Новый адаптивный подход федеративного обучения для обнаружения аномалий в БПЛА с сохранением конфиденциальности при не-IID распределениях

Почему безопасность воздушного пространства важна

Малые беспилотные летательные аппараты быстро входят в повседневную жизнь — от доставки посылок и мониторинга полей до реагирования при стихийных бедствиях и охраны границ. Но по мере роста числа дронов их беспроводные каналы становятся заманчивой целью для злоумышленников. Один скомпрометированный аппарат может раскрыть чувствительные видеопотоки, нарушить работу служб экстренного реагирования или помочь атакующим проникнуть в критическую инфраструктуру. В этом исследовании рассматривается, как обнаруживать такие цифровые взломы в сетях дронов, одновременно сохраняя приватность исходных полётных данных.

Проблема наблюдения из единой точки

Сегодня большинство систем, ищущих необычное или опасное поведение в сетевом трафике, работают централизованно: все данные стекаются на один сервер, который обучает модель машинного обучения различать нормальные паттерны и подозрительную активность. Для дронов такой подход плохо подходит. Маршруты полёта, миссии и условия связи сильно различаются, поэтому каждый аппарат генерирует свои уникальные шаблоны данных. Сбор всех этих чувствительных сведений в одном месте повышает риски для приватности и может снизить точность модели, особенно когда данные отдельных дронов сильно отличаются друг от друга. В результате наблюдаются нестабильная работа модели, слишком много ложных тревог или пропущенных атак.

Дать дронам учиться вместе — но приватно

Авторы предлагают BANCO-FL — новую систему, которая позволяет множеству дронов совместно обучать общую модель безопасности, не отправляя при этом исходные данные на центральный сервер. Каждый дрон или наземная станция от его имени локально обучает небольшую, лёгкую нейронную сеть на своих записях трафика, включающих миллионы примеров как нормальных подключений, так и атак: от отказа в обслуживании и подбора паролей до повторных воспроизведений и поддельных управляющих сообщений. Вместо пересылки пакетов участники отправляют только обновлённые параметры модели на координирующий сервер. Сервер объединяет эти обновления и возвращает улучшенную глобальную модель. Такой подход, известный как федеративное обучение, призван сохранять приватность и масштабироваться на большие парки аппаратов.

Уравновешивание неравномерных данных между участниками

Ключевая трудность в том, что одни дроны видят в основном рутинный трафик, тогда как другие сталкиваются с определёнными типами атак — возникает сильная неравномерность данных между участниками. BANCO-FL решает это путём тщательного балансирования того, сколько нормальных примеров получает каждый клиент, а также посредством явного моделирования сложных сценариев: один с тремя клиентами, у каждого из которых очень разные сочетания атак, и другой с девятью клиентами, где каждый специализируется на одном типе атаки. В рамках системы также выбрана простая двухслойная нейронная сеть, хорошо работающая с табличной статистикой сети и достаточно лёгкая для выполнения на ресурс-ограниченных устройствах на периферии.

Более умные способы согласования глобальной модели

Не все способы объединения локальных моделей одинаково хороши. В исследовании сравниваются несколько стратегий комбинирования обновлений клиентов: стандартное усреднение, коррекция на основе близости, адаптивная оптимизация (FedAdam), агрегирование по медиане и группировка похожих клиентов (ClusterAvg). В сценариях с тремя и девятью клиентами адаптивные и кластеризационные методы последовательно достигают лучшей производительности быстрее и обеспечивают более стабильное поведение между клиентами. BANCO-FL достигает примерно 99.98% точности, точности по положительным прогнозам, полноты и F1-метрики, а также сокращает количество ошибочных классификаций более чем на треть по сравнению с предыдущими централизованными и федеративными схемами. Важно, что эти преимущества сохраняются даже при очень разных паттернах атак у клиентов, что показывает справедливость и надёжность системы на всём парке устройств.

Что это означает для повседневной безопасности

Проще говоря, BANCO-FL демонстрирует, что парки дронов могут чрезвычайно эффективно распознавать кибератаки, не объединяя свои исходные журналы связи в одном месте. За счёт лёгкой модели, аккуратного балансирования обмена данными и более умных способов объединения локальных знаний, эта система обеспечивает почти идеальное обнаружение вредоносного трафика при уважении приватности и снижении сетевой нагрузки. По мере того как дроны становятся всё более распространёнными в гражданской и военной сферах, подходы вроде BANCO-FL указывают на будущее, в котором небо остаётся безопаснее благодаря многим устройствам, тихо обучающимся совместно в фоновом режиме, а не полагающемуся на одну уязвимую смотровую башню.

Цитирование: 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

Ключевые слова: безопасность БПЛА, федеративное обучение, обнаружение аномалий, конфиденциальный ИИ, кибербезопасность