自2017年年中以來，羅克韋爾柯林斯的一個研究小組一直在羅克韋爾柯林斯的資助下工作，旨在解決涉及無人機系統（UAS）的網絡安全問題。這項研究將于2019年初結束，已經擴展到包括一群小型UAS，為UND學生提供了使用機器學習和神經網絡檢測國家空域多個目標的真實實踐經驗。

UND網絡安全項目主任Prakash Ranganathan博士正在領導羅克韋爾柯林斯贊助的研究項目，該項目名為“無人機空域的地理圍欄檢測系統（GFDS）以提供反自治”。

無人機系統在國家空域的使用越來越多，這需要繼續研究安全和探測方面的進展。雖然商用UAS市場并不完全關注惡意網絡攻擊者，但軍方需要的系統在某種程度上不可能進行逆向工程。“小型UAS或無人機只是網絡物理系統（CPS），這意味著有硬件和軟件組件相互作用來實現目標，”Ranganathan說。“嵌入在這些sUAS（小型無人機系統）中的電子和軟件應用程序是脆弱的。

事實上，經驗豐富的惡意黑客可以對無人機敏感的漏洞類型進行實地考察：“黑客可以利用的漏洞包括利用通信渠道（射頻、Wi-Fi、藍牙）來訪問、傳輸和傳輸消息在一架無人機之間到另一架無人機或網絡，”Ranganathan 指出。

“此外，GPS也可以被欺騙來控制這些無人機，”他繼續說道。Ranganathan和研究員Eric Horton在他們合著的文章“開發GPS欺騙設備以攻擊DJI Matrice 100四軸飛行器”中解釋說，“GPS欺騙是通過一個能夠模仿與目標可見的GPS星座中每顆衛星相關的GPS信號的系統完成的。假GPS信號的GPS傳輸功率高于真實信號，導致接收器鎖定它們以支持真正的GPS。此時，可以操縱假信號的時移來篡改接收器報告的位置和時間。

UND團隊深入研究機器學習等尖端技術來檢測多個目標。例如，“在研究中，基于機器人操作系統（ROS）的群體平臺被用來模擬各種通信和控制架構，用于避免碰撞，路徑規劃和安全通信等條件，”Ranganathan解釋說。“包含來自多個無人機供應商的近20，000張圖像的大型圖像數據集使用先進的機器學習和基于卷積神經網絡（CNN）的算法進行訓練和測試，以檢測空域中的多種目標類型。預計研究團隊將很快在一群定制的sUAS中測試這些方法。

盡管研究人員、UAS開發人員和學生都在使用這些尖端技術，但他們仍然面臨一定的限制。“無人機安全技術必須強大，以適應無人機有限的尺寸、重量和功率（SWaP）的限制，”Ranganathan說。“安全軟件和硬件在無人機的重量和功耗方面不能太費力。

此外，他補充說，在使用UAS時，我們可以再依賴Wi-Fi，射頻（RF）和藍牙技術：這些主要通信線路不再有效，這意味著UAS“設計考慮需要包括蜂窩基礎設施和其他通信模式的組合和切換。

由于這些問題，正在進行的研究和開發至關重要。不幸的是，“在無人機的安全方面幾乎沒有付出努力，”Ranganathan評論道。“關于地面控制站、無人機及其數據存儲單元之間加密方法部署的文獻正在不斷發展。

Ranganathan說，當用戶尋求在任務中添加更多無人機或尋求整合新興技術時，安全挑戰繼續增加。但這些問題將得到解決，他說。“當涉及多架無人機時，人們越來越了解如何確保安全性，以及安全方法如何使用現有的分布式計算方法（如區塊鏈或其他加密方法）來提供強大的容錯sUAS。

審核編輯：郭婷