Research on airborne CAN intrusion detection of UAV based on deep learning

LI Teng; WEI Zhili; DANG Zexu; MA Jianfeng

doi:10.20172/j.issn.2097-3136.250304

Journal of Cybersecurity >

2025 , Vol. 3 >Issue 3: 57 - 67

DOI: https://doi.org/10.20172/j.issn.2097-3136.250304

Academic Research

Research on airborne CAN intrusion detection of UAV based on deep learning

LI Teng ¹^,² ,
WEI Zhili ^,¹^,* ,
DANG Zexu ¹ ,
MA Jianfeng ¹

Expand

1. School of Cyber Engineering, Xidian University, Xi’an 710126, China
2. Songshan Laboratory, Zhengzhou 450018, China

Online published: 2025-08-20

Copyright

Fold

Abstract

With the extensive application of UAVs in social production, their security issues have become increasingly prominent, particularly in the realm of communication and network security. Due to the deficiency of security mechanisms in design, the airborne CAN bus network is prone to be exploited by malicious devices, and the communication data may be tampered with or monitored, thereby posing severe security threats. The fundamental cause of this problem lies in that the initial design of the CAN bus prioritizes communication efficiency and low resource consumption, but neglects the security requirements, and is incapable of coping with the current complex security situation and diversified attack means. Additionally, the constrained resource environment of the UAV platform makes it challenging to directly apply traditional authentication and encryption technologies to the CAN bus network. To address this issue, an intrusion detection approach for the CAN bus network of UAVs based on an enhanced generative adversarial network (GAN) is proposed. This approach utilizes the game mechanism between the generator and the discriminator to generate pseudo-samples to enhance the training effect of the discriminator and improve the detection performance. Based on this approach, an experimental framework is established, and its validity and feasibility are verified in the resource-constrained environment. The experimental results show that the enhanced GAN model improves accuracy, recall, and F1 score by an average of about 5.56%, 3.93%, and 4.34% compared to the other three advanced deep learning models, respectively. This demonstrates its efficiency and reliability in drone CAN bus intrusion detection, providing important technical support and reference value for drone system security.

Key words： UAV; airborne CAN bus network; intrusion detection; generative adversarial networks; deep learning

Cite this article

LI Teng , WEI Zhili , DANG Zexu , MA Jianfeng . Research on airborne CAN intrusion detection of UAV based on deep learning[J]. Journal of Cybersecurity, 2025 , 3(3) : 57 -67 . DOI: 10.20172/j.issn.2097-3136.250304

0 引言

随着无人机^[1]技术的快速普及，无人机已广泛应用于物流配送、农业监控、环境监测、灾害救援等领域^[2-3]，其在提升作业效率和信息获取能力方面的优势日益显著。然而，无人机系统内部的通信主要依赖于CAN（Controller Area Network）总线网络及其上的电子控制单元^[4] （Electronic Control Unit，ECU）。CAN总线协议^[5]最早用于汽车工业，是一种高效且实时的通信协议，确保了不同子系统之间的顺畅通信。无人机中的关键组件如飞行控制系统、传感器、摄像设备等通过CAN总线进行实时数据传输，构成了复杂的通信网络^[6]。

尽管CAN总线在通信效率和实时性方面具有显著优势，但其缺乏基础的安全机制，未能有效抵御外部攻击者的入侵。例如，CAN总线协议采用广播通信模式，所有接入总线的ECU均可以发送或接收数据包^[7-9]，且没有身份验证、加密等措施。这意味着一旦恶意ECU接入该网络或原有ECU被劫持，攻击者可以伪造报文、截获敏感数据，甚至在无人机关键任务执行过程中通过劫持或中断通信来操控无人机。这种攻击可能导致从信息泄露到设备完全失控等一系列严重的安全后果^[10]。

在此背景下，针对无人机CAN总线网络的安全防护需求显得尤为迫切^[11]。当前的研究表明，传统的加密通信和身份验证方案^[12]虽然适用于一般网络环境，但由于无人机系统的硬件资源有限，难以在无人机平台上实现。为应对日益复杂的攻击手段，具有自主学习和动态响应能力的基于深度学习的入侵检测系统（Intrusion Detection System，IDS）逐渐成为无人机CAN总线安全研究的热点方向。

近年来，基于深度学习^[13]的入侵检测技术在多个网络安全领域取得显著成效。在无人机CAN总线网络的入侵检测中，深度学习的应用^[14]主要集中于深度神经网络（Deep Neural Network，DNN）、循环神经网络（Recurrent Neural Network，RNN）、长短期记忆网络（Long Short-Term Memory Network，LSTM）等模型，通过这些模型自动识别正常通信行为与异常攻击行为的差异。然而，这些模型在应用于无人机CAN总线网络时，仍然面临诸多技术挑战，主要表现在以下几个方面。

（1）样本稀缺性：传统的深度学习模型通常需要大量的高质量数据集进行训练，以确保模型的泛化能力。然而，无人机CAN总线网络的公开数据集极为有限，尤其是涉及实际攻击行为的数据样本稀缺。这种数据不足会导致模型的识别精度低，难以有效检测新的攻击类型。

（2）训练不稳定性：在缺乏足够攻击样本的情况下，深度学习模型可能无法稳定地从现有数据中学习到可靠的特征，模型容易出现过拟合或欠拟合的现象。这会导致模型在识别恶意攻击时产生误报或漏报，降低了其实际应用效果。

（3）资源约束的限制：无人机平台的资源有限，通常无法支持高计算复杂度的深度学习模型。现有的入侵检测技术如果要求过高的计算资源，可能会影响无人机的其他任务，甚至危及其正常运行。因此，开发计算负担较小、检测效率较高的深度学习入侵检测模型显得尤为重要。

针对以上挑战，生成对抗网络（Generative Adversarial Network，GAN）^[15]作为一种新兴的深度学习技术，展示出其在攻击样本生成中的潜力。GAN模型能够通过生成器与判别器的对抗训练，生成近似真实的数据样本，从而在一定程度上弥补数据稀缺的问题^[16]。然而，原始GAN模型在无人机机载CAN总线的入侵检测应用中仍然存在样本生成质量不高、模型训练不稳定的问题。本文重点解决如何在有限资源下有效提高无人机机载CAN总线入侵检测的准确性和效率这一科学问题。为此，本文提出了一种基于增强型GAN模型的入侵检测方法，通过生成器与判别器的对抗训练，缓解数据稀缺问题，并优化模型结构与训练策略，提升检测精度与稳定性。

本文的主要贡献如下：

（1）提出了一种基于增强型GAN模型的无人机机载CAN总线网络入侵检测方法，利用生成器和判别器的博弈机制，在缺乏公开数据集的情况下，通过生成数据辅助判别器的训练，解决了传统深度学习模型缺乏数据导致性能下降的问题；

（2）针对增强型GAN模型中判别器在真实样本和类别判断能力方面训练不平衡的问题，通过对模型结构、损失函数和训练策略的优化，提高了入侵检测的精确度和稳定性；

（3）设计并实现了无人机机载CAN总线网络入侵检测的实验框架，在真实数据集和无人机实验平台上验证了所提出方法的有效性，证明了其能够高效、准确地识别多种CAN总线网络攻击，保障无人机系统的安全性。

1 研究背景与相关工作

CAN协议是无人机通信的重要基础，其消息格式如下。

标识符（ID）：表示消息的优先级和内容，支持标准11位或扩展29位。

数据长度码（DLC）：指示数据段的长度，范围为0~8 byte。

数据字段：实际传输的数据，最大为8 byte。

控制字段：标志帧类型（数据帧或远程帧）及其他特性。

校验字段（CRC）：确保消息完整性，用于错误检测。

ACK字段：接收节点对消息的确认。

UAVCAN在CAN协议的基础上扩展了应用层功能，其帧结构包括以下特性：

优先级：与CAN一致，0为最高优先级，31为最低优先级。

消息类型ID：标识消息内容类型。

节点ID：设备节点的唯一标识符，用于区分不同设备。

区分码：在节点ID自动分配过程中防止冲突。

尾字节：包括起始标志、结束标志、翻转标志和传输ID，用于标记多帧消息的边界和序列。

通过这种扩展，UAVCAN更适应无人机复杂的分布式通信需求。

无人机系统的内部通信主要依赖于CAN总线协议，这种协议原本用于汽车行业，设计目标侧重于低时延和高效传输，较少考虑到安全需求。CAN总线采用广播通信模式，在该模式下，任何接入总线的电子控制单元都可以发送和接收数据。由于缺乏身份验证和加密机制，一旦恶意设备接入该网络，攻击者可以利用总线的广播特性对网络中的通信进行操控、监听或篡改，可能存在从信息泄露到无人机失控的安全隐患。

尽管传统的加密方法可以提高CAN总线的安全性，但由于无人机的计算资源有限，传统的加密方案难以直接应用于无人机的CAN总线网络。此外，现有的身份验证或基于密钥的加密方案可能会显著增加系统的计算负担，进而影响无人机任务的正常执行。因此，设计轻量级的入侵检测方法以适应无人机平台的资源限制，同时确保通信的实时性和安全性，成为研究的重点。

在无人机CAN总线入侵检测的研究中，现有方法可分为非机器学习方法和基于机器学习的方法，分别适用于不同的安全需求和攻击类型。

1.1 非机器学习方法

非机器学习方法主要依赖于传统统计和数据分析方法，通过监控CAN总线网络的特定参数变化来检测异常行为。这类方法具有实现简单、资源占用少的优点，但在面对复杂的攻击场景时准确性不足。常见的非机器学习方法包括以下几类。

（1）基于指纹的检测方法^[17-18]：主要利用CAN总线上ECU的唯一硬件指纹信息，来检测非法接入节点。具体来说，CAN总线中每个ECU具有特定的硬件指纹，例如消息发送频率、时间间隔等。通过采集这些特征，建立正常操作下的指纹模式，以便检测偏离该模式的异常通信行为。此方法的优点是无须修改硬件或软件，然而，由于车辆或无人机的ECU在长期使用中会发生一定的行为变化（例如设备老化或操作环境变化），指纹模式可能不再准确，从而影响检测效果。此外，基于指纹的检测方法仅适用于物理层，难以检测来自应用层的攻击。

（2）基于参数监控的方法：通过监控CAN总线的消息传输参数来检测异常行为，主要分为基于频率的检测^[19]和基于远程帧的检测^[20]。基于频率的检测方法监控CAN总线消息的传输间隔，若传输间隔超出正常范围，则表明存在异常行为。基于远程帧的检测方法，则通过分析远程帧的传输偏移比来检测异常。这些方法在周期性流量中通常表现较好，但在非周期性流量或面对未知攻击时的适应性较差。通常需要较高的计算负担和进行比较的操作，这可能影响系统的实时性。

（3）基于信息熵的方法^[21]：通过测量CAN总线网络流量的熵值变化来识别异常行为。在正常通信条件下，CAN总线的熵值相对稳定，当出现恶意通信或攻击行为时，熵值会发生明显变化。此方法无须先验知识，因此具有一定的通用性，但其检测效果依赖于合适的阈值设定，而阈值通常受到网络规模、数据类型等因素的影响，导致在实际应用中不够稳定。此外，由于信息熵方法无法检测少量的恶意通信行为，其适用范围存在一定的局限。

1.2 基于机器学习的方法

随着深度学习和机器学习技术的发展，基于机器学习的入侵检测方法逐渐成为CAN总线安全研究的主流方向。机器学习模型能够通过数据训练自动识别CAN总线网络中的异常模式，尤其适用于应对复杂的攻击类型。然而，无人机平台资源有限，CAN总线数据样本稀缺，给深度学习模型的应用带来了挑战。典型的机器学习方案包括传统机器学习模型和深度学习模型。

（1）传统机器学习模型。支持向量机^[22]、决策树^[23]和随机森林^[24]等传统机器学习模型已经在CAN总线入侵检测中展现出良好的性能。这些模型通过分析特征向量来识别正常通信和异常行为，具有较高的检测精度。然而，这些模型通常对大规模训练数据依赖性较强，在无人机平台这种样本稀缺的环境中，难以实现高精度的入侵检测。

（2）深度学习模型。近年来，深度神经网络、循环神经网络^[25]和长短期记忆网络^[26]等深度学习模型逐渐应用于CAN总线入侵检测中。深度学习模型通过自动提取数据特征，能够较为精确地识别复杂的攻击模型。然而，由于深度学习模型需要大量的高质量数据集才能达到理想的检测效果，无人机的CAN总线数据样本稀缺性和样本不平衡性问题限制了深度学习模型的实际应用。此外，这些深度学习模型的计算复杂度较高，难以满足无人机平台的实时检测需求。

为了缓解样本稀缺性问题，生成对抗网络被引入到无人机CAN总线的入侵检测中。GAN模型通过生成器和判别器的对抗训练生成伪样本，能够在一定程度上补充真实攻击样本的不足，提升检测系统的泛化能力。在初期的研究中，基础GAN模型在入侵检测中虽然有效，但由于训练不稳定、样本生成质量不高，仍然难以在无人机的资源受限平台上稳定运行。在文献[15]中，作者首次在CAN总线入侵检测系统中使用了生成式对抗网络，该文提出的模型将DNN与GAN进行结合，然而在这项研究中GAN模型对混合模型的检测精度贡献较小，贡献较大的是DNN模型，且提出的模型无法解决训练样本较少的问题。为了解决样本不足的问题，文献[27]中的入侵检测系统在训练和检测阶段都采用了纯GAN模型，实验表明，GAN模型比DNN和GAN混合模型具有更高的检测精度。

2 方案设计

2.1 系统模型

本文旨在构建基于增强型GAN模型的无人机CAN总线网络入侵检测系统。系统模型主要包含3个模块：数据收集与预处理模块、生成器模块、判别器模块。系统总体框架如图1所示。

显示原图|下载原图ZIP|生成PPT

图 1 系统总体框架

Fig.1 Overall system framework

数据收集与预处理模块：该模块负责采集无人机CAN总线网络中的实时数据，并根据不同的攻击类型生成相应的攻击样本。在预处理过程中，数据根据时间戳和消息ID进行归一化和编码，并转换为适合输入GAN模型的格式。

生成器模块：该模块旨在通过输入随机噪声和攻击标签，生成与真实攻击样本相似的虚假样本。生成器通过不断优化和调整参数，提高生成样本的真实性，以有效支持后续判别器的训练。

判别器模块：该模块负责对输入的CAN消息块进行真实性和攻击类别的判别。判别器分为两部分：一部分用于判断消息块的真实性，另一部分用于对不同攻击类型进行分类。通过将判别结果反馈给生成器，增强模型的检测效果和攻击样本生成能力。

2.2 威胁模型

在威胁模型中，向无人机CAN总线网络中接入一个节点，将其看作是接入无人机CAN总线网络的恶意节点，或者被劫持的节点，攻击者通过该节点来攻击无人机CAN总线网络，以实现瘫痪无人机子系统、破坏无人机使其坠毁或使无人机偏离预定航线的目的。本文主要考虑了目前在CAN总线网络中常见的攻击方式：洪泛攻击、模糊攻击以及重放攻击，通过在无人机CAN总线网络上发送相应的报文来迫使无人机系统出现故障。

洪泛攻击通过高频率发送高优先级消息阻断正常通信，其特点是攻击强度高、破坏性大。这种攻击场景不仅验证了模型对异常通信行为的敏感性，还展现了其对突发性攻击的检测能力。模糊攻击利用伪造或随机构造的消息扰乱系统运行，具有较强的不确定性和复杂性。模型需要提取细粒度的语义特征才能区分正常通信与模糊攻击，这充分说明了增强型GAN在特征提取与判别能力方面的优势。重放攻击通过捕获并重新发送历史消息干扰系统，其隐蔽性较强且难以通过传统检测手段识别。模型在这种场景下的有效性进一步说明其对潜在威胁的识别能力。

通过这3种攻击场景，威胁模型已经涵盖了典型的攻击类型：从显著性强的洪泛攻击到隐蔽性高的重放攻击，再到复杂随机性的模糊攻击。基于以上内容，本节引入一个主动攻击的敌手A，敌手A具备以下能力：

1）敌手A可以接收无人机CAN总线网络上的所有报文；

2）敌手A已经知道所攻击的无人机CAN总线网络上所有报文ID对应的功能；

3）敌手A可以在无人机CAN总线网络上发送任意的报文。

对于威胁模型来说，敌手A所具备的能力来源于无人机CAN总线网络自身的安全缺陷，在现实中也是完全可行的。

2.3 数据收集与预处理

无人机CAN总线网络数据通常不公开，因此，本文基于真实无人机平台设计并模拟了3种典型攻击类型：洪泛攻击、模糊攻击和重放攻击。每种攻击方式均针对CAN总线网络的特性，真实地模拟攻击对网络的影响，为模型提供高质量的训练数据。

洪泛攻击：该攻击通过高频率地向CAN总线发送最高优先级的报文，旨在消耗总线资源，使得正常报文无法及时传输。数据收集过程中，将节点的报文频率设定为常规值的数倍以上。

模糊攻击：该攻击通过向总线注入随机值，触发未知漏洞，使得系统异常。数据采集过程中，CAN报文的ID和数据负载部分将被随机替换，模拟可能的异常行为。

重放攻击：该攻击将之前捕获的正常报文再次发送到总线中，造成总线重复接收相同的信息。数据采集中，先采集并保存关键报文ID，再通过重复发送这些报文模拟重放攻击的影响。

在数据预处理阶段，将每64条连续的CAN报文构成一个消息块，并对消息块按时间戳和消息ID进行归一化处理。每条消息的时间戳被转换为相对时间差，以减少数据同步误差的影响。处理后的消息块被编码为二进制字符串，并进一步转化为41×64的矩阵，生成对应的黑白像素图片作为GAN模型的输入数据。处理后的UAVCAN消息块样本示例如图2所示。

显示原图|下载原图ZIP|生成PPT

图 2 UAVCAN 消息块样本示例

Fig.2 Sample example of UAVCAN message block

2.4 增强型GAN模型结构

增强型GAN模型由生成器（Generator）和判别器（Discriminator）两部分组成。生成器用于生成模拟的攻击样本，而判别器则用于对输入样本的真实性和类别进行判别。在训练过程中，生成器和判别器通过相互博弈提升彼此的性能，从而提高系统对无人机CAN总线网络入侵的检测效果。

生成器和判别器均引入了卷积层，考虑到无人机资源约束的限制，仅采用3个卷积层实现CAN消息块对应位图的图像处理。卷积层的计算复杂度主要取决于输入特征图的大小、卷积核的尺寸和层数。采用3层卷积网络不仅能有效提取CAN消息特征，还能避免高层网络带来的额外计算和内存负担。此外，模型的参数规模远低于传统深度学习模型，推理阶段的计算量与存储需求均适配无人机平台的资源限制。

2.4.1 生成器

生成器接收随机噪声和标签作为输入，通过全连接层、卷积层、批归一化层等神经网络层生成攻击样本。生成器旨在学习攻击样本的分布规律，使生成的样本能够以假乱真地欺骗判别器。生成器的训练目标是最大化判别器的损失函数，使得判别器误判生成的攻击样本为真实样本。

具体而言，原始生成器的损失函数为：

$ {L}^{\left(G\right)}={E}_{z~{p}_{z}\left(z\right)}[\mathrm{log}(1-D(G\left(z\right)\left)\right)] $

其中，

$ z $

表示随机噪声, G(z)表示生成的攻击样本，D为判别器,

$ {p}_{z}\left(z\right) $

表示输入噪声

$ z $

的分布，

$ {L}^{\left(G\right)} $

是交叉熵损失函数, 通过最小化

$ {L}^{\left(G\right)} $

来使判别器尽可能将生成的假样本判断为真样本。

下面将按以下步骤对生成器进行改进。

（1）生成器首先以随机噪声作为输入，经过前向传播后生成一个UAVCAN消息块，记为：

$ y=G\left(z\right) $

，

$ y $

表示生成的UAVCAN消息块。

（2）假设生成的消息块可以在8个不同的标签下被分类，这些标签包括6种攻击类型和2种正常类型。标签的实际概率集表示为

$ {P}_{\mathrm{r}\mathrm{e}\mathrm{a}\mathrm{l}}\left(y\right)=\{{p}_{0},{p}_{1},\cdots ,{p}_{7}\} $

，其中，

$ {p}_{i} $

表示标签代码为

$ i $

时的实际概率值。

在表1中，定义了8种不同的UAVCAN消息类型。例如：DoS_GNSS（标签0），实际概率为0; Normal_GNSS（标签4），实际概率为1。这些概率集代表每种标签的真实情况。

表 1 标签分类

Table 1 Label classification

消息类型	标签代码	真实类别概率$ R\left(y\right) $	判别器判断的类别概率$ O\left(y\right) $
DoS_GNSS	0	0	0.5
DoS_propulsion	1	0	0.2
FuzzyAttack_GNSS	2	0	0.1
FuzzyAttack_propulsion	3	0	0.3
Normal_GNSS	4	1	0.7
Normal_propulsion	5	0	0.4
ReplayAttack_GNSS	6	0	0.1
ReplayAttack_propulsion	7	0	0.1

（3）生成的UAVCAN消息块会作为输入传入判别器，判别器输出预测的概率集为：

$ {P}_{\mathrm{f}\mathrm{a}\mathrm{k}\mathrm{e}}\left(y\right) $

$ {p}_{0}^{\prime} $

$ {p}_{1}^{\prime} $

,…,

$ {p}_{7}^{\prime} $

}，其中，

$ {p}_{i}^{\prime} $

表示标签代码为

$ i $

时，判别器判断消息块属于该标签的概率。例如，假设判别器认为

$ {p}_{4}^{\prime} $

=0.7，即消息块属于正常导航系统（Normal_GNSS）的概率最高。

（4）为了度量生成器生成的消息块与实际消息块分类的相似性，本文定义了一个损失函数，称为分类交叉熵:

$ {L}_{\text{class}}\left(y\right)= -{\displaystyle\sum }_{i=0}^{7}{p}_{i}\mathrm{log}\left(p^{\mathrm{\prime}}_{i}\right) $

，分类交叉熵衡量的是生成的UAVCAN消息块在分类上的准确性。

（5）为了使生成的消息块更具真实性，定义了另一个损失函数，称为真实性交叉熵：

$ {L}_{\mathrm{r}\mathrm{e}\mathrm{a}\mathrm{l}}\left(\boldsymbol{y}\right)= -\mathrm{log}\left(D\left(y\right)\right)\mathrm{。} $

其中，

$ D\left(y\right) $

是判别器认为生成的消息块为真实消息的概率，值越大，表示消息块越真实。

（6）通过将上述两个损失函数组合，得到了增强型GAN生成器的最终损失函数：

$ {L}_{G}\left(y\right)= {L}_{\mathrm{c}\mathrm{l}\mathrm{a}\mathrm{s}\mathrm{s}}\left(y\right)+ {L}_{\mathrm{r}\mathrm{e}\mathrm{a}\mathrm{l}}\left(y\right) $

，这个损失函数综合考虑了消息块的分类准确性和真实性。

（7）生成器通过最小化损失函数来优化参数，具体步骤为反向传播损失函数，从而使生成的UAVCAN消息块越来越接近真实的攻击消息。最终优化的目标是：

$ \mathrm{m}\mathrm{i}\mathrm{n}\mathrm{}({L}_{G}(y)) $

。

2.4.2 判别器

判别器包含两部分：一部分用于判别样本的真实性，另一部分用于对样本的类别（攻击类型）进行判别。判别器通过卷积层和全连接层提取样本特征，并最终输出真实性和类别的判别概率。判别器的训练目标是最大化对真实样本和生成样本的区分能力，并对生成器生成的样本进行精确分类。原始GAN判别器的损失函数为：

$ {L}^{\left(D\right)}=-{E}_{x\sim{p}_{\mathrm{d}\mathrm{a}\mathrm{t}\mathrm{a}}\left(x\right)}\left[\mathrm{log}(D\right(x\left)\right)]-{E}_{z\sim{p}_{Z}\left(z\right)}[\mathrm{log}(1-D\left(G\right(z\left)\right)\left)\right] $

其中，

$ {L}^{\left(D\right)} $

为交叉熵损失函数。

$ {p}_{\mathrm{d}\mathrm{a}\mathrm{t}\mathrm{a}}\left(x\right) $

为真实样本

$ x $

的分布。

$ D\left(x\right) $

为

$ x $

来自真实样本集的概率，

$ G\left(z\right) $

表示当生成器输入为

$ z $

时生成的样本。

下面将按以下步骤对判别器进行改进。

（1）将一个真实的UAVCAN消息块

$ x $

输入到GAN判别器，得到判别结果

$ O\left(x\right)={q}_{x0},{q}_{x1},\cdots ,{q}_{x7} $

。其中，

$ {q}_{xi} $

表示真实消息块在标签

$ i $

下的判别概率。

（2）设

$ R\left(x\right) $

表示真实UAVCAN消息块

$ x $

在8个不同标签下的实际分类概率集：

$ R\left(x\right)={p}_{x0},{p}_{x1},\cdots , {p}_{x7} $

，判别器的判别结果

$ O\left(x\right) $

与

$ R\left(x\right) $

可能存在差异，因此定义判别器对真实UAVCAN消息块的分类交叉熵损失函数：

$ {L}_{cD}\left(x\right)={E}_{x\sim {P}_{d}}\left[\mathrm{log}\left(R\left(x\right)-O\left(x\right)\right)\right] $

，其中，

$ {P}_{d} $

是真实数据分布。

（3）判别器对真实消息块

$ x $

的真实性判断表示为

$ D\left(x\right)=p $

，其中,

$ p\in \left[\mathrm{0,1}\right] $

表示判别器认为

$ x $

为真实的概率。此时定义判别器对真实消息块的真实性交叉熵损失函数：

${L}_{aD}\left(x\right)=-{E}_{x\sim {P}_{d}}\left[\mathrm{log}D\left(x\right)\right] ] $

。

（4）将生成器生成的UAVCAN消息块

$ y $

输入到判别器，得到判别结果

$O\left(y\right) $

：

$ O\left(y\right)=\{{q}_{y0},{q}_{y1},\cdots , {q}_{y7}\} $

。

（5）设

$ R\left(y\right) $

为生成消息块在8个不同标签下的实际分类概率集：

$ R\left(y\right)=\{{p}_{y0},{p}_{y1},\cdots ,{p}_{y7}\} $

生成的消息块与判别器预测之间的分类交叉熵损失函数为：

$ {L}_{cD}\left(y\right)={E}_{z\sim {P}_{z},c\sim {P}_{c}}\left[\mathrm{log}\left(R\left(y\right)-O\left(y\right)\right)\right] $

。其中，

$ {P}_{z} $

表示生成器的噪声分布，

$ {P}_{c} $

是条件分布。

（6）生成器生成的消息块

$ y $

的真实性判断为

$ D\left(y\right) $

：

$ D\left(y\right)=p $

，此时定义生成器生成消息块的真实性交叉熵损失函数：

$ {L}_{aD}\left(y\right)=-{E}_{z\sim {P}_{z},c\sim {P}_{c}}\left[\mathrm{log}\left(1-D\left(y\right)\right)\right] $

。

（7）通过将上述4个损失函数进行组合，得到判别器的分类损失函数：

$L_{cD}=L_{cD} (x)+L_{cD} (y) $

，以及判别器的真实性判断损失函数：

$L_{aD}=L_{aD} (x)+ L_{aD} (y) $

。这些损失函数用于增强型GAN模型中，确保判别器能够区分真实和生成的UAVCAN消息块，同时提高分类准确性和真实性。

3 实验设计与结果

为了验证所提出的增强型GAN和W-EGAN入侵检测方法在无人机机载CAN总线网络中的有效性，本文构建了无人机CAN总线网络的仿真测试环境用于实验。实验主要聚焦于以下几个问题。

RQ1：增强型GAN是否能有效检测出异常数据？

RQ2：所提出的方法在检测精度方面相比传统方法有何提升？

RQ3：不同攻击场景下，本文方法的适应性如何？

3.1 实验设置

实验过程包括两个部分。

（1）在计算机上进行离线模型训练：使用深度学习框架PyTorch 1.12.0作为训练环境；同时，使用CUDA 11.6计算加速。实验部署在64GB DRAM、NVIDIA(R) RTX(R) 3080Ti GPU、AMD(R) Ryzen(R)5 CPU 5600X 4.6GHz处理器的工作站上，运行Windows 10操作系统。

（2）在真实无人机平台上进行在线检测评估：在Raspberry Pi 4B上实现了基于W-EGAN模型的无人机CAN总线网络入侵检测方法。入侵检测方法通过无人机飞行控制器的CAN端口连接到无人机UAVCAN总线网络。

实验所采用的无人机设备配置如表2所示，无人机平台配置如图3所示，无人机平台实况如图4所示。

表 2 无人机设备配置

Table 2 UAV equipment configuration

组件类型	型号
飞行控制器	Pixhawk2.4.8 PIX 32位APM开源STM32
无人机电源管理单元	CUAV CAN PMU/UAVCAN
导航系统	Holybro DroneCAN M8N/M9N GPS
遥控接收器	天地飞WFR07S
电子调速器	Little Bee 45A BLHeli-S Dshot600 ESC
UAVCAN转接板	Matek mateksys DRONECAN TO PWM ADAPTER

显示原图|下载原图ZIP|生成PPT

图 3 无人机平台配置示意图

Fig.3 Illustration of UAV platform configuration

显示原图|下载原图ZIP|生成PPT

图 4 无人机平台实况

Fig.4 Live drone platform

3.2 实验步骤

实验分为两个阶段：第一阶段在服务器上预训练增强型GAN模型，并生成适合无人机CAN总线网络的伪造样本；第二阶段将训练好的模型移植至嵌入式设备，在仿真环境中运行入侵检测任务，验证其检测精度和资源消耗。实验步骤如下。

数据集预处理：首先，将生成的正常通信数据和异常数据进行预处理，包括标准化、去噪和分片操作，使数据更适合输入至GAN模型中。同时，根据数据分布，将数据集分为训练集和测试集，分别用于模型训练和性能评估。

模型训练：在服务器端对增强型GAN模型进行训练。GAN模型通过生成器和判别器的对抗训练，优化判别器对异常数据的识别能力，在训练过程中，记录模型在不同训练轮数下的损失值和准确率变化，以便评估收敛速度和训练效果。

模型移植与部署：将训练好的模型移植至嵌入式设备上。为保证嵌入式设备的运行效率，模型在移植过程中对冗余参数进行了裁剪，确保其在低资源条件下的运行性能。移植后的模型通过仿真CAN总线网络的数据流进行实时检测，以测试其在实际应用环境中的有效性。

检测性能评估：对嵌入式设备上的模型进行性能测试，主要从检测准确率、误报率、F1分数等指标进行评估。实验数据通过多次测试取平均值，以确保结果的准确性。

3.3 实验结果

本节从Scikit-learn库^[28]中引入了3个评估指标（精确率、召回率和F1分数）来评估实验结果和模型性能。指标具体定义如下。

精确率：衡量模型预测的正类样本中实际为正类的比例。

$ \text{Precision}=\dfrac{\text{TP}}{\text{TP}+\text{FP}} $

，其中，TP（True Positive）表示被正确分类为正类的样本数，FP（False Positive）表示被错误分类为正类的负类样本数。精确率越高，说明模型在正类预测上的准确性越强。

召回率：实际为正类的样本中被模型正确识别的比例。

$ \text{Recall} = \dfrac{\text{TP}}{\text{TP} + \text{FN}} $

，其中，FN（False Negative）表示被错误分类为负类的正类样本数。召回率越高，说明模型对正类样本的覆盖能力越强。

F1分数：精确率与召回率的调和平均，用于综合评价模型性能。

$ \text{F}\text{1-Score}=2\cdot \dfrac{\text{Precision}\cdot \text{Recall}}{\text{Precision}+\text{Recall}} $

，F1分数特别适用于正负样本分布不均衡的场景，其值介于精确率与召回率之间。当精确率和召回率的权重相同时，F1分数能够提供一个平衡的性能指标。

本节主要收集了3种具有不同类型安全威胁的CAN消息块，包括洪泛攻击、模糊攻击、重放攻击以及正常工作未受到安全威胁的CAN消息块。根据表1标签分类方法将这些样本分为8类，然后使用预训练模型对这8类样本进行评估，所得到的评估指标见表3。使用t-SNE对样本评估语义特征进行降维，得到可视化图如图5所示。

表 3 UAV设备配置

Table 3 UAV equipment configuration

消息类型	精确率	召回率	F1分数
DoS_GNSS	98.89%	98.00%	98.44%
DoS_propulsion	98.90%	99.10%	99.00%
FuzzyAttack_GNSS	82.19%	87.12%	84.58%
FuzzyAttack_propulsion	98.99%	98.40%	98.70%
Normal_GNSS	82.87%	76.75%	79.69%
Normal_propulsion	73.78%	86.10%	79.46%
ReplayAttack_GNSS	98.79%	98.20%	95.50%
ReplayAttack_propulsion	82.71%	70.30%	76.00%

在UAVCAN消息样本中，对于DoS攻击的检测，无论是动力系统还是导航系统，都表现出较高的检测效果。这是因为DoS攻击通过高频率发送高优先级消息来阻断低优先级消息的传输，其特征十分明显，误判率较低，因此检测性能较为优异。然而，对于正常消息的检测，增强型GAN表现出较高的误判率和较低的精确率，尤其在动力系统和导航系统中尤为突出。这种现象的主要原因在于动力系统和导航系统的运行特性差异。动力系统中，无人机运行过程中常伴有重复操作，产生的连续UAVCAN消息与重放攻击的消息特征非常相似，使得模型难以区分正常操作与攻击行为。而在导航系统中，导航信息会按照固定频率广播，并且样本使用的是相对时间差特征，重放攻击消息在特征上与正常导航信息非常接近，导致模型在检测正常消息和重放攻击消息时存在困难。这种现象在图5的语义特征中也得到了体现。据此可以很好地回答RQ1和RQ2，增强型GAN模型可以有效地有效检测出异常数据，同时，其可以适应不同的攻击场景。

显示原图|下载原图ZIP|生成PPT

图 5 t-SNE 降维语义特征可视化图

Fig.5 t-SNE semantic feature visualization

之后，在相同的环境测试了其他分类模型对于相同攻击的检测效果评估指标对比如表4所示。

表 4 评估指标对比

Table 4 Comparison of evaluation indicators

参数	精确率	F1分数	召回率
增强型GAN	98.38%	89.30%	89.25%
原始GAN	77.50%	81.08%	83.78%
Densenet	85.69%	85.68%	85.90%
Resnet	84.62%	84.69%	84.93%
ShufflenetV2	85.00%	84.50%	85.14%

增强型GAN模型对比其他3种深度学习模型，在相同数据集上的性能表现出了差异。在数据不足的情况下，增强型GAN模型在精确率、召回率和F1分数上均优于Densenet^[29]、Resnet^[30]以及ShufflenetV2^[31]这3种深度学习模型，精确率分别高出这3个模型5.11%、6.18%以及5.38%，召回率分别高出这3个模型3.35%、4.32%以及4.11%，F1分数分别高出这3个模型3.62%、4.61%以及4.8%。因此在样本量较少、缺乏公开数据集的情况下，增强型GAN模型的生成器可以对缺少的样本进行一定程度的弥补，来辅助判别器的训练，在训练阶段判别器除了根据输入的真实样本进行训练，同时也会根据生成器生成的样本进行训练。通过这种方式进一步提升了判别器的性能，生成器弥补的这一部分训练缓解了样本数量较少时进行模型训练所带来的训练不充分、泛化能力差的问题。在此，可以进一步回答RQ3：所提出的方法在检测精度方面相比传统方法有所提升。

3.4 结果分析

实验结果充分表明，增强型GAN模型在无人机CAN总线网络的入侵检测中具有显著的优势。相比传统方法，本文提出的模型不仅在检测精度表现出更高的优越性，同时在多种攻击场景下均展现出良好的适应性。这种鲁棒性和适应性确保了模型在复杂网络环境中的应用前景，满足了无人机系统对入侵检测的高效、实时需求。

4 结束语

本文针对无人机CAN总线网络缺乏安全机制的问题进行了深入研究，特别关注对UAVCAN协议的攻击检测。为解决训练数据不足的问题，引入了一种基于增强型GAN的入侵检测方法，通过生成训练样本，有效提升了入侵检测的精确度和稳定性。

然而，当前工作仍存在一些问题，例如模型在复杂动态环境中的适应性有待验证，GAN的训练可能出现收敛不稳定的问题，以及资源优化尚有提升空间。此外，未来还需关注对抗攻击对模型的潜在威胁，进一步提升其鲁棒性和实际部署能力。未来工作将重点优化模型性能、增强对抗能力，并扩展方法在真实场景中的应用，以更好地应对无人机CAN总线网络的安全挑战。

References

Publishing order | Descend order by publishing year | Descend order by cited within

1	FAHLSTROM P G, GLEASON T J, SADRAEY M H. Introduction to UAV systems[M]. John Wiley & Sons, 2022.

2	RODRIGUES M, PIGATTO D F, FONTES J V, et al. UAV integration into IoIT: Opportunities and challenges[J]. ICAS, 2017, 2017, 95.

3	WU C, ZHANG T. Intelligent unmanned systems: Important achievements and applications of the new generation of artificial intelligence[J]. Frontiers of Information Technology & Electronic Engineering, 2020, 21 (5): 649- 654.

4	BAYINDIR K ç, GöZüKüçüK M A, TEKE A. A comprehensive overview of hybrid electric vehicle: Powertrain configurations, powertrain control techniques and electronic control units[J]. Energy Conversion and Management, 2011, 52 (2): 1305- 1313.

5	BRÄUNINGER J, EMIG R, KÜTTNER T, et al. Controller area network for truck and bus applications[J]. SAE Transactions, 1990: 704-714.

6	RAVI N, EL-SHARKAWY M. Integration of UAVs with real time operating systems using UAVCAN[C]//2019 IEEE 10th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON). IEEE, 2019: 0600-0605.

7	MAINETTI L, PATRONO L, VILEI A. Evolution of wireless sensor networks towards the internet of things: A survey[C]//SoftCOM 2011, 19th International Conference on Software, Telecommunications and Computer Networks. IEEE, 2011: 1-6.

8	ROTARIU C, BOZOMITU R G, CEHAN V, et al. A wireless sensor network for remote monitoring of bioimpedance[C]//2015 38th International Spring Seminar on Electronics Technology (ISSE). IEEE, 2015: 487-490.

9	郭晶晶, 刘允刚, 满永超, 等. 自主多旋翼无人机系统: 感知、规划与控制[J]. 控制理论与应用, 2024, 41(10): 1707-1725. GUO J J, LIU Y G, MAN Y C, et al. Autonomous multi-rotor unmanned aerial system: Perception, planning and control [J]. Control Theory and Applications, 2024, 41(10): 1707-1725.

10	KHAN N A, JHANJHI N Z, BROHI S N, et al. Emerging use of UAV’s: Secure communication protocol issues and challenges[M]. Drones in Smart-cities. Elsevier, 2020: 37-55.

11	BUSCEMI A. Automation of controller area network reverse engineering: Approaches, opportunities and security threats[D]. University of Luxembourg, Luxembourg, 2022.

12	ZHANG Q. An overview and analysis of hybrid encryption: the combination of symmetric encryption and asymmetric encryption[C]//2021 2nd International Conference on Computing and Data Science (CDS). IEEE, 2021: 616-622.

13	BUDUMA N, BUDUMA N, PAPA J. Fundamentals of deep learning[M]. O'Reilly Media Inc, 2022.

14	DONG S, WANG P, ABBAS K. A survey on deep learning and its applications[J]. Computer Science Review, 2021, 40, 100379.

15	YANG Y, XIE G, WANG J, et al. Intrusion detection for in-vehicle network by using single GAN in connected vehicles[J]. Journal of Circuits, Systems and Computers, 2021, 30 (1): 2150007.

16	SHAHRIAR M H, HAQUE N I, RAHMAN M A, et al. G-ids: Generative adversarial networks assisted intrusion detection system[C]//2020 IEEE 44th Annual Computers, Software, and Applications Conference (COMPSAC). IEEE, 2020: 376-385.

17	CHO K T, SHIN K G. Fingerprinting electronic control units for vehicle intrusion detection[C]//25th USENIX Security Symposium. USENIX, 2016: 911-927.

18	CHO K T, SHIN K G. Viden: Attacker identification on in-vehicle networks[C]//Proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security. ACM, 2017: 1109-1123.

19	HAN M L, LEE J, KANG A R, et al. A statistical-based anomaly detection method for connected cars in internet of things environment[C]//Internet of Vehicles-Safe and Intelligent Mobility: Second International Conference. Springer International Publishing, 2015: 89-97.

20	LEE H, JEONG S H, KIM H K. OTIDS: A novel intrusion detection system for in-vehicle network by using remote frame[C]//2017 15th Annual Conference on Privacy, Security and Trust (PST). IEEE, 2017: 57-5709.

21	MARCHETTI M, STABILI D, GUIDO A, et al. Evaluation of anomaly detection for in-vehicle networks through information-theoretic algorithms[C]//2016 IEEE 2nd International Forum on Research and Technologies for Society and Industry Leveraging a Better Tomorrow (RTSI). IEEE, 2016: 1-6.

22	YAZDI M, SAMAEE M, MASSICOTTE D. A review on automated sleep study[J]. Annals of Biomedical Engineering, 2024, 53(9): 1-29.

23	SONG Y Y, YING L U. Decision tree methods: applications for classification and prediction[J]. Shanghai Archives of Psychiatry, 2015, 27 (2): 130.

24	RIGATTI S J. Random forest[J]. Journal of Insurance Medicine, 2017, 47 (1): 31- 39.

25	LI S, LI W, COOK C, et al. Independently recurrent neural network (IndRNN): Building a longer and deeper RNN[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. IEEE, 2018: 5457-5466.

26	YU Y, SI X, HU C, et al. A review of recurrent neural networks: LSTM cells and network architectures[J]. Neural Computation, 2019, 31 (7): 1235- 1270.

27	PEDREGOSA F, VAROQUAUX G, GRAMFORT A, et al. Scikit-learn: Machine learning in Python[J]. the Journal of machine Learning Research, 2011, 12, 2825- 2830.

28	GUAN X, CAO X. Network intrusion detection method based on attention mechanism and DenseNet[C]//2022 IEEE 4th International Conference on Civil Aviation Safety and Information Technology (ICCASIT). IEEE, 2022: 1335-1340.

29	ZHU Z, ZHAI W, LIU H, et al. Juggler-ResNet: A flexible and high-speed ResNet optimization method for intrusion detection system in software-defined industrial networks[J]. IEEE Transactions on Industrial Informatics, 2021, 18 (6): 4224- 4233.

30	TAN S, HE D, CHAN S, et al. FlowSpotter: Intelligent IoT threat detection via imaging network flows[J]. IEEE Network, 2023.

31	SEO E, SONG H M, KIM H K. GIDS: GAN based intrusion detection system for in-vehicle network[C]//2018 16th Annual Conference on Privacy, Security and Trust (PST). IEEE, 2018: 1-6.

Options

Outlines

模态框（Modal）标题

Abstract

Cite this article

0 引言

1 研究背景与相关工作

2 方案设计

2.1 系统模型

图 1 系统总体框架

2.2 威胁模型

2.3 数据收集与预处理

图 2 UAVCAN 消息块样本示例

2.4 增强型GAN模型结构

2.4.1 生成器

表 1 标签分类

2.4.2 判别器

3 实验设计与结果

3.1 实验设置

表 2 无人机设备配置

图 3 无人机平台配置示意图

图 4 无人机平台实况

3.2 实验步骤

3.3 实验结果

表 3 UAV设备配置

图 5 t-SNE 降维语义特征可视化图

表 4 评估指标对比

3.4 结果分析

4 结束语

References