Ein neuer adaptiver föderierter Lernansatz zur datenschutzfreundlichen Anomalieerkennung bei UAVs unter nicht-IID-Verteilungen

Warum sichere Lufträume wichtig sind

Kleine unbemannte Luftfahrzeuge werden zunehmend Teil des Alltags – von Paketlieferungen und Feldüberwachung bis hin zu Katastrophenhilfe und Grenzsicherung. Mit der wachsenden Zahl an Drohnen am Himmel werden ihre drahtlosen Verbindungen jedoch zu verlockenden Zielen für Angreifer. Eine einzige kompromittierte Drohne kann sensible Videoübertragungen offenlegen, Rettungseinsätze stören oder Angreifern helfen, in kritische Infrastrukturen einzudringen. Diese Studie untersucht, wie sich solche digitalen Einbrüche in Drohnennetzwerken erkennen lassen, während gleichzeitig die Roh-Flugdaten privat bleiben.

Das Problem zentraler Überwachung

Heute arbeiten die meisten Systeme zur Erkennung ungewöhnlichen oder gefährlichen Verhaltens im Netzwerkverkehr zentralisiert: Alle Daten laufen zu einem Server, der ein Machine-Learning-Modell trainiert, um normale Muster von verdächtigen zu unterscheiden. Für Drohnen ist das eine schlechte Lösung. Ihre Flugrouten, Einsätze und Funkbedingungen variieren stark, sodass jede Drohne ihre eigenen, typischen Datenmuster erzeugt. Das Zusammenführen all dieser sensiblen Informationen an einem Ort erhöht die Privatsphäre-Risiken und kann die Modellgenauigkeit verringern, besonders wenn die Daten einer Drohne deutlich anders aussehen als die der anderen. Das Ergebnis können instabile Leistungswerte und zu viele Fehlalarme oder übersehene Angriffe sein.

Drohnen gemeinsam, aber privat lernen lassen

Die Autorinnen und Autoren schlagen BANCO-FL vor, ein neues Framework, das vielen Drohnen erlaubt, ein gemeinsames Sicherheitsmodell zu erlernen, ohne jemals ihre Rohdaten an einen zentralen Server zu senden. Jede Drohne – oder eine Bodenstation in ihrem Auftrag – trainiert lokal ein kleines, leichtgewichtiges neuronales Netz auf den eigenen Verkehrsdaten, die Millionen von Beispielen sowohl für normale Verbindungen als auch für Angriffe enthalten, etwa Denial-of-Service-Angriffe, Passworterraten, Replay-Versuche und gefälschte Steuerungsnachrichten. Statt die zugrundeliegenden Pakete zu teilen, sendet jeder Teilnehmer nur aktualisierte Modellparameter an einen koordinierenden Server. Der Server kombiniert diese Updates und schickt ein verbessertes globales Modell zurück. Dieser Ansatz, bekannt als föderiertes Lernen, soll Privatsphäre wahren und auf große Flotten skalieren.

Ungleich verteilte Daten über viele Fluggeräte ausgleichen

Eine zentrale Herausforderung ist, dass einige Drohnen überwiegend Routineverkehr sehen, während andere mit bestimmten Angriffsarten konfrontiert sind, was zu stark ungleich verteilten Daten unter den Teilnehmern führt. BANCO-FL begegnet dem, indem es sorgfältig ausbalanciert, wie viele normale Beispiele jeder Client erhält, und indem es gezielt herausfordernde Konfigurationen simuliert: eine mit drei Clients, die jeweils sehr unterschiedliche Mischungen von Angriffen sehen, und eine mit neun Clients, von denen jeder auf einen einzelnen Angriffstyp spezialisiert ist. Das Framework setzt außerdem auf ein einfaches zweischichtiges neuronales Netz, das gut mit tabellarischen Netzwerkstatistiken harmoniert und leicht genug ist, um auf ressourcenbeschränkten Edge-Geräten zu laufen.

Intelligentere Wege, sich auf ein globales Modell zu einigen

Nicht alle Methoden zum Zusammenführen lokaler Modelle sind gleichwertig. Die Studie vergleicht mehrere Strategien zur Aggregation von Client-Updates, darunter Standardmittelung, proximitätsbasierte Korrektur, adaptive Optimierung (FedAdam), medianbasierte Aggregation und das Clustern ähnlicher Clients (ClusterAvg). Sowohl in den Szenarien mit drei als auch mit neun Clients erreichen die adaptiven und clusteringbasierten Methoden konstant schneller Spitzenleistungen und zeigen stabileres Verhalten über die Clients hinweg. BANCO-FL erzielt rund 99,98 % Genauigkeit, Precision, Recall und F1-Score und reduziert Fehlklassifikationen um mehr als ein Drittel im Vergleich zu früheren zentralisierten und föderierten Ansätzen. Wichtig ist, dass diese Verbesserungen auch dann bestehen bleiben, wenn Clients sehr unterschiedliche Angriffsprofile sehen, was zeigt, dass das System fair und zuverlässig über die Flotte hinweg bleibt.

Was das für die alltägliche Sicherheit bedeutet

Einfach ausgedrückt zeigt BANCO-FL, dass Drohnenflotten Cyberangriffe sehr zuverlässig erkennen können, ohne ihre rohen Kommunikationsprotokolle an einem zentralen Ort zu sammeln. Durch die Verwendung eines leichtgewichtigen Modells, sorgfältig ausbalancierter Datenverteilung und intelligenterer Methoden zum Zusammenführen der gelernten Beiträge liefert das Framework nahezu perfekte Erkennung schädlichen Verkehrs, respektiert dabei die Privatsphäre und reduziert den Netzwerkaufwand. Mit der zunehmenden Verbreitung von Drohnen in zivilen und militärischen Anwendungen weisen Ansätze wie BANCO-FL auf eine Zukunft hin, in der der Luftraum sicherer bleibt, weil viele Geräte im Hintergrund gemeinsam, unauffällig lernen, statt sich auf einen einzigen, verwundbaren Wachtturm zu verlassen.

Zitation: Bithi, M., Masud, M.E. & Hossain, M.A. A new adaptive federated learning approach for privacy preserving UAV anomaly detection under non-IID distributions. Sci Rep 16, 8451 (2026). https://doi.org/10.1038/s41598-026-38732-z

Schlüsselwörter: UAV-Sicherheit, föderiertes Lernen, Anomalieerkennung, datenschutzfreundliche KI, Cybersicherheit