[发明专利]一种无人机传感器类不平衡数据异常检测方法及检测系统

说明书

本发明公开了一种无人机传感器类不平衡数据异常检测方法及检测系统，属于数据处理技术领域，包括：S1、将数据集中字符型数据转化为数值型，将数值化的数据集归一化；可靠数据标签划分多数类和少数类；S2、通过对抗的方式学习少数类样本的高维特征数据集分布，根据JS散度判断计算生成数据与真实数据的拟合程度，运用sigmoid函数判断真假；S3、将数据集输入到堆叠两个栈式非对称深度自编码器，自编码器映射到隐空间；S4、首先，采用Adam算法优化异常检测模块中随机森林分类器的网络参数，使损失函数收敛；然后，运用测试集数据测试异常检测模块的分类效果；最后，运用该模块进行无人机传感器数据异常检测。

技术领域

本发明属于数据处理技术领域，具体涉及一种无人机传感器类不平衡数据异常检测方法及检测系统。

背景技术

众所周知，作为供应链重要组成部分，无人机系统正趋向庞大化、复杂化，而无人机的网络安全问题日益凸显。多个网络安全实验室通过对无人机开展网络安全漏洞挖掘和攻击利用，发现非法手段可获取无人机控制权，影响无人机系统正常运行，甚至导致无人机坠毁，故针对无人机系统的异常检测尤为重要。

无人机执行飞行任务时，需通过传感器数据对飞行姿态精准调整。但因无人机容易受到来自外界的侵害，例如传感器被干扰、数据被篡改，影响无人机获取正常数据，导致无人机姿态控制异常、飞行任务失败等。因此，若能及时准确的检测到无人机自身异常，对无人机执行目标跟踪、集群控制、编队飞行等多种自主飞行相关任务都有着重要意义。无人机中机载传感器实时记录了飞行数据，可通过分析传感器数据间的相关性，判断无人机飞行状态是否异常。

异常检测(AnomalyDetection)是基于机器学习的方法，从数据集中检测出不符合预期设定的数据。异常数据，是指在数据集中区别于随机偏差，而由其他原因产生的某些数据。这种数据的特点是和预先已知的正常数据偏差较大。类不平衡是指在分类任务中数据存在一个类的实例数量小于其他类的实例数量的情况。

目前无人机传感器数据异常检测分为：基于先验知识的定性检测、基于模型的定量检测、基于数据驱动的检测。

基于先验知识是最基础的一种检测方法。通过综合无人机系统数据，利用专家先验知识设置判断规则，将数据特征与异常情况联系起来应用于离线异常检测。

基于模型的检测方法。通过对无人机内部子系统精确建模，通过对比实际测量值与模型输出值判断无人机是否异常。两种方法都需非常了解无人机系统行为和运行状态，且使用上述方法检测时容易受到外界环境干扰、实用性差，因此难以满足实际需求。

基于数据驱动的异常检测方法。通过分析无人机传感器数据间的相关性，将不符合数据规律的观测数据判定为异常，在无人机数据异常检测方面有较大优势。基于数据驱动的检测方法又包括了分类、预测、聚类等多种算法。预测算法在无人机周期性数据异常检测中有良好的检测效果，但面对高维数据时容易被不规则分布的噪声数据干扰。分类算法对于参数多、标签明确且样本比例均衡的异常检测场景效果较好，但面对不平衡且高维数据存在检测准确率、精确率均不理想的情况。

基于以上分析可知：在无人机传感器数据中，异常样本数据比正常样本少，呈现类不平衡现象，会导致分类器倾向于通过牺牲异常类数据点来满足模型对正类数据的拟合能力，从而导致检测精度下降，漏报率、误报率升高。传统的机器学习方法在当前的无人机传感器数据异常检测中存在一定的局限性，需要采用一种针对高维、非线性且类不平衡的无人机传感器数据的异常检测方法。

当前已有无人机异常检测是采用传统的机器学习算法，如专利CN110633791A，将无人机数据分为训练数据和预检数据，其对飞行历史数据进行特征提取后，作为输入参数导入构建的传统的CNN模型中，CNN模型在池化层可能导致重要信息丢失，此专利对无人机异常检测效果有提高，但检测准确率达不到90％以上。

此外针对数据驱动的无人机异常检测的情况，专利CN108960303A使用单维的遥测数据实例，以数据的时间特性为主要特征重构遥感数据相空间，利用网格搜索法优化LSTM参数，设定置信区间范围，根据检测结果是否在置信区间确定正常与否。此专利对片段异常的检测效果较准确，若对高维、大量数据可能影响模型的识别效果。

发明内容