[論文レビュー] Detecting ADS-B Spoofing Attacks using Deep Neural Networks

Xuhang Ying, Joanna Mazer+4 more|arXiv (Cornell University)|Apr 22, 2019

Air Traffic Management and Optimization参考文献 21被引用数 13

ひとこと要約

本稿では、受信信号の物理層特徴（IQサンプルおよび位相）を分析することでADS-Bスプーフィング攻撃を検出する2段階のディープニューラルネットワーク（DNN）ベースのシステムSODAを提案する。地上ベースのスプーフィング攻撃に対して99.34％の検出精度、0.43％の誤検出率、個々の航空機識別において96.68％のFスコアを達成し、従来の機械学習手法を著しく上回る性能を発揮する。

ABSTRACT

The Automatic Dependent Surveillance-Broadcast (ADS-B) system is a key component of the Next Generation Air Transportation System (NextGen) that manages the increasingly congested airspace. It provides accurate aircraft localization and efficient air traffic management and also improves the safety of billions of current and future passengers. While the benefits of ADS-B are well known, the lack of basic security measures like encryption and authentication introduces various exploitable security vulnerabilities. One practical threat is the ADS-B spoofing attack that targets the ADS-B ground station, in which the ground-based or aircraft-based attacker manipulates the International Civil Aviation Organization (ICAO) address (a unique identifier for each aircraft) in the ADS-B messages to fake the appearance of non-existent aircraft or masquerade as a trusted aircraft. As a result, this attack can confuse the pilots or the air traffic control personnel and cause dangerous maneuvers. In this paper, we introduce SODA - a two-stage Deep Neural Network (DNN)-based spoofing detector for ADS-B that consists of a message classifier and an aircraft classifier. It allows a ground station to examine each incoming message based on the PHY-layer features (e.g., IQ samples and phases) and flag suspicious messages. Our experimental results show that SODA detects ground-based spoofing attacks with a probability of 99.34%, while having a very small false alarm rate (i.e., 0.43%). It outperforms other machine learning techniques such as XGBoost, Logistic Regression, and Support Vector Machine. It further identifies individual aircraft with an average F-score of 96.68% and an accuracy of 96.66%, with a significant improvement over the state-of-the-art detector.

研究の動機と目的

• 暗号化や認証が欠如しているため、ADS-Bシステムに深刻なセキュリティ脆弱性が存在し、スプーフィング攻撃が可能になるという問題に対処すること。
• 暗号プロトコルに依存せずに、物理層信号特徴（例：IQサンプル）を用いて地上ベースのスプーフィング攻撃（例：リプレイ攻撃やゴースト航空機の挿入）を検出すること。
• ADS-B信号内の特徴的な位相パターンを用いて個々の航空機を特定・分類し、マスカレード攻撃を検出すること。
• 従来のファンクションフィンガープrintや機械学習ベースの手法を改善する、スケーラブルで暗号化に依存しない検出システムを構築すること。
• 実世界のOTAデータを用いて、リアルな環境下でのDNNベースの検出器の耐障害性および性能を評価すること。

提案手法

• SODAは2段階のDNNアーキテクチャを採用：メッセージ分類器がIQサンプルを分析して地上攻撃者からの悪意あるメッセージを検出する。
• 航空機分類器は受信信号からの位相パターンを用いて、実際のICAOアドレスを予測し、メッセージに記載された主張されたICAOアドレスと照合する。
• システムは、アインコイック・シャンバに設置されたOTAテストベッドを用いて収集した実世界のADS-B信号（正当およびスプーフィング送信を含む）を用いてトレーニングされる。
• 特徴抽出は、同相（I）および quadrature（Q）サンプル、信号位相の変動といった物理層特性に焦点を当てる。
• モデルトレーニングはラベル付きデータを用いた教師あり学習で実施され、検出および分類性能を最適化するためにハイパーパramータチューニングが実施される。
• 最終モデル（M5）は、多様な航空機タイプにわたる分類精度の向上と誤分類率の低減を目的として微調整される。

実験結果

リサーチクエスチョン

• RQ1 IQサンプルや位相といった物理層特徴のみを用いて、DNNベースのシステムが地上ベースのADS-Bスプーフィング攻撃を検出可能か？
• RQ2 ADS-B信号内の位相パターンに基づいて、DNNは個々の航空機をどの程度正確に分類できるか？
• RQ3 トレーニングデータサイズや分類タスクにおける航空機数の変化が、DNN検出器の性能にどのように影響するか？
• RQ4 信頼できる航空機の送信パターンを模倣する攻撃者によるスプーフィング攻撃を検出可能か？
• RQ5 XGBoost、SVM、ロジスティック回帰といった従来の機械学習手法と比較して、本手法のDNNベースのアプローチは性能で優れているか？

主な発見

• SODAは地上ベースのスプーフィング攻撃を99.34％の検出確率、0.43％の誤検出率で検出する。
• 航空機分類器は平均Fスコア96.68％、正答率96.66％を達成し、最先端手法を著しく上回る。
• トレーニングデータの20％のみで分類器の正答率が80％以上を維持し、あるしきい値を超えると性能が飽和する。
• 航空機数が25台から238台に増加するに従い、分類精度は98.06％から約95％にわずかに低下するが、これは中程度のスケーラビリティへの影響を示している。
• 混同行列では、誤分類率が2％以上の非対角成分が33件にとどまり、最も高い誤分類率は2つの類似した航空機（91番と92番）間で8.0％に達する。
• 微調整されたモデルは、Fスコアが90％未満の航空機の割合を、M1の23.53％からわずか2.5％にまで削減し、モデル最適化の有効性を示している。