本發(fā)明屬于無線通信、網(wǎng)絡(luò)安全和信號檢測，具體是涉及一種基于無人機(jī)群的低空無線網(wǎng)絡(luò)高精度干擾攻擊檢測方法。

背景技術(shù)：

1、在無線通信技術(shù)的不斷演進(jìn)中，干擾攻擊已成為無線通信系統(tǒng)面臨的重要挑戰(zhàn)之一。干擾檢測技術(shù)通過監(jiān)測無線信號特征，旨在為運維人員提供干擾類型和強(qiáng)度等關(guān)鍵信息，指導(dǎo)干擾反制措施有效開展，保障無線通信網(wǎng)絡(luò)服務(wù)質(zhì)量。

2、干擾檢測通常被認(rèn)為是假設(shè)檢驗問題，可通過比較檢驗統(tǒng)計量與測試閾值來確定無線網(wǎng)絡(luò)中是否存在干擾。文獻(xiàn)[l.arcangeloni,e.testi?and?a.giorgetti,"detectionof?jamming?attacksvia?source?separation?and?causal?inference,"in?ieeetransactions?on?communications,vol.71,no.8,pp.4793-4806,aug.2023]中考慮存在監(jiān)聽行為的反應(yīng)式干擾機(jī)與合法用戶傳輸存在因果關(guān)系，利用傳遞熵作為檢驗統(tǒng)計量，并與預(yù)設(shè)閾值進(jìn)行比較實現(xiàn)干擾檢測。申請公開號為cn117169923a的中國專利提出一種面向全球?qū)Ш叫l(wèi)星系統(tǒng)的干擾檢測方法，通過衛(wèi)星信號、星歷數(shù)據(jù)、衛(wèi)星位置、衛(wèi)星速度等信息，利用加權(quán)方法計算判別系數(shù)，并與預(yù)設(shè)閾值進(jìn)行比較以實現(xiàn)干擾檢測。然而，由于環(huán)境的復(fù)雜性和多變性，攻擊模式的先驗信息難以及時獲取。

3、基于數(shù)據(jù)驅(qū)動的干擾檢測方法利用觀測數(shù)據(jù)學(xué)習(xí)干擾信號特征，實現(xiàn)多種類型干擾攻擊檢測。文獻(xiàn)[s.sciancalepore,f.kusters,n.k.abdelhadi?et?al.,"jammingdetection?in?low-bermobile?indoor?scenarios?via?deep?learning,"in?ieeeinternet?of?things?journal,vol.11,no.8,pp.14682-14697,apr.,2024]考慮干擾攻擊會造成csi異常，使用自動編碼器處理csi矩陣實現(xiàn)干擾檢測。文獻(xiàn)[c.wang,y.chen,z.linet?al.,"reinforcement?learning?based?jamming?detection?forreliable?wirelesscommunications,"in?proc.ieee?veh.tech.conf.,singapore,june?2024]利用深度q學(xué)習(xí)算法選擇檢驗閾值，評估接收機(jī)的信道能量和丟包率，提高檢測精度。文獻(xiàn)[鞏小雪,龐嘉豪,張琦涵,等.基于機(jī)器學(xué)習(xí)的光網(wǎng)絡(luò)干擾攻擊檢測、識別與恢復(fù)方法[j].通信學(xué)報,2023,44(07):159-170]提出雙向長短期記憶檢測模型自動挖掘和處理光譜數(shù)據(jù)之間狀態(tài)信息的相關(guān)性來進(jìn)行攻擊檢測與識別。申請公開號為cn117394934a的中國專利采用多分支卷積神經(jīng)網(wǎng)絡(luò)作為干擾識別網(wǎng)絡(luò)，通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)使網(wǎng)絡(luò)自動提取干擾信號的特征并通過反向傳播算法迭代更新所有可訓(xùn)練參數(shù)，提高干擾識別模型的精度。

4、發(fā)射終端位置的變化導(dǎo)致接收信號強(qiáng)度的增強(qiáng)和衰落，雖然是合法的，卻易與干擾設(shè)備的行為混淆，進(jìn)而影響干擾檢測的準(zhǔn)確度。面向低空無線網(wǎng)絡(luò)的無人機(jī)的監(jiān)控范圍廣，合法信號波動大，加大區(qū)分真實信號變化與干擾行為的難度。

技術(shù)實現(xiàn)思路

1、本發(fā)明目的在于提供基于無人機(jī)群的低空無線網(wǎng)絡(luò)高精度干擾攻擊檢測方法，利用無人機(jī)群測量低空無線網(wǎng)絡(luò)中包含接收信號強(qiáng)度等多元特征，從而構(gòu)造假設(shè)檢驗以識別干擾攻擊；此外，多架無人機(jī)間共享檢測經(jīng)驗，采用強(qiáng)化學(xué)習(xí)方法持續(xù)優(yōu)化檢測閾值，提高干擾檢測精度。

2、基于無人機(jī)群的低空無線網(wǎng)絡(luò)高精度干擾攻擊檢測方法，包括以下步驟：

3、步驟1：無人機(jī)隊列初始化：每架無人機(jī)維護(hù)兩個隊列w1和w2，隊列w1長度為l，用于記錄歷史檢測結(jié)果的虛警次數(shù)lf和漏報次數(shù)lm；隊列w2長度為n，用于統(tǒng)計歷史無干擾的特征集合；定義檢測閾值集合x∈{r/r|0≤r≤r}，其中最大可選閾值數(shù)值為1，共量化為r個等級；無人機(jī)群進(jìn)行k輪特征采樣，獲取無線網(wǎng)絡(luò)特征；每輪采樣時間為一個時隙，總時隙為{1,2,l,k,l,k}；

4、步驟2：網(wǎng)絡(luò)初始化：構(gòu)建效益網(wǎng)絡(luò)q和風(fēng)險網(wǎng)絡(luò)e，均為四層全連接神經(jīng)網(wǎng)絡(luò)，用于學(xué)習(xí)和預(yù)測檢測效益和風(fēng)險，初始化網(wǎng)絡(luò)參數(shù)，包括各層神經(jīng)元的數(shù)量、學(xué)習(xí)率、經(jīng)驗池；

5、步驟3：無線網(wǎng)絡(luò)特征測量與統(tǒng)計過程包含測量接收信號強(qiáng)度、接收低空網(wǎng)絡(luò)廣播消息、計算虛警率和漏報率，以及與鄰居交互；

6、步驟4：構(gòu)建狀態(tài)向量s(k)＝[m,g,δ,ρ,η,χ,{fj}1≤j≤m,{gj}1≤j≤m]；

7、步驟5：根據(jù)以下策略選擇檢測閾值x(k)：

8、

9、其中，pr(·)為閾值選擇概率，x*表示最優(yōu)檢測閾值，q(s(k),x)和e(s(k),x)分別表示所選檢測閾值對應(yīng)的獎勵值和風(fēng)險值；

10、步驟6：計算接收信號強(qiáng)度的平均值和方差傳輸時延的平均值和方差丟包率η的平均值和方差誤碼率χ的平均值和方差基于特征權(quán)重w1、w2和w3計算檢驗統(tǒng)計量δ：

11、

12、其中，ξ為二進(jìn)制指示符號，當(dāng)無人機(jī)成功解碼低空無線網(wǎng)絡(luò)的接收機(jī)廣播消息時，表示為ξ＝1，否則ξ＝0；

13、步驟7：比較檢驗統(tǒng)計量δ與檢測閾值x，δ≤x表示未檢測到干擾信號，更新無干擾檢測結(jié)果為ψi＝0；否則廣播干擾存在警報ψi＝1；

14、步驟8：接收滿足虛警率fj≤γ1、漏報率gj≤γ2條件的架鄰居無人機(jī)共享的檢測結(jié)果，其中γ11∈[0,1]和γ2∈[0,1]分別表示參與決策的鄰居無人機(jī)歷史精度要求，ψi′表示為本地結(jié)果ψi的補(bǔ)集；計算策略風(fēng)險值e(k)＝wsi(σψi′-λ≥0|ψ＝0)，其中，風(fēng)險權(quán)重為架無人機(jī)的歷史檢測精度期望；i(g)為指示函數(shù)，當(dāng)滿足括號內(nèi)條件時i(g)＝1，否則i(g)＝0，λ表示達(dá)成群體共識所需投票數(shù)，ψ＝0表示本地?zé)o人機(jī)判斷為無干擾；

15、步驟9：利用接收信號強(qiáng)度δ(k)，平均傳輸時延ρ(k)，丟包率η(k)和誤碼率χ(k)更新隊列w2，驗證檢測結(jié)果更新隊列w1；

16、步驟10：計算檢測效益u(k)＝-cfff-cmfm，其中，權(quán)重cf和cm分別表示對虛警率和漏檢率的重視程度；

17、步驟11：生成經(jīng)驗h(k)＝[s(k),x(k),u(k),e(k),s(k+1)]并將其存儲到經(jīng)驗池d中；其中，s(k)、x(k)、u(k)、e(k)分別為上一時隙的狀態(tài)、選擇檢測閾值、檢測效益、策略風(fēng)險值，s(k+1)是下一時隙的狀態(tài)；

18、步驟12：當(dāng)存儲經(jīng)驗數(shù)多于b時，從經(jīng)驗池d隨機(jī)選取b條經(jīng)驗，采用隨機(jī)梯度下降算法與神經(jīng)網(wǎng)絡(luò)的反向傳播算法更新權(quán)重參數(shù)θ和φ，如下式所示：

19、

20、其中，α、β分別為獎勵值和風(fēng)險值的學(xué)習(xí)因子；

21、步驟13：重復(fù)步驟3～12，直到滿足|q(s(k+1),x(k+1))-q(s(k),x(k))|＜ò且|e(s(k+1),x(k+1))-e(s(k),x(k))|＜ε，算法收斂；其中，ò和ε分別為獎勵值、風(fēng)險值的收斂判決條件。

22、在步驟1中，所述無線網(wǎng)絡(luò)特征包含無人機(jī)處測量的接收信號強(qiáng)度，以及低空無線網(wǎng)絡(luò)反饋的收發(fā)機(jī)間的信道狀態(tài)、平均傳輸時延、丟包率和誤碼率等信息。

23、在步驟2中，所述效益網(wǎng)絡(luò)q和風(fēng)險網(wǎng)絡(luò)e均包含四層全連接層，其中輸入層包含2m+6個神經(jīng)元；第二層和第三層為隱藏層，分別包含h、g個神經(jīng)元；輸出層包含r個神經(jīng)元；初始化θ∈[0,1]，φ∈[0,1]，α∈[0,1]，β∈[0,1]，λ∈[0,m]，γ1∈[0,1]，γ2∈[0,1]，w1∈(0,1)，w2∈(0,1)，w3∈(0,1)，cf∈(0,1)，cm∈(0,1)，ò∈(0,1)，ε∈(0,1)，初始經(jīng)驗池b∈(0,128)，初始檢測結(jié)果ψ(0)＝0。

24、在步驟3中，所述無線網(wǎng)絡(luò)特征測量與統(tǒng)計的具體步驟包括：在k時隙，測量自身所處位置的接收信號強(qiáng)度δ；接收低空無線網(wǎng)絡(luò)中如基站等接收機(jī)廣播的包含其與發(fā)射機(jī)的信道狀態(tài)g、平均傳輸時延ρ、丟包率η和誤碼率χ的消息；計算虛警率fi＝lf/l和漏報率gi＝lm/l，其中，lf表示虛警次數(shù)，lm表示漏報次數(shù)，l表示隊列長度；與鄰居交互信標(biāo)獲得周邊無人機(jī)數(shù)量m，并接收其廣播消息以統(tǒng)計無人機(jī)群虛警率{fj}1≤j≤m漏報率{gj}1≤j≤m。

25、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下突出的優(yōu)點：

26、1、面向低空無線網(wǎng)絡(luò)場景，利用多架無人機(jī)測量低空無線網(wǎng)絡(luò)的接收信號強(qiáng)度、信道狀態(tài)和網(wǎng)絡(luò)反饋的傳輸時延和丟包率等通信性能，分布式監(jiān)測策略有效避免單點監(jiān)測可能存在的盲區(qū)問題，確保數(shù)據(jù)的全面性和準(zhǔn)確性。

27、2、通過構(gòu)造基于多元統(tǒng)計特征的假設(shè)檢驗，能準(zhǔn)確區(qū)分不同類型的干擾攻擊，包括靜態(tài)干擾、反應(yīng)式干擾、隨機(jī)干擾、掃頻干擾、梳狀干擾和智能干擾等干擾攻擊。精細(xì)化的分類能力有助于采取針對性的防御措施；多元統(tǒng)計特征的運用能夠更準(zhǔn)確地捕捉到干擾信號的特征，從而提高檢測的準(zhǔn)確性和可靠性；

28、3、無人機(jī)群共享檢測經(jīng)驗可聯(lián)合挖掘網(wǎng)絡(luò)干擾攻擊態(tài)勢，并采用強(qiáng)化學(xué)習(xí)持續(xù)優(yōu)化檢測閾值，提升檢測精度。通過整合多架無人機(jī)的監(jiān)測數(shù)據(jù)，能夠更全面了解網(wǎng)絡(luò)狀態(tài)，及時發(fā)現(xiàn)潛在的干擾威脅，提高系統(tǒng)的適應(yīng)性和魯棒性。

29、4、采用強(qiáng)化學(xué)習(xí)算法優(yōu)化干擾假設(shè)檢測閾值，通過不斷學(xué)習(xí)和適應(yīng)網(wǎng)絡(luò)環(huán)境的變化，系統(tǒng)能夠自動調(diào)整檢測參數(shù)，以應(yīng)對不同場景下的干擾攻擊，提高在具有功率控制的智能干擾場景下的干擾檢測精度和魯棒性，在保證檢測精度的同時降低誤報率和漏報率。

30、5、本發(fā)明在面向低空無線網(wǎng)絡(luò)場景時展現(xiàn)出全面的監(jiān)測能力、精細(xì)化的分類能力、高效的協(xié)作機(jī)制、智能化的優(yōu)化能力以及高精度的檢測性能，為低空無線網(wǎng)絡(luò)的安全防護(hù)提供有力保障，本發(fā)明適用于智慧城市、低空經(jīng)濟(jì)、軍事通信、應(yīng)急通信等場景。