[논문 리뷰] Leveraging the Power of Ensemble Learning for Secure Low Altitude Economy

Yaoqi Yang, Yong Chen외 4명|arXiv (Cornell University)|2026. 02. 07.

Air Traffic Management and Optimization인용 수 0

한 줄 요약

본 논문은 Secure Low Altitude Economy에서 악의적 항공기의 침입 탐지, 식별, 위치 추적 및 인증을 향상시키기 위해 앙상블 학습을 활용하고 이를 평가하며, 악의적 항공기 추적에 대한 사례 연구를 포함한다.

ABSTRACT

Low Altitude Economy (LAE) holds immense promise for enhancing societal well-being and driving economic growth. However, this burgeoning field is vulnerable to security threats, particularly malicious aircraft intrusion attacks. To address the above concerns, intrusion detection systems (IDS) can be used to defend against malicious aircraft intrusions in LAE. Whereas, due to the heterogeneous data, dynamic environment, and resource-constrained devices within LAE, current IDS face challenges in detection accuracy, adaptability, and resource utilization ratio. In this regard, due to the inherent ability to combine the strengths of multiple models, ensemble learning can realize more robust and diverse anomaly detection further enhance IDS accuracy, thereby improving robustness and efficiency of the secure LAE. Unlike single-model approaches, ensemble learning can leverage the collective knowledge of its constituent models to effectively defend the malicious aircraft intrusion attacks. Specifically, this paper investigates ensemble learning for secure LAE, covering research focuses, solutions, and a case study. We first establish the rationale for ensemble learning and then review research areas and potential solutions, demonstrating the necessities and benefits of applying ensemble learning to secure LAE. Subsequently, we propose a framework of ensemble learning-enabled malicious aircrafts tracking in the secure LAE, where its feasibility and effectiveness are evaluated by the designed case study. Finally, we conclude by outlining promising future research directions for further advancing the ensemble learning-enabled secure LAE.

연구 동기 및 목표

• LAE 보안에서 희소하고 이질적인 데이터, 동적 환경, 자원 제약 기기를 다루기 위해 앙상블 학습의 활용을 촉진한다.
• 악의적 항공기의 탐지, 식별, 위치 추정, 인증에 대한 연구 초점을 검토하고 앙상블 기반 솔루션을 제안한다.
• 악의적 항공기를 추적하기 위한 앙상블 학습 기반 프레임워크를 제안하고 사례 연구를 통해 타당성을 보여준다.

제안 방법

• 앙상블 학습이 secure LAE에 왜 적합한지 설명하고 bagging, boosting, stacking을 비교한다.
• 악의적 항공기의 탐지, 식별, 위치 추정, 인증을 위한 기존의 앙상블 기반 솔루션들을 조사한다.
• YOLOX와 Fast R-CNN 탐지기를 사용한 악의적 항공기 추적을 위한 다섯 단계의 앙상블 학습 프레임워크를 제안한다.
• 정밀도, 재현율, 평균 정밀도, 평균 IoU 지표를 사용한 앙상블 성능 평가에 대한 사례 연구를 제시한다.

실험 결과

연구 질문

• RQ1 이질적이고 동적인 조건에서 LAE의 침입 탐지 정확도를 앙상블 학습이 어떻게 향상시킬 수 있는가?
• RQ2 LAE에서 악의적 항공기의 탐지, 식별, 위치 추정 및 인증에 앙상블 방법을 적용하는 이점과 도전과제는 무엇인가?
• RQ3 YOLOX와 Fast R-CNN의 앙상블이 개별 탐지기보다 악의적 항공기 추적을 향상시키는가?

주요 결과

• 다양한 모델을 결합함으로써 LAE에서 탐지의 강건성과 정확성을 향상시킬 수 있다.
• 사례 연구에서 YOLOX와 Fast R-CNN의 앙상블 평균이 단독 모델보다 더 높은 평균 정밀도(앙상블 0.85 대 Fast R-CNN 0.81 및 YOLOX 0.83)를 보인다.
• Mean IoU는 앙상블에서 향상된다(앙상블 0.815 대 Fast R-CNN 0.7762 및 YOLOX 0.8411).