גישה חדשה ללמידה פדרטיבית אדפטיבית לזיהוי אנומליות של כלי טיס בלתי מאוישים תוך שמירה על פרטיות תחת התפלגויות לא-IID

מדוע שמיים בטוחים יותר חשובים

כלי טיס קטנים בלתי מאוישים נכנסים במהירות לשימוש יומיומי — ממסירת חבילות ומעקב אחרי גידולים ועד תגובה לאסונות ובטחון גבולות. ככל שיותר רחפנים עולים לאוויר, הקישורים האלחוטיים שלהם הופכים ליעד מפתה עבור המתקיפים. רחפן אחד שנפרץ עלול לחשוף שידורי וידאו רגישים, לשבש מבצעי חירום או לסייע לתוקפים לחדור לתשתיות קריטיות. המחקר הזה חוקר איך ניתן לגלות חדירות דיגיטליות ברשתות רחפנים תוך שמירה על פרטיות נתוני הטיסה הגולמיים.

הבעיה שבצפייה ממקום אחד

כיום רוב המערכות שמחפשות התנהגות חשודה בתעבורת רשת פועלות באופן מרוכז: כל הזרמים נשלחים לשרת יחיד שמאמן מודל למידת מכונה להבחין בין דפוסים רגילים לחשודים. עבור רחפנים זה פתרון לא מתאים. מסלולי הטיסה, המשימות ותנאי האלחוט משתנים במידה רבה, כך שכל רחפן מייצר דפוסי נתונים יחודיים משלו. הצטברות כל המידע הרגיש במקום אחד מגדילה סיכוני פרטיות ועלולה להוריד את דיוק המודל, במיוחד כשהנתונים של כל רחפן שונים באופן קיצוני. התוצאה עלולה להיות ביצועים לא יציבים והרבה התרעות שווא או התקפות שלא זוהו.

לתת לרחפנים ללמוד ביחד — בפרטיות

המחברים מציעים את BANCO-FL, מסגרת חדשה שמאפשרת לרחפנים רבים ללמוד מודל אבטחה משותף מבלי לשלוח את הנתונים הגולמיים שלהם לשרת מרכזי. כל רחפן, או תחנת קרקע שמייצגת אותו, מאמן מקומית רשת נוירונים זעירה וקלת משקל על רשומות התעבורה שלו, הכוללות מיליוני דוגמאות של חיבורים תקינים והתקפות כגון הצפות מניעת שירות, ניחוש סיסמאות, ניסיונות השמעה חוזרת והודעות פיקוד מזויפות. במקום לשתף את החבילות עצמן, כל משתתף שולח רק פרמטרים מעודכנים של המודל לשרת מתאם. השרת משלב את העדכונים ושולח חזרה מודל גלובלי משופר. גישה זו, המכונה למידה פדרטיבית, נועדה לשמר פרטיות ולהתרחב לציים גדולים.

איזון נתונים לא אחידים בין רחפנים רבים

קושי מרכזי הוא שחלק מהרחפנים עשויים לראות בעיקר תעבורה שגרתית בעוד אחרים נתקלים בסוגים מסוימים של התקפות, מה שיוצר חוסר שוויון גדול בנתונים בין המשתתפים. BANCO-FL מתמודד עם זאת על ידי איזון קפדני של מספר הדוגמאות התקינות שכל לקוח מקבל ועל ידי סימולציה מפורשת של תרחישים מאתגרים: אחד עם שלושה לקוחות שכל אחד מהם רואה תערובות התקפות שונות מאוד, ואחר עם תשעה לקוחות שכל אחד מתמחה בסוג התקפה יחיד. המסגרת גם ממליצה על רשת נוירונים פשוטה בעלת שתי שכבות שעובדת היטב עם סטטיסטיקות טבלאיות של הרשת וקלה מספיק להפעלה על מכשירים בעלי משאבים מוגבלים בקצה.

דרכים חכמות יותר להסתכם על מודל גלובלי

לא כל שיטות המיזוג של המודלים המקומיים שוות. המחקר משווה מספר אסטרטגיות לשילוב עדכוני הלקוחות, כולל ממוצע סטנדרטי, תיקון מבוסס קרבה, אופטימיזציה אדפטיבית (FedAdam), איגוד מבוסס מדיאן ואשכולות של לקוחות דומים (ClusterAvg). גם בתרחישי שלושה וגם בתרחישי תשעה לקוחות, השיטות האדפטיביות והמבוססות אשכולות הגיעו בעקביות לביצועים הטובים ביותר מהר יותר ובעם התנהגות יציבה יותר בין הלקוחות. BANCO-FL משיגה דיוק, פרסיזיה, ריקול ו־F1 של כ־99.98%, ומפחיתה שגיאות סיווג ביותר משליש בהשוואה לסכמות מרכזיות ופדרטיביות קודמות. חשוב שהשיפורים האלה נשמרים גם כאשר ללקוחות יש דפוסי התקפה שונים מאוד, מה שמראה שהמערכת נשארת הוגנת ואמינה בכל הצי.

מה המשמעות לביטחון היומיומי

פשטות הדברים: BANCO-FL מראה שצי רחפנים יכול ללמוד לזהות התקפות סייבר ברמת דיוק גבוהה מבלי לאחד את יומני התקשורת הגולמיים שלהם במקום אחד. באמצעות מודל קל משקל, שיתוף נתונים מאוזן בקפידה ודרכים חכמות יותר למיזוג מה שלכל רחפן לומד, המסגרת מספקת גילוי כמעט מושלם של תעבורה מזיקה תוך שמירה על פרטיות והפחתת עומס רשת. ככל שתרחפנים נהיים נפוצים יותר בתפקידים אזרחיים וצבאיים, גישות כמו BANCO-FL מצביעות על עתיד שבו השמיים יהיו בטוחים יותר בזכות מכשירים רבים שלומדים יחד בדממוּת ברקע, במקום להסתמך על מגדל משמר יחיד ופגיע.

ציטוט: 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

מילות מפתח: בטיחות כלי טיס בלתי מאוישים, למידה פדרטיבית, זיהוי אנומליות, בינה מלאכותית לשימור פרטיות, סייבר־ביטחון