[论文解读] 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 13

一句话总结

该论文提出SODA，一种基于深度神经网络（DNN）的两阶段系统，通过分析接收到信号的物理层特征（IQ样本和相位）来检测ADS-B欺骗攻击。该系统在仅0.43%误报率下实现了99.34%的地面欺骗攻击检测准确率，以及96.68%的单架飞机识别F-score，显著优于传统机器学习方法。

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.

研究动机与目标

• 为解决ADS-B系统因缺乏加密和认证而存在的关键安全漏洞，该漏洞使欺骗攻击成为可能。
• 通过物理层信号特征（无需依赖密码协议）检测地面欺骗攻击（如重放攻击和虚拟飞机注入攻击）。
• 基于ADS-B信号中的独特相位模式，识别并分类单个飞机，以检测伪装攻击。
• 开发一种可扩展的非密码学检测系统，以改进现有指纹识别和基于机器学习的方法。
• 利用真实OTA数据，在实际条件下评估DNN检测器的鲁棒性和性能。

提出的方法

• SODA采用两阶段DNN架构：消息分类器分析IQ样本，以检测来自地面攻击者的恶意消息。
• 飞机分类器利用接收到信号中的相位模式，预测真实ICAO地址，并与消息中声称的ICAO地址进行比较。
• 系统在真实世界ADS-B信号上进行训练，这些信号通过在电波暗室中搭建的OTA测试平台采集，包含合法和欺骗传输。
• 特征提取聚焦于物理层特性，如同相（I）和 quadrature（Q）样本，以及信号相位变化，以捕捉发射机特有的签名。
• 模型训练采用监督学习方法，使用带标签数据，并通过超参数调优以优化检测和分类性能。
• 最终模型（M5）经过微调，以提高分类准确率并降低各类飞机的误分类率。

实验结果

研究问题

• RQ1 仅使用IQ样本和相位等物理层特征，DNN系统能否检测到基于地面的ADS-B欺骗攻击？
• RQ2 DNN对ADS-B信号中相位模式的飞机分类准确度如何？
• RQ3 DNN检测器的性能如何随训练集大小和分类任务中飞机数量的变化而变化？
• RQ4 当攻击者模仿可信飞机的传输模式时，系统能否检测到欺骗攻击？
• RQ5 与XGBoost、SVM和逻辑回归等传统机器学习方法相比，所提出的DNN方法在性能上表现如何？

主要发现

• SODA对地面欺骗攻击的检测概率达99.34%，误报率仅为0.43%。
• 飞机分类器的平均F-score为96.68%，准确率为96.66%，显著优于现有最先进方法。
• 仅使用20%的训练数据，分类器准确率仍保持在80%以上，且在达到某一数据阈值后性能趋于饱和。
• 当飞机数量从25增加到238时，分类准确率从98.06%略微下降至约95%，表明存在适度的可扩展性影响。
• 混淆矩阵显示仅有33个非对角线条目存在误分类率≥2%，其中最高误分类率（8.0%）出现在两架相似飞机（91号和92号）之间。
• 微调后的模型将F-score <90%的飞机比例从M1的23.53%降低至仅2.5%，证明了模型优化的有效性。