[15]，用于确定飞行器的经纬度和高度数据，支持无人机在低空空域的自主导航。通过这些数据，LAIN能够实现高效的低空空域管理，确保不同飞行器的精准定位和轨迹跟踪。
视频流数据。飞行器上安装的高清摄像头可提供图像和视频流，为实时监控、目标识别和环境分析提供视觉支持。视频流数据对带宽需求较高，通常通过第五代移动通信技术（5th Generation mobile communication technology，5G）网络和自组网传输，以保证实时性。必要时，数据需要进行压缩和增强处理，以平衡传输质量与速度。
频谱数据。频谱数据用于分析无线电信号的频率、幅度和相位，确保LAIN通信链路的稳定性。通过频谱监测可以实时检测低空空域中各类无线电活动并避免电磁干扰，从而提高通信的可靠性和安全性。
以上数据具有高度异构性，在格式、结构和更新频率上差异显著。因此，数据处理面临统一表征和融合的挑战，需要进一步的多模态融合技术处理，以实现高效整合和标准化表征。

1.3 数据采集策略

为了确保LAIN在各种应用场景中的数据采集具有实时性、广泛性和稳定性，必须设计一个高效且可靠的数据采集架构，以下为其采集策略。
多接入设备架构设计。如图2所示，系统通过结合ADS-B、5G通信模块和自组网等技术，能够高效地获取无人机和其他设备的数据。其中，ADS-B技术提供无人机的精确位置信息，确保低空空域内设备的动态监控与管理。5G通信模块则支持大带宽数据的传输，如高清影像和传感器数据。自组网技术支持网络多节点之间的数据流传输和转发，能够为网络受限的区域提供高效的覆盖，提升整体系统的稳定性与抗干扰能力，确保数据的实时采集与流畅传输。通过这种多层次、多维度的网络架构设计，LAIN能够在复杂的低空空域环境下实现高效、可靠的数据采集和通信。
图 2 多接入设备

Fig.2 Multiple access devices

数据传输路径优化。LAIN的数据来自各种类型的传感器、设备和无人机，传输需求差异巨大，因此，需要基于不同的数据类型采取适当的频谱分配与链路优化策略。高带宽数据如视频流和图像数据，通过5G网络进行优先传输，确保不会因带宽不足而影响传输质量。同时，通过网络分层机制，将低频、低功耗数据分配到低带宽网络（如LoRa），以避免资源冲突并优化整体网络利用率。此外，LAIN的设备往往具有高速移动性，其位置和状态会随着时间快速改变，因此，当某些传输路径受到干扰或丧失信号时，系统能够自动切换至备用链路，保持传输的稳定性。这种动态链路优化机制，配合抗干扰技术，能够有效提升系统在复杂环境下的数据传输能力，保障信息的快速、可靠传递。
实时数据整合。所有数据通过边缘设备或地面数据中心进行初步处理和筛选，确保只有关键信息被传输到统一的数据库中。在这个过程中，系统会对不同来源的数据进行格式转换、时序同步和数据清洗，消除冗余信息，确保数据的一致性和准确性。同时，数据整合架构能够实现实时的态势感知，确保系统可以快速反应并进行有效的风险预警。通过在边缘和云端的联合处理，LAIN不仅提高了数据采集的实时性，还优化了系统响应速度，降低了处理延时。最终，这种数据整合策略为LAIN提供了精准的信息支持，确保系统在面对复杂任务时依然能够高效处理海量的数据流。

1.4 数据预处理方法

为了应对海量且多样化的传感器数据，以及确保系统在复杂低空空域中的高效运行，预处理方法需要涵盖多个维度，包括数据清洗、去噪与滤波、格式转换与统一以及实时数据压缩与解压等关键技术。
数据清洗。剔除冗余或错误数据，避免异常值影响系统判断。例如，GPS信号受阻时可能产生漂移误差，需要剔除异常点，保障定位数据的准确性。
去噪与滤波。针对传感器数据和视频流等含噪数据，采用信号去噪和滤波技术，如卡尔曼滤波和高斯滤波，清洗数据和消除因环境干扰引入的噪声，提高数据的稳定性和质量。
格式转换与统一。将不同格式的数据（如图像、频谱、文本数据）进行格式转换和标准化处理，统一数据格式，实现不同系统之间的数据交换和处理，方便数据的融合与分析。
实时数据压缩与解压。对于高带宽需求的视频流数据，通过实时压缩技术（如H.265视频编码）对数据进行压缩处理，降低传输带宽，并在接收端实时解压，以保证图像质量和传输效率。
通过上述多源数据采集和预处理策略，LAIN能够实现对复杂低空空域态势的实时感知，提升了响应速度，为安全态势的有效感知与分析提供了坚实的数据基础。

2 多维数据融合与统一表征

2.1 数据融合框架设计

LAIN系统中的多源数据融合是实现实时态势感知的关键。该系统引入多维数据融合框架，通过卷积自编码器[16-17]和LSTM[18]等深度学习技术，将传感器数据、定位数据、视频流和频谱数据等多种异构信息进行有效整合，如图3所示。多维数据融合框架基于卷积自编码器和LSTM网络，结合模态注意力机制实现对多源异构数据的高效整合。首先，卷积自编码器提取图像和视频流的模态特征，同时进行降维处理；其次，LSTM捕捉时序数据中的时间依赖特性，用于对传感器和定位数据的特征进行建模；最后，通过模态注意力机制计算各模态特征的权重，突出关键模态对整体融合的贡献。训练过程中采用交叉熵损失函数和均方误差联合优化，以兼顾分类精度和回归性能。
图 3 基于深度学习的异构数据融合技术

Fig.3 Deep learning based heterogeneous data fusion technology

2.2 异构数据统一表征

多源异构数据的统一表征是LAIN数据融合的核心问题。为实现数据格式和语义的一致性，系统采用基于多模态技术[19-21]和知识图谱[22-23]的统一表征方法。多模态技术通过对多源数据（如文本、图像、时间序列）的共同特征进行提取和语义对齐，实现跨模态数据的综合分析。知识图谱进一步为LAIN提供了一种结构化的信息表示方式，将数据转化为语义关联的知识节点，形成语义网络。通过这种方式，LAIN系统能够在多源异构数据之间建立统一的知识表征，不仅能够实现语义对齐，还可以通过关联推理丰富数据间的语义关系，挖掘多维特征间的隐含关系，从而支持复杂事件的检测与分析，完善系统的风险预警功能。

2.3 动态数据更新与管理

LAIN的数据具有高度的时变特征，这对系统的动态数据更新与管理能力提出了高要求，以适应低空空域环境的实时变化。动态更新机制包括两方面：一是实时数据流的接入与处理，通过边缘计算[24]或流处理平台实现对大量数据的实时处理与快速响应；二是知识图谱的动态扩展与更新，通过不断添加和调整新节点和关系来反映当前低空空域态势的变化，实时更新LAIN中各类飞行器的运营信息和低空空域环境的态势信息，保持知识库的时效性和准确性。此外，系统利用数据缓存和增量更新技术，避免重复计算，提高了更新效率。该动态管理机制使得系统在面对大量传感器数据和实时视频流时，能够迅速响应并动态调整，从而保证态势认知系统的实时性与稳定性。
通过多维数据融合框架、统一表征方法和动态数据更新机制，LAIN系统能够整合多源数据，为低空空域提供全面、实时的态势感知与风险预警支持。这种融合与表征方式不仅解决了数据异构性问题，还显著提升了系统的实时响应能力和预测精度，为LAIN在智能交通、公共安全和环境监测等领域的应用提供了有力支持。

3 安全态势感知与高级威胁检测

3.1 态势感知模型构建

如图4所示，构建LAIN的安全态势感知系统的核心在于多源数据的实时融合和综合分析。该系统通过接入多种数据源（如传感器、视频流、频谱和定位数据）构建全方位的态势监控框架，对低空空域中的动态变化进行持续监测。态势感知模型包括以下部分。
图 4 安全态势感知与高级威胁检测

Fig.4 Security situation awareness and advanced threat detection

数据预处理与标准化。系统首先对所有输入的数据进行预处理和标准化。预处理包括去除噪声、数据清洗、异常值检测和格式统一，使得不同设备、不同格式的数据可以有效融合和格式对齐。例如，通过卡尔曼滤波等算法去除传感器数据中的干扰噪声，确保定位数据的精确度。此外，数据的格式转换和标准化使得后续的数据融合和分析变得更加高效。
实时数据融合。借助多模态数据融合技术将不同类型的数据整合，以形成多维态势信息。系统不仅整合了来自各个传感器的实时数据，还通过智能算法对数据进行深度分析，从而提取关键的安全信息，如飞行器的精确位置、运动轨迹、环境变化等。
信息推理与决策支持。利用知识图谱等技术，构建低空空域态势信息的语义网络，通过节点和关系的形式将不同数据源的信息进行关联，形成全方位的低空空域知识表示。基于这些语义信息，系统不仅能够进行低空空域状态的推理，还能够支持应急管理和决策分析。
通过这些技术的协同作用，LAIN的态势感知系统能够实现实时、准确的动态监控，不仅提供了稳定的低空空域监控能力，还能在复杂环境下迅速做出应对决策，保证低空空域的安全和高效运营。

3.2 威胁检测方法

高级威胁检测技术基于LSTM网络和注意力机制的深度学习框架，实现低空空域异常行为的实时检测与预测。首先，LSTM网络通过历史数据学习正常行为的时序特征，并预测未来行为；其次，注意力机制根据当前环境变化动态地调整特征权重，聚焦潜在威胁数据；最后，通过自动编码器计算输入特征与重构特征之间的误差，将误差作为异常分数，结合Z-score方法进行威胁等级评估。具体威胁检测流程包括以下部分。
数据特征提取。为了更好地识别潜在威胁，系统首先需要从海量的传感器和定位数据中提取关键的行为特征。这些特征包括飞行器的速度、加速度、姿态角、轨迹变化等，能够帮助识别飞行器的异常行为或潜在威胁。通过特征提取，系统能够从原始数据中提取和捕捉有用的信息，为后续的威胁检测提供基础。
异常检测。基于LSTM等深度学习模型，系统可以有效学习飞行器的正常行为模式。LSTM擅长处理时间序列数据，能够捕捉飞行器轨迹的时空依赖关系。在学习过程中，系统能够识别飞行器轨迹中的正常变化规律，并通过与历史数据对比，及时发现任何偏离正常轨迹的异常行为。异常行为包括飞行器偏离预定路径、进入禁飞区域或出现异常停留等，它们均会被系统实时标记并发出警报。
高级威胁识别。对于已识别的异常行为，系统将进一步进行细粒度的威胁分类，基于威胁来源（如外部非法入侵、恶意攻击）和内部异常（如设备故障）进行分组分析。这种分类结合了特定数据特征（如网络流量异常或硬件故障信号），从而实现更精确的威胁识别和响应。通过深度学习模型的帮助，系统可以根据异常行为的特征，判断其可能的威胁类型，并生成对应的响应措施。例如，当检测到飞行器进入限制低空空域时，系统可以判断是飞行器故障导致的误入，还是人为操控的恶意行为，从而采取不同的应急方案。

3.3 实时风险评估与预警

结合历史数据和实时动态数据，系统构建了综合风险评估模型，对低空空域的风险进行实时评估和分级预警，该模型主要包括以下部分。
历史数据分析。为了对当前低空空域风险进行准确评估，系统首先会通过大数据分析方法构建各类风险的特征库。该特征库包括飞行器与低空空域中其他设备互动的历史数据，以及不同低空空域环境下可能出现的安全隐患。通过分析历史数据，系统能够计算出不同类型威胁发生的概率和影响范围，为实时风险评估提供数据支持。
实时数据评估。在实时监控中，系统通过对当前低空空域状态的动态数据进行实时分析，及时发现潜在的安全风险。为了提高评估精度，系统应用贝叶斯分析、马尔可夫链等方法，预测未来可能出现的风险演变，并实时更新风险等级。例如，如果当前监控数据表明某个飞行器即将与另一个飞行器发生碰撞，系统会立即预测碰撞发生的概率，并通过风险等级的更新发出预警。
预警机制。基于实时数据评估，系统的预警机制能够根据风险等级自动生成风险预警并推送给相关操作人员。预警机制分为多个等级，根据风险的严重程度进行分类，并结合智能化通知系统进行快速响应。在突发事件发生时，系统会及时向操作人员提供准确的风险提示，确保决策者能够迅速采取应对措施，最大限度地降低安全风险。
结合无人机状态、载荷功能和航路偏离三个核心维度，对潜在风险进行系统性建模与分级管理。系统通过实时监测无人机端侧的关键参数，如电池状态（包括电量不足和过热）、载荷设备（如相机、ADS-B和5G）的运行状态，以及飞行路径是否偏离预设航线，动态地评估潜在风险。
一级风险：轻微异常，如电量接近临界值或载荷设备功能轻微异常（如相机影像质量下降）。此时，系统发出提示信息，提醒操作员关注。
二级风险：明显异常，如电量低于安全阈值、关键载荷设备部分失效（如ADS-B信号不稳定）或航路偏离超出警戒距离。系统建议调整任务或优先返回。
三级风险：严重异常，如电量极低、载荷设备全面失效或严重偏离航线。系统将采取强制返航或紧急降落等应急措施。
同时，云端管控系统根据风险等级动态地提供响应策略。例如，针对一级风险，仅发送提示信息供操作员参考；对于二级和三级风险，系统通过实时优化路径规划或直接启动应急机制，确保无人机任务的安全完成。
通过精准的端侧威胁检测与高效的风险预警，LAIN可以在智能交通、公共安全和灾害应急等领域中提供可靠的运行保障，显著提升了低空空域的管理效率与安全性。

4 无人机轨迹预测与风险预警应用

4.1 轨迹预测模型

如图5所示，LAIN中的无人机轨迹预测模型是系统的核心组成部分之一，尤其对于复杂的低空空域管理至关重要。该模型的设计依赖精确的时序数据分析，利用深度学习算法如LSTM，对无人机的历史飞行轨迹进行建模，从而预测未来的位置和路径。为了进一步提升预测精度，LSTM与传统的统计学方法如ARIMA相结合，形成混合模型。该混合模型是一种经典的时间序列分析工具，适用于捕捉短期内的趋势变化，能够有效补充LSTM在长期趋势预测中的不足。通过融合两种方法，LAIN的无人机轨迹预测模型能够基于历史飞行数据和环境数据，在复杂低空空域中为无人机的飞行轨迹提供更为精确和可靠的预测结果。这种混合模型不仅能应对短期内的高频率变化，还能在长时间跨度内保持较高的稳定性和准确性，显著提高了低空空域管理的可行性和安全性。
图 5 轨迹预测模型

Fig.5 Trajectory prediction model

此外，轨迹预测模型还能结合实时数据流，如气象变化、低空空域内其他飞行物体的动态信息等，这些数据被实时传输至地面控制系统，辅助预测模型调整预测参数，做到与环境变化同步，使无人机能够在不确定因素的影响下依然保持精确的飞行路径。

4.2 风险预警系统

如图6所示，无人机轨迹预测和风险预警系统是LAIN的另一个关键技术，它能够确保低空空域的安全性和高效性。该系统通过将无人机的轨迹预测结果与实时的低空空域动态信息（如其他飞行器的轨迹、低空空域的气象变化、飞行限制区等）进行比对，使用贝叶斯网络或马尔可夫链等模型，动态地评估风险等级，提供及时的风险预警，确保无人机的安全飞行。
图 6 无人机轨迹预测和风险预警系统

Fig.6 Trajectory prediction and risk warning system of unmanned aerial vehicles

在低空空域管理中，风险预警系统的核心任务是监测和预测无人机与其他飞行物体的潜在冲突，以及预见低空空域中的高风险区域，如飞行障碍、无人机禁飞区或天气突变等。通过将预测的飞行路径与其他飞行器路径比对，系统能够实时识别出可能的碰撞风险。当无人机的预测路径与其他飞行器的轨迹产生交集或接近时，系统能够及时发出警报。这个预警机制不仅能为无人机操作员提供及时的决策依据，还能将危险信息传递给自动控制系统，从而对无人机的飞行路径进行及时调整，实现避碰避撞。
风险评估采用概率模型，如贝叶斯网络或马尔可夫链[25]，这些模型可以在多种不确定因素下对未来风险进行推测。贝叶斯网络能够结合各类数据源，生成一个综合的风险评估模型，量化风险发生的概率。马尔可夫链则擅长处理具有状态转移的动态系统，能够模拟无人机在不同状态下的行为转移，预测不同情况下的飞行风险。通过这些方法，系统可以在不确定性中准确评估潜在风险，进一步提高了实时性和精准度。结合环境感知和深度学习技术，风险预警系统不仅能够处理实时的飞行数据，还能通过持续学习和优化预测模型，做到更精确的实时风险监控。例如，在复杂的城市低空空域中，系统能够动态地识别出各种障碍物，预测相对位置，提供基于环境变化的及时预警。

4.3 应用

轨迹预测与风险预警系统已在低空空域的安全管理中展现出重要应用，尤其在城市交通管理和灾害应急响应等复杂环境中验证了其可靠性和有效性。例如，在城市环境中，该系统能够帮助无人机规避建筑物、避免与其他飞行器碰撞，并为城市交通管理提供数据支持。在灾害应急响应中，轨迹预测与风险预警系统可以快速规划安全路径，支持紧急物资运输、搜索救援等任务，极大地提高了应急效率和安全性。
通过轨迹预测和风险预警系统的联合应用，LAIN在低空空域管理的安全性方面得到了显著提升。该系统的应用不仅提高了无人机在复杂低空空域中的适应性和运行效率，还为无人机自动驾驶、城市低空空域交通管理等提供了可靠的技术支持。这种综合态势感知系统在未来智能化低空空域管理中具有广阔的应用前景，为低空经济的可持续发展提供了有力保障。

5 系统集成与实现

5.1 系统架构

如图7所示，LAIN的安全态势认知系统包括多个协同工作模块，每个模块在数据采集、信息处理和风险预警中发挥着关键作用。系统的集成架构由以下主要模块组成。
图 7 LAIN安全态势认知系统

Fig.7 Security situation cognitive system of LAIN

数据采集与融合模块。该模块负责采集多源异构数据，包括来自传感器的环境数据、GPS和BDS的定位数据、无人机的视频流信息以及频谱数据。所有数据通过统一接口传输至中央数据服务器，并经过预处理后进行格式标准化。该模块支持实时数据采集和多模态数据融合，以提高系统的全面感知能力。
态势感知模块。此模块基于多源数据的融合，利用知识图谱和深度学习算法构建低空空域的态势模型。知识图谱在该模块中用于语义关联，提供动态的情境分析，确保不同来源的数据在语义层面上相互关联。此外，CNN用于图像数据的特征提取和场景识别，实现对当前低空空域态势的实时监测和分析。
威胁检测模块。该模块结合LSTM和注意力机制等深度学习技术，对时间序列数据（如无人机的运动轨迹和传感器数据）进行分析，识别潜在威胁。通过捕捉数据中的时序模式，LSTM能够检测异常行为或突发事件。注意力机制帮助模型专注于高风险数据或特征，提高威胁识别的准确性和效率。
预警模块。在态势感知和威胁检测的基础上，预警模块负责风险评估和分级预警。利用贝叶斯网络或马尔可夫链等概率模型，对潜在风险进行动态评估，并在检测到高风险或潜在冲突时，向用户发出分级警报，协助用户快速决策和行动。这一模块实现了低空的实时安全管理。

5.2 关键技术与实现手段

系统集成了多种先进的算法和技术，提升了LAIN态势认知的深度和准确性。
CNN。主要用于图像和视频数据的处理，通过深度卷积网络提取视觉信息中的关键特征，实现低空空域场景的实时识别。通过多层卷积操作，CNN能够从复杂的视觉信息中提取飞行器的位置、低空空域障碍物、天气状况等关键信息，从而识别潜在威胁和低空空域的动态变化。
LSTM。LSTM广泛应用于时间序列分析，尤其是无人机轨迹的预测与异常行为检测。通过分析历史轨迹数据，LSTM能够精确预测未来的飞行路径，并检测异常行为，如偏离预定航线或进入禁飞区等。系统能够在发现轨迹异常时迅速发出警报，有效保障飞行安全。
知识图谱。知识图谱用于在LAIN中构建多源数据之间的语义关联，为不同数据源提供统一的语义表示。通过将各种异构数据（如传感器、视频流、GPS数据等）转化为知识节点并建立节点间的关系，知识图谱帮助系统实现数据的语义融合和结构化管理。它能够为复杂的低空空域环境提供清晰的语义表示，从而支持复杂事件的推理与因果分析。
注意力机制。注意力机制[26]能够增强模型对关键信息的聚焦，特别是在威胁检测任务中，帮助系统集中关注高风险特征（如速度异常、轨迹偏移、潜在冲突等）。通过有效避免信息过载，注意力机制确保系统在复杂环境下能够快速做出反应，提高威胁识别的精准度和响应速度。

5.3 系统界面设计

系统界面设计的核心是实现态势信息的可视化，确保用户能够直观、便捷地监控低空空域的状态。如图8所示，系统界面主要包括以下功能。
图 8 系统界面

Fig.8 System interface

数据可视化。将采集到的多源数据以图表、地图和热力图等形式呈现，如显示无人机实时位置、航线、周围环境信息等，让用户快速理解当前态势。
风险预警展示。当系统检测到潜在风险时，界面会动态地显示预警信息，包括风险等级、位置、潜在冲突对象等，支持用户的快速响应和决策。
交互式控制面板。用户可以通过界面实时查看低空空域的整体情况，调整无人机的飞行策略或进行其他安全管理操作。通过交互式操作界面，用户可以随时调整态势感知的视角和范围，以适应不同任务的需求。
通过系统架构、关键技术和界面设计的结合，LAIN的安全态势认知系统能够有效支持实时的态势监控、潜在威胁识别和安全预警。各模块间的协作实现了对低空空域的全面管理，为无人机在复杂低空空域中的安全运行提供了有力的技术支持，为未来智能化、自动化的低空空域管理奠定了坚实的基础。

6 挑战与未来展望

6.1 当前挑战

LAIN的安全态势认知系统在实际应用中面临以下关键挑战。
高实时性需求。随着低空空域中无人机和其他设备数量的持续增加，系统对实时数据处理的要求变得更加严格。然而，当前的态势认知系统在数据传输和处理速度上存在一定的延迟，可能导致关键事件无法及时响应。要实现更高的实时性，系统需要优化数据流处理架构，以提升整体响应速度。
大规模数据处理。LAIN的数据来源非常多样，包括传感器、视频流、频谱信息等，数据量巨大且异构化程度较高。现有系统在处理和存储如此海量且多样的数据时，效率较低，数据融合与清洗过程耗时且资源密集。要满足复杂低空空域管理的需求，系统需要提升数据处理能力，并提高存储和计算的效率。
安全防护的局限性。在低空空域中，信息泄露和网络攻击的风险始终存在，尤其是在多源数据接入和云端计算的场景下，保障数据安全和用户隐私变得更加复杂。目前的系统在应对外部攻击和内部数据泄露方面的防护机制尚不够完善，亟须增强安全策略和数据加密措施。

6.2 未来研究方向

针对以上挑战，未来的研究方向可以从以下几个方面进行拓展。
第六代移动通信技术（6th Generation mobile networks，6G）的应用。随着6G[27-28]网络的发展，LAIN能够获得更高的带宽和更低的延迟，这将显著提升数据传输效率与实时性。在低空空域管理系统中应用6G技术可以实现更快的数据传输速率，为态势感知和威胁预警提供更及时的支持，确保关键数据的实时传递。
边缘计算的集成。将边缘计算技术深度融入LAIN架构，直接在低空空域的边缘设备上进行数据处理。通过引入动态任务分配算法，减轻中心服务器的计算负担，并显著减少数据回传的延迟，进一步提高系统响应速度和实时处理能力。
智能算法的优化。随着深度学习和机器学习的进一步发展，未来系统将具备更强的智能化和自动化能力[29-30]。智能算法可用于优化无人机的路径规划和风险预警模型，通过强化学习等方法提升系统对环境变化的适应性和决策准确性。此外，多模态数据的整合与解析也将更加高效，从而提高威胁检测和异常识别的精度。
高度自动化的低空空域管理。在未来的低空空域管理中，系统将逐步实现更高的自动化水平，包括无人机的自主导航、风险规避及事件响应等操作。这不仅减轻了操作人员的负担，还通过人工智能算法实现了更高效的低空空域管理，使得系统能够在高动态环境下实现自适应的态势管理和快速的风险应对。
未来，LAIN的安全态势认知系统将在6G通信、边缘计算和智能算法的支持下，显著提升实时处理能力与智能化水平。系统性能、响应速度和安全防护的不断优化，将为低空空域的有效管理和风险预警提供技术保障，从而为低空经济的可持续发展奠定坚实的基础。

7 结束语

本文系统提出了一种基于LAIN的安全态势认知解决方案，创新性地实现了多源数据融合、态势感知以及实时威胁检测。系统通过整合传感器、视频流、频谱信息等多种数据源，构建了高效的多模态数据融合框架，能够实时分析低空空域中的动态变化习算法和数据处理技术。系统实现了对无人机轨迹的高精度预测，并结合贝叶斯网络等方法增强了威胁检测的实时性和准确性，为低空空域管理提供了重要的安全保障。系统在实际应急通信与调控等场景中均展现了优异的表现，它不仅能有效减少低空空域中飞行器之间的碰撞风险，还能在紧急情况下快速响应，通过对未来风险的精确预警，提升了低空空域管理的安全水平。该系统的成功实施为LAIN在智能低空空域管理方面的高效、精准控制奠定了基础。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
吴启晖, 董超, 贾子晔, 等. 低空智联网组网与控制理论方法[J]. 航空学报, 2024, 45 (3): 6- 23.

WU Q H, DONG C, JIA Z Y, et al. Networking and control mechanism for low-altitude intelligent networks[J]. Acta Aeronautica et Astronautica Sinica, 2024, 45 (3): 6- 23.

2
樊邦奎,李云,张瑞雨. 浅析低空智联网与无人机产业应用[J]. 地理科学进展,2021,40(9):1441-1450.

FAN B K,LI Y,ZHANG R Y. Initial analysis of low-altitude internet of intelligences (IOI) and the applications of unmanned aerial vehicle industry[J]. Progress in Geography,2021,40(9):1441-1450.

3
董超,经宇骞,屈毓锛,等. 面向低空智联网频谱认知与决策的云边端融合体系架构[J]. 通信学报,2023,44(11):1-12.

DONG C,JING Y Q,QU Y B,et al. Cloud-edge-device fusion architecture oriented to spectrum cognition and decision in low altitude intelligence network[J]. Journal on Communications,2021,40(9):1441-1450.

4
ZHANG J P, WANG F Y, WANG K F, et al. Data-driven intelligent transportation systems: A survey[J]. IEEE Transactions on Intelligent Transportation Systems, 2011, 12 (4): 1624- 1639.

DOI

5
ADNAN M H, ZUKARNAIN Z A, AMODU O A. Fundamental design aspects of UAV-enabled MEC systems: A review on models, challenges, and future opportunities[J]. Computer Science Review, 2024, 51, 100615.

DOI

6
YOU J H,JIA Z Y,DONG C,et al. Computation offloading for uncertain marine tasks by cooperation of UAVs and vessels[C]//ICC 2023-IEEE International Conference on Communications. IEEE,2023:666-671.

7
LIEN C W,VHADURI S. Challenges and opportunities of biometric user authentication in the age of IoT:A survey[J]. ACM Computing Surveys,2023,56(1):1-37.

8
JIA Z Y, YOU J H, DONG C, et al. Cooperative cognitive dynamic system in UAV swarms: Reconfigurable mechanism and framework[J]. IEEE Vehicular Technology Magazine, 2024, 19 (3): 90- 101.

DOI

9
LIAO Y Y, JIA Z Y, DONG C, et al. Interference analysis for coexistence of UAVs and civil aircrafts based on automatic dependent surveillance-broadcast[J]. IEEE Transactions on Vehicular Technology, 2024, 73 (10): 15911- 15915.

DOI

10
ZHANG Y,JIA Z Y,DONG C,et al. Recurrent LSTM-based UAV trajectory prediction with ADS-B information[C]//GLOBECOM 2022-2022 IEEE Global Communications Conference. IEEE,2022:1-6.

11
CHUA L O, ROSKA T. The CNN paradigm[J]. IEEE Transactions on Circuits and Systems I: Fundamental Theory and Applications, 1993, 40 (3): 147- 156.

12
HE K M,GKIOXARI G,DOLLAR P,et al. Mask R-CNN[C]//Proceedings of the IEEE International Conference on Computer Vision. IEEE,2017:2961-2969.

13
GUO J Q, HE H W, SUN C. ARIMA-based road gradient and vehicle velocity prediction for hybrid electric vehicle energy management[J]. IEEE Transactions on Vehicular Technology, 2019, 68 (6): 5309- 5320.

DOI

14
CALHEIROS R N, MASOUMI E, RANJAN R, et al. Workload prediction using ARIMA model and its impact on cloud applications’ QoS[J]. IEEE Transactions on Cloud Computing, 2015, 3 (4): 449- 458.

DOI

15
GAO W G, ZHOU W, TANG C P, et al. High-precision services of BeiDou navigation satellite system （BDS）: Current state, achievements, and future directions[J]. Satellite Navigation, 2024, 5 (1): 20.

DOI

16
LIU Z Z, ZHANG W Y, LIN S W, et al. Heterogeneous sensor data fusion by deep multimodal encoding[J]. IEEE Journal of Selected Topics in Signal Processing, 2017, 11 (3): 479- 491.

DOI

17
ZHAO Z N, GUO H W, WANG Y. A multi-information fusion anomaly detection model based on convolutional neural networks and autoencoder[J]. Scientific Reports, 2024, 14 (1): 16147.

DOI

18
OUNOUGHI C, BEN YAHIA S. Data fusion for ITS: A systematic literature review[J]. Information Fusion, 2023, 89, 267- 291.

DOI

19
LAHAT D, ADALI T, JUTTEN C. Multimodal data fusion: An overview of methods, challenges, and prospects[J]. Proceedings of the IEEE, 2015, 103 (9): 1449- 1477.

DOI

20
DUAN J W, XIONG J Q, LI Y H, et al. Deep learning based multimodal biomedical data fusion: An overview and comparative review[J]. Information Fusion, 2024, 112, 102536.

DOI

21
GANDHI A, ADHVARYU K, PORIA S, et al. Multimodal sentiment analysis: A systematic review of history, datasets, multimodal fusion methods, applications, challenges and future directions[J]. Information Fusion, 2023, 91, 424- 444.

DOI

22
ZHONG L F,WU J,LI Q,et al. A comprehensive survey on automatic knowledge graph construction[J]. ACM Computing Surveys,2023,56(4):1-62.

23
XUE B C, ZOU L. Knowledge graph quality management: A comprehensive survey[J]. IEEE Transactions on Knowledge and Data Engineering, 2023, 35 (5): 4969- 4988.

24
RANAWEERA P,JURCUT A,LIYANAGE M. MEC-enabled 5G use cases:A survey on security vulnerabilities and countermeasures[J]. ACM Computing Surveys,2021,54(9):1-37.

25
NORRIS J R. Markov chains[M]. Cambridge:Cambridge University Press,1998.

26
VASWANI A,SHAZEER N,PARMAR N,et al. Attention is all you need[C]//Advances in Neural Information Processing Systems. Curran Associates Inc.,2017,30.

27
LU Y, ZHENG X R. 6G: A survey on technologies, scenarios, challenges, and the related issues[J]. Journal of Industrial Information Integration, 2020, 19, 100158.

DOI

28
NGUYEN V L, LIN P C, CHENG B C, et al. Security and privacy for 6G: A survey on prospective technologies and challenges[J]. IEEE Communications Surveys & Tutorials, 2021, 23 (4): 2384- 2428.

29
ZHANG A, ZHU H, SUN X Y. Manufacturing intelligentization and technological innovation: Perspectives on intra-industry impacts and inter-industry technology spillovers[J]. Technological Forecasting and Social Change, 2024, 204, 123418.

DOI

30
YAO J C, ZHANG S Y, YAO Y, et al. Edge-cloud polarization and collaboration: A comprehensive survey for AI[J]. IEEE Transactions on Knowledge and Data Engineering, 2023, 35 (7): 6866- 6886.

Options
文章导航

/

〈 〉

禁止存储和处理涉密及内部敏感信息
网站版权 © 《网络空间安全科学学报》编辑部
地址：北京市西城区月坛北小街2号院1号楼　
邮编：100037　
电话：010-89061756/89061778　
E-mail：wlkjaqkxxb@caasse.cn
技术支持：北京玛格泰克科技发展有限公司

京ICP备16032046号-20