基于GNN和LSTM的无人机入侵检测系统

本发明涉及无人机入侵检测，具体涉及基于gnn和lstm的无人机入侵检测系统。

背景技术：

1、无人机作为一种无需人操控的飞行器，具有广泛的应用前景。它们起源于军事领域，用于侦察、监视和打击等任务，逐渐扩展到民用领域，如航拍摄影、农业喷洒、物流配送等。无人机利用先进的飞行控制系统和传感技术，能够在复杂环境下执行精确的任务，为人类提供了全新的解决方案和服务模式。随着技术的不断发展，无人机的应用领域将进一步扩大，为各行各业带来更多的便利和创新。

2、在无人机系统中，最常用的通信协议包括微型飞行器链路(mavlink)和控制器区域网络(can)。这些轻量级消息传递协议用于数据交换和消息广播。根据can协议，在总线上广播消息，被视为无人机和物联网领域的事实标准。在can总线上，每条消息都有一个唯一的11位标识符，称为can仲裁id(aid)。aid的使用解决了can报文之间的冲突问题，并指定了消息传输的优先级。除了标识符外，can还包括帧开始(sof)控制域、数据长度码(dlc)、数据域、循环冗余校验(crc)、确认位(ack)和帧结束，与安全网络规范不同，它没有任何源地址位或目标地址位。

3、由于can的消息结构导致无人机很容易受到恶意攻击，因此需要一个有效的入侵检测系统(ids)来识别和检测这些对can总线网络的攻击。事实上，can总线漏洞需要一个升级的安全框架。can总线要求动态ids或id框架具有较高的检测率和准确性。标准的安全技术，如恶意软件检测、访问控制、身份验证和基于加密的有效减轻网络攻击的方法，不能满足安全需求。

技术实现思路

1、为了解决上述技术问题，本发明的目的在于提供基于gnn和lstm的无人机入侵检测系统，所采用的技术方案具体如下：

2、本发明提供了基于gnn和lstm的无人机入侵检测系统，所述系统包括：

3、数据预处理模块，用于获取由不同消息id发送的消息构成的数据集；基于所述数据集获得对应的时间差、汉明距离以及信息熵；

4、特征构建模块，用于基于所述数据集、所述时间差、所述汉明距离和所述信息熵构建图结构，并搭建uav-gclstm模型，利用训练集对uav-gclstm模型进行训练获得训练好的uav-gclstm模型；

5、入侵检测模块，用于基于所述训练好的uav-gclstm模型对无人机入侵进行检测。

6、优选的，所述时间差的获取，包括：

7、分别计算同一个信息id发送的前后两条消息之间的时间戳的差值的绝对值，作为对应的时间差。

8、优选的，所述汉明距离的获取，包括：

9、对于同一个信息id发送的前后两条消息对应的两个字符串：

10、从左到右，分别判断两个字符串中同一位置的两个字符是否相同，若不相同，则计数器的值增加1，若相同，则计数器的值不增加；将计数器的最终结果作为对应的汉明距离；其中，计数器上的初始值为0。

11、优选的，所述信息熵的获取，包括：

12、对于任一数据点：将该数据点作为窗口内的最后一个数据点，构建预设长度的窗口，作为该数据点对应的窗口；计算该数据点与该窗口内其他数据点之间的汉明距离，计算汉明距离小于距离阈值的距离数量，将所述距离数量与预设长度之间的比值作为概率；

13、基于所述概率和信息熵的计算公式获得对应的信息熵。

14、优选的，所述图结构的顶点为网络流量，节点之间的余弦相似度大于预设相似度阈值时构成一条边。

15、本发明至少具有如下有益效果：

16、本发明基于采集到的信息获取了不同消息id发送的消息，并基于获取的消息计算对应的时间差、汉明距离以及信息熵，构建图结构，将图结构与lstm模型进行融合，搭建了uav-gclstm模型，并利用训练集对其进行训练，基于训练好的uav-gclstm模型对无人机入侵进行检测，提升了无人机入侵检测的准确率和效率。

技术特征：

1.一种基于gnn和lstm的无人机入侵检测系统，其特征在于，所述系统包括：

2.根据权利要求1所述的基于gnn和lstm的无人机入侵检测系统，其特征在于，所述时间差的获取，包括：

3.根据权利要求1所述的基于gnn和lstm的无人机入侵检测系统，其特征在于，所述汉明距离的获取，包括：

4.根据权利要求1所述的基于gnn和lstm的无人机入侵检测系统，其特征在于，所述信息熵的获取，包括：

5.根据权利要求1所述的基于gnn和lstm的无人机入侵检测系统，其特征在于，所述图结构的顶点为网络流量，节点之间的余弦相似度大于预设相似度阈值时构成一条边。

技术总结本发明涉及无人机入侵检测技术领域，具体涉及基于GNN和LSTM的无人机入侵检测系统。该系统包括数据预处理模块、特征构建模块和入侵检测模块，其中，数据预处理模块：用于获取由不同消息id发送的消息构成的数据集，进而获得时间差、汉明距离以及信息熵；特征构建模块，用于基于数据集、时间差、汉明距离和信息熵构建图结构，并搭建UAV‑GCLSTM模型，利用训练集对UAV‑GCLSTM模型进行训练获得训练好的UAV‑GCLSTM模型；入侵检测模块，用于基于训练好的UAV‑GCLSTM模型对无人机入侵进行检测。本发明提升了无人机入侵检测的准确率和效率。技术研发人员：杜莹,宁傲生,李熠龙,庞岚婷,程普,王玉璟,杜晓玉受保护的技术使用者：河南大学技术研发日：技术公布日：2024/7/18