(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 20221015470 3.4 (22)申请日 2022.02.21 (65)同一申请的已公布的文献号 申请公布号 CN 114240933 A (43)申请公布日 2022.03.25 (73)专利权人 中国民航大 学 地址 300000 天津市东 丽区津北公路2898 号 (72)发明人 岳猛　郑瀚　 (74)专利代理 机构 天津心知意达知识产权代理 事务所(普通 合伙) 12260 专利代理师 杨正律 (51)Int.Cl. G06T 7/00(2017.01) G08G 5/00(2006.01)G06N 3/04(2006.01) G06V 10/74(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06T 7/11(2017.01) G06T 7/90(2017.01) G06V 10/26(2022.01) (56)对比文件 EP 3680617 A1,2020.07.15 CN 110832416 A,2020.02.21 JP 20190 64584 A,2019.04.25 审查员 柳倩 (54)发明名称 一种用于空中交通管制的ADS-B攻击检测方 法 (57)摘要 本发明提供了一种用于空中交通管制的 ADS‑B攻击检测方法， 包括数据采集与处理、 建立 图像集、 建立GAN ‑LSTM预测模型、 输 出预测图像、 NCC相似度值评估以及图像标注。 本发明公开的 一种用于空中交通管制的ADS ‑B攻击检测方法在 ADS‑B数据的基础上， 结合飞行计划数据， 构建 空 域图像流， 利用搭建的GAN ‑LSTM模型预测图像， 并通过NCC相似度值进行可疑图像识别标注， 筛 选出异常目标， 具有数据处理速度快、 符合ATC的 运行规则以及检测结果输出直观 清晰的特点。 权利要求书2页 说明书5页 附图4页 CN 114240933 B 2022.05.06 CN 114240933 B 1.一种用于空中交通管制的AD S‑B攻击检测方法， 其特 征在于： 包括： 步骤1： 数据采集与处理:采集ADS ‑B飞行数据和飞行计划数据， 如果相对应的ADS ‑B飞 行数据的航班呼号与飞行计划数据航班呼号不相同， 则直接判定为非法数据； 如果相对应 的ADS‑B飞行数据的航班呼号与飞行计划数据航班呼号相同， 则进一步计算偏离程度 Dev 值， 偏离程度 Dev值与ADS‑B飞行数据中的位置信息、 飞行高度、 速度、 航向组成数据组； 其中，Dev = max (Dd, Dt, Dv) ，Dev值取Dd, Dt, Dv三者之间的最 大值；Dd是ADS‑B飞行 数据和飞行计划数据之间的航迹偏差， Dt是ADS‑B飞行数据和飞行计划数据之间的时间偏 差，Dv是ADS‑B飞行数据和飞行计划数据之间的速度偏差； 步骤2： 建立图像集： 把数据组投影成三角形的空域图像， 三角形的顶点代表飞机的位 置信息， 三角形的高代表飞行高度， 三角形的底 边代表飞机的速度， 三角形的底边中线代表 飞机的航向， 三角形的颜色值代 表偏离程度 Dev值， 连续空域图像组成图像集； 步骤3： 建立GAN ‑LSTM预测模型:  GAN‑LSTM预测模型包括生成器以及判决器； 生成器包 括卷积模块， LSTM神经网络模块以及反卷积模块； 图像集作为输入样本图像， 通过卷积模块 计算不断提取重要特征， 输入到LSTM神经网络模块， LSTM神经网络模块输出的预测数据通 过反卷积模块生成预测图像输入到判决器中的CNN卷积神经网络模型， CNN卷积神经网络模 型使用预测图像与样本图像进行监督性训练， 通过判定误差更新模型权值； LSTM神经网络 模块通过自身误差以及CN N卷积神经网络模型的判定误差更新模型权值； 步骤4： 输入实时的图像数据到建立的GAN ‑LSTM预测模型中， 输出 预测图像； 步骤5： NCC相似度值评估及图像标注： 首先将对应的预测图像和样本图像分别均匀分 割成N  × N的图像子块， 分别计算对应位置图像子块的之 间的NCC相似度值； 当所有对应位 置图像子块的NCC相似度值均大于异常阈值时， 样本图像被判断成正常帧， 不进行图像标 注； 当任一对应位置的图像子块的NCC相似度值小于或等于异常阈值时， 则该样本图像判定 成可疑帧， 进一步提取该可疑帧为中心的样本图像序列， 统计该样本图像序列内已被判定 为可疑帧的数量， 如果没有超过判定阈值， 则该可疑帧不进行图像标注； 如果超过判定阈 值， 则该可疑帧进行图像标注； NCC相似度值计算方式如下： 其中，m是一个图像子块的总像素数 ， f（i，j） 代表样本图像子块中像素点 （ i，j） 的像素 值，t（i，j） 代表预测图像子块中像素点 （ i，j） 的像素值， μf是样本图像子 块像素平均值， μt是 预测图像子 块像素平均值， σf是样本图像子 块像素值 标准差，σt是预测图像子 块像素值 标准 差。 2.根据权利要求1所述的一种用于空中交通管制的ADS ‑B攻击检测方法， 其特征在于： 在步骤1中： Dd = d  ×  sin (θt) / Dd‑up‑bound d为ADS‑B飞行数据中位置信息与飞行计划数据中位置信息的距离， θt 为ADS‑B飞行数 据中航向与飞行计划数据中航向的差值，  Dd‑up‑bound为ATC规则中水平航路偏离的上限； Dt = (d  ×  cos (θt) / vi ) / Dt‑up‑bound d为ADS‑B飞行数据中位置信息与飞行计划数据中位置信息的距 离，vi表示ADS‑B飞行数权　利　要　求　书 1/2 页 2 CN 114240933 B 2据中速度， θt 为ADS‑B飞行数据中航向与飞行计划数据中航向的差值， Dt‑up‑bound表示飞行计 划允许航空器到 达下一导航台的时间偏差上限值； Dv = |(vi – v0) / v0)| / Dv‑up‑bound 其中v0 是飞行计划数据中速度， vi是ADS‑B飞行数据中速度， Dv‑up‑bound 表示速度偏差 的上限。 3.根据权利要求1所述的一种用于空中交通管制的AD S‑B攻击检测方法， 其特 征在于： 在步骤3中： 对判决器的CNN卷积神经网络模型进行优化， 使用的对抗损失函数 如 下： 其中， 是预测图像， 是样本图像， 是样本图像 的标签值， 是预测图像 经过判决器 CNN卷积神经网络模型的判定值； 继续对生成器的LSTM神经网络模块进行优化， 使用的目标函数 L如下： 权重系数 均不为零； 重构损失函数 如下： 其中， 是预测图像， 是样本图像， n是样 本图像的像素总数， 是样本图像 中像素点 （i，j） 的像素值， 是预测图像中像素点 （ i，j） 的像素值； 梯度损失函数 如下： 其中， 是预测图像， 是样本图像， 是预测图像中像素点 （ i，j） 的像素值， 是预测 图像中像素点 （ i‑1，j） 的像素值， 是预测图像中像素点 （ i，j‑1） 的像素值， 是样本图 像中像素点 （ i，j） 的像素值， 是样本图像中像素点 （ i‑1，j） 的像素值， 是样本图像 中像素点 （ i，j‑1） 的像素值。权　利　要　求　书 2/2 页 3 CN 114240933 B 3