Nowe adaptacyjne podejście do federacyjnego uczenia dla wykrywania anomalii w UAV przy zachowaniu prywatności w rozkładach nie-IID

Dlaczego bezpieczniejsze niebo ma znaczenie

Małe bezzałogowe statki powietrzne szybko stają się częścią codziennego życia — od dostaw paczek i monitoringu upraw po działania ratunkowe i ochronę granic. Wraz z rosnącą liczbą dronów w powietrzu, ich łącza bezprzewodowe stają się kuszącym celem dla hakerów. Jeden skompromitowany dron może ujawnić wrażliwe nagrania wideo, zakłócić działania ratunkowe lub pomóc napastnikom w przeniknięciu do krytycznej infrastruktury. W tym badaniu analizujemy, jak wykrywać takie cyfrowe włamania w sieciach dronów, jednocześnie zachowując prywatność surowych danych lotu.

Problem obserwacji z jednego miejsca

Obecnie większość systemów wykrywających nietypowe lub niebezpieczne zachowania w ruchu sieciowym działa centralnie: wszystkie dane są przesyłane do jednego serwera, który trenuje model uczenia maszynowego rozróżniający wzorce normalne od podejrzanych. Dla dronów takie podejście jest nieodpowiednie. Ich trasy lotu, zadania i warunki radiowe znacznie się różnią, więc każdy dron generuje unikalne wzorce danych. Gromadzenie wszystkich tych wrażliwych informacji w jednym miejscu zwiększa ryzyko naruszeń prywatności i może pogorszyć dokładność modelu, zwłaszcza gdy dane poszczególnych dronów bardzo się od siebie różnią. W efekcie wydajność staje się niestabilna, a liczba fałszywych alarmów lub pominiętych ataków rośnie.

Pozwolić dronom uczyć się razem, lecz prywatnie

Autorzy proponują BANCO-FL — nową architekturę pozwalającą wielu dronom nauczyć się wspólnego modelu bezpieczeństwa bez przesyłania surowych danych do centralnego serwera. Każdy dron, albo stacja naziemna działająca w jego imieniu, lokalnie trenuje niewielką, lekką sieć neuronową na własnych zapisach ruchu, obejmujących miliony przykładów zarówno normalnych połączeń, jak i ataków, takich jak zalewy typu denial-of-service, zgadywanie haseł, próby powtórzeniowe czy fałszywe polecenia sterujące. Zamiast udostępniać pakiety, uczestnicy przesyłają jedynie zaktualizowane parametry modelu do koordynującego serwera. Serwer łączy te aktualizacje i odsyła ulepszony model globalny. To podejście, znane jako uczenie federacyjne, ma na celu ochronę prywatności i skalowanie na duże floty.

Równoważenie nierównomiernych danych wielu operatorów

Kluczową trudnością jest to, że niektóre drony mogą obserwować głównie rutynowy ruch, podczas gdy inne napotykają specyficzne typy ataków, co prowadzi do bardzo nierównomiernych rozkładów danych między uczestnikami. BANCO-FL radzi sobie z tym, starannie równoważąc, ile przykładów normalnych trafia do każdego klienta i symulując świadomie trudne konfiguracje: jedną z trzema klientami, z których każdy widzi bardzo różne mieszanki ataków, oraz drugą z dziewięcioma klientami, z których każdy specjalizuje się w jednym typie ataku. Framework przyjmuje też prostą, dwuwarstwową sieć neuronową, dobrze sprawdzającą się na tabelarycznych statystykach sieci i wystarczająco lekką, by działać na urządzeniach brzegowych o ograniczonych zasobach.

Sprytniejsze sposoby uzgadniania modelu globalnego

Nie wszystkie metody łączenia lokalnych modeli są równie skuteczne. Badanie porównuje kilka strategii agregacji aktualizacji klientów, w tym standardowe uśrednianie, korekcję opartą na bliskości, adaptacyjne optymalizatory (FedAdam), agregację medianową oraz grupowanie podobnych klientów (ClusterAvg). Zarówno w scenariuszach z trzema, jak i dziewięcioma klientami, metody adaptacyjne i oparte na klastrowaniu konsekwentnie osiągają najlepsze wyniki szybciej i z większą stabilnością między klientami. BANCO-FL osiąga około 99,98% dokładności, precyzji, czułości i miary F1 oraz redukuje błędne klasyfikacje o ponad jedną trzecią w porównaniu z wcześniejszymi scentralizowanymi i federacyjnymi schematami. Co ważne, te korzyści utrzymują się nawet wtedy, gdy klienci obserwują bardzo różne wzorce ataków, co pokazuje, że system pozostaje sprawiedliwy i niezawodny w całej flocie.

Co to oznacza dla codziennego bezpieczeństwa

Mówiąc prosto, BANCO-FL pokazuje, że floty dronów mogą wyjątkowo dobrze uczyć się rozpoznawania cyberataków, nie gromadząc jednocześnie swoich surowych logów komunikacyjnych w jednym miejscu. Dzięki lekkim modelom, starannemu równoważeniu udostępniania danych oraz inteligentniejszym sposobom scalania wiedzy poszczególnych dronów, rozwiązanie dostarcza niemal doskonałe wykrywanie szkodliwego ruchu przy jednoczesnym poszanowaniu prywatności i zmniejszeniu obciążenia sieci. W miarę jak drony stają się powszechniejsze w zastosowaniach cywilnych i wojskowych, podejścia takie jak BANCO-FL wskazują drogę ku przyszłości, w której niebo będzie bezpieczniejsze dzięki wielu urządzeniom uczącym się razem dyskretnie w tle, zamiast polegać na jednym, podatnym na atak punkcie obserwacyjnym.

Cytowanie: 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

Słowa kluczowe: Bezpieczeństwo UAV, uczenie federacyjne, wykrywanie anomalii, Sztuczna inteligencja chroniąca prywatność, cyberbezpieczeństwo