一种用于在非IID分布下保护隐私的无人机异常检测的新型自适应联邦学习方法

为何更安全的天空很重要

小型无人机正迅速融入日常生活，从包裹投递和作物监测到灾害响应和边境巡逻。随着越来越多的无人机升空，它们的无线链路也成为黑客的诱人目标。一架被攻破的无人机可能泄露敏感的视频画面、扰乱应急行动，甚至帮助攻击者渗透关键基础设施。本文研究如何在保持原始飞行数据私密的同时，在无人机网络内发现此类数字入侵。

集中监视的问题

目前，大多数用于检测网络流量中异常或危险行为的系统采用集中式：所有数据汇集到单一服务器，服务器训练机器学习模型以区分正常模式和可疑活动。对于无人机而言，这种做法并不理想。它们的飞行路径、任务和无线环境差异很大，因此每架无人机产生的数据信号各不相同。将所有这些敏感信息集中存放会带来隐私风险，并可能降低模型的准确性，尤其是当某架无人机的数据与其它大不相同时。这会导致性能不稳定、误报或漏报增多。

让无人机共同学习，但保持私密

作者提出了BANCO-FL，一种新框架，允许大量无人机在不将原始数据发送到中央服务器的情况下共同学习共享的安全模型。每架无人机或代表其的地面站在本地使用自身的流量记录训练一个小型轻量神经网络，这些记录包含数百万条正常连接和攻击示例，如拒绝服务洪泛、密码猜测、重放尝试和伪造控制消息。参与方不共享底层数据包，只发送更新后的模型参数到协同服务器。服务器汇总这些更新并返回改进的全局模型。该方法被称为联邦学习，旨在保护隐私并可扩展到大规模机队。

在众多飞行器间平衡不均的数据

一个关键难点是，有些无人机主要遇到日常流量，而另一些则面临特定类型的攻击，导致参与方之间的数据高度不均匀。BANCO-FL通过谨慎平衡每个客户端接收到的正常样本数量来应对这一点，并有意模拟具有挑战性的场景：一个由三名客户端组成的设置，每个客户端看到的攻击组合都大相径庭；另一个由九名客户端组成，每个客户端专注于单一攻击类型。该框架还选定了一个简单的两层神经网络，适用于表格化的网络统计特征，并足够轻量以在资源受限的边缘设备上运行。

更智能的全局模型达成方式

并非所有合并本地模型的方法都同等有效。研究比较了多种合并客户端更新的策略，包括标准平均、基于接近度的校正、自适应优化（FedAdam）、基于中位数的聚合，以及将相似客户端聚类在一起（ClusterAvg）。在三客户端和九客户端场景中，自适应和基于聚类的方法始终更快达到最佳性能，并在各客户端间表现更稳定。BANCO-FL在准确率、精确率、召回率和F1分数上均达到约99.98%，并相比早期的集中式和联邦方案将误分类减少了三分之一以上。重要的是，这些提升即使在客户端遭遇截然不同的攻击模式时也能保持，表明系统在整个机队中仍然公平且可靠。

这对日常安全意味着什么

简单来说，BANCO-FL表明无人机机队可以在不汇聚其原始通信日志的情况下，也能非常有效地识别网络攻击。通过采用轻量模型、谨慎平衡的数据处理和更智能的模型融合方式，该框架在尊重隐私并减少网络开销的同时，提供近乎完美的有害流量检测。随着无人机在民用和军事领域变得更为普及，像BANCO-FL这样的办法指向了一个未来：众多设备在后台协同学习，使天空更安全，而不是依赖单一、易受攻击的哨塔。

引用: 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

关键词: 无人机安全, 联邦学习, 异常检测, 隐私保护型人工智能, 网络安全