КІБЕРАТАКИ НА БОРТОВІ СИСТЕМИ БЕЗПІЛОТНИХ ЛІТАЛЬНИХ АПАРАТІВ ТА МЕТОДИ ПРОТИДІЇ НА ОСНОВІ МАШИННОГО НАВЧАННЯ
DOI:
https://doi.org/10.35546/kntu2078-4481.2026.1.33Ключові слова:
безпілотні літальні апарати, кібербезпека БПЛА, GPS-спуфінг, інформаційно-екстремальне машинне навчання, виявлення загроз, навігаційна безпекаАнотація
У статті досліджуються сучасні кіберзагрози для безпілотних літальних апаратів та методи їх виявлення в умовах зростаючої автономності БПЛА. Традиційні підходи до виявлення GPS-спуфінгу, засновані на методах глибокого навчання, показують обмежену ефективність у динамічних умовах експлуатації. Такі підходи залежні від стабільності середовища, наявності інфраструктури зв’язку та характеризуються високою обчислювальною складністю. Інтеграція інформаційно-екстремального машинного навчання дозволяє здійснювати виявлення підміни навігаційних сигналів з використанням компактних інваріантних дескрипторів, забезпечуючи стійкість до геометричних перетворень та можливість роботи з обмеженими обсягами навчальних даних. Розглянуто комплексну систематизацію кіберзагроз для автономних БПЛА, включно з радіоелектронною боротьбою, фізичними та апаратними загрозами, загрозами для багатодронових систем та атаками на моделі машинного навчання. Проведено порівняльний аналіз існуючих методів виявлення GPS-спуфінгу, який показав що підходи на основі LSTM, MLP, CNN демонструють точність від 78 % до 95 %, але їх ефективність різко знижується при динамічних змінах середовища. Окрім технічних аспектів, у дослідженні також розглянуто еволюцію загроз, зокрема: появу більш досконалих методів спуфінгу, використання спрямованих антен глушіння для порушення роботи на великих висотах, вразливість інерційних навігаційних систем до цільової дестабілізації через мікровібрації та акустичні впливи, а також специфіку атак на рої дронів з асиметричними можливостями. Підкреслено важливість розробки інтегрованих захисних методів, які дозволяють підвищити надійність навігаційних систем у складних геопросторових умовах. Досліджено що adversarial-атаки виступають двосторонньою загрозою: вони можуть обманювати системи розпізнавання цілей, змушуючи БПЛА не виявляти ворожі транспортні засоби або неправильно класифікувати перешкоди. Метою дослідження є виявлення як потенціалу, так і обмежень існуючих методів виявлення кіберзагроз для БПЛА, а також обґрунтування перспективності застосування інформаційно-екстремального машинного навчання з урахуванням технічних обмежень та операційних вимог. Автори зазначають що найбільш дієвим підходом визнано гібридну модель захисту, яка поєднує ІЕМН з використанням радіально-кутових дескрипторів, використання сенсорів та адаптивну фільтрацію. Це забезпечує вищу надійність, точність виявлення відхилень траєкторій польоту та зменшення похибок у сучасних умовах радіоелектронної боротьби.
Посилання
Impact Assessment of GNSS Spoofing Attacks on INS/GNSS Integrated Navigation System / L. Yang et al. Sensors. 2018. Vol. 18, no. 5. P. 1433. URL: https://doi.org/10.3390/s18051433
An S., Jang D. J., Lee E.-K. Adversarial Evasion Attacks on SVM-Based GPS Spoofing Detection Systems. Sensors. 2025. Vol. 25, no. 19. URL: https://doi.org/10.3390/s25196062
Black-box Adversarial Attacks on CNN-based SLAM Algorithms / M. R. Gkeka et al. arXiv preprint arXiv. 2025. URL: https://arxiv.org/abs/2505.24654
An Experimental Study of Trojan Vulnerabilities in UAV Autonomous Landing / R. Ahmari et al. ArXiv. 2025. URL: https://arxiv.org/abs/2510.20932
Behind The Wings: The Case of Reverse Engineering and Drone Hijacking in DJI Enhanced Wi-Fi Protocol / D. Pratama et al. P. 2023. URL: https://arxiv.org/abs/2309.05913
Protecting Autonomous UAVs from GPS Spoofing and Jamming: A Comparative Analysis of Detection and Mitigation Techniques / P. C. Joeaneke et al. Journal of Engineering Research and Reports. 2024. Vol. 26, no. 10. P. 71–92. URL: https://doi.org/10.9734/jerr/2024/v26i101291
Threats from and Countermeasures for Unmanned Aerial and Underwater Vehicles / W. Khawaja et al. Sensors. 2022. Vol. 22, no. 10. P. 3896. URL: https://doi.org/10.3390/s22103896
On the requirements for successful GPS spoofing attacks. ACM Transactions on Information and System Security / N. O. Tippenhauer et al. CCS ‘11: Proceedings of the 18th ACM conference on Computer and communications security. 2011. Vol. 18. P. 75–86. URL: https://doi.org/10.1145/2046707.2046719
Renu Y., Sarveshwaran V. A Review of Cyber Security Challenges and Solutions in Unmanned Aerial Vehicles (UAVs). Inteligencia Artificial. 2025. Vol. 28, no. 75. P. 199–219. URL: https://doi.org/10.4114/intartif.vol28iss75pp199-219
A Comprehensive Survey of Unmanned Aerial Systems’ Risks and Mitigation Strategies / S. Shrestha et al. 2025. ArXiv. URL: https://doi.org/10.48550/arXiv.2506.10327.
Patel A., Cherukuri A. K. Analysis of Light-Weight Cryptography Algorithms for UAV-Networks. ArXiv. 2025. URL: https://arxiv.org/abs/2504.04063
Skorobahatko M., Voitsekhovskyi A. Lightweight Cryptography in UAV systems. Theoretical and Applied Cybersecurity. 2025. Vol. 7, no. 1. URL: https://doi.org/10.20535/tacs.2664-29132025.1.326898
MARS: Defending Unmanned Aerial Vehicles From Attacks on Inertial Sensors with Model-based Anomaly Detection and Recovery / H. Meng et al. arXiv. 2025. URL: https://arxiv.org/abs/2505.00924
Data collection using unmanned aerial vehicles for Internet of Things platforms / S. Goudarzi et al. Computers & Electrical Engineering. 2019. Vol. 75. P. 1–15. URL: https://doi.org/10.1016/j.compeleceng.2019.01.028
Goodfellow I. J., Shlens J., Szegedy C. Explaining and Harnessing Adversarial Examples. arXiv. 2015. URL: https://arxiv.org/abs/1412.6572
Athalye A., Carlini N., Wagner D. Obfuscated gradients give a false sense of security: Circumventing defenses to adversarial examples. Proceedings of the 35th International Conference on Machine Learning. 2018. URL: https://arxiv.org/abs/1802.00420
Physical Adversarial Examples for Object Detectors / K. Eykholt et al. Proceedings of the 12th USENIX Workshop on Offensive Technologies. 2018. URL: https://doi.org/10.48550/arXiv.1807.07769
Sarıkaya B. S., Bahtiyar Ş. A survey on security of UAV and deep reinforcement learning. Ad Hoc Networks. 2024. P. 103642. URL: https://doi.org/10.1016/j.adhoc.2024.103642
Couturier A., Akhloufi M. A. A Review on Deep Learning for UAV Absolute Visual Localization. Drones. 2024. Vol. 8, no. 11. P. 622. URL: https://doi.org/10.3390/drones8110622
Naumenko I., Myronenko M., Savchenko T. Information-extreme machine training of on-board recognition system with optimization of RGB-component digital images. RADIOELECTRONIC AND COMPUTER SYSTEMS. 2021. No. 4. P. 59–70. URL: https://doi.org/10.32620/reks.2021.4.05
Information-extreme machine learning of a cyber attack detection system / A. Dovbysh et al. RADIOELECTRONIC AND COMPUTER SYSTEMS. 2022. No. 3. P. 121–131. URL: https://doi.org/10.32620/reks.2022.3.09
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
