基于BiGRU-SVDD的ADS-B异常数据检测模型

广播式自动相关监视（ADS-B）作为新一代空管监视技术，由于采用明文方式广播发送数据，因而存在易遭受网络攻击的安全问题。为了准确检测ADS-B数据攻击行为，在充分考虑时间相关性的基础上，提出了针对ADS-B数据的异常数据检测模型。首先利用双向门控循环单元（BiGRU）神经网络预测ADS-B数据，得到了ADS-B数据预测值。再将预测值和实际值作差，将差值放入支持向量数据描述（SVDD）训练，得到了能检测ADS-B异常数据的超球体分类器。并且，选择了合适的滑动窗口，在保证异常检测准确率的同时，缩短BiGRU神经网络的训练时长。实验结果表明，BiGRU-SVDD模型能检测出随机位置偏移攻击、高度偏差攻击、重放攻击、拒绝服务（DOS）等攻击下的ADS-B异常数据。并且，与其他机器学习和深度学习方法相比，BiGRU-SVDD异常检测模型的准确率更佳，适应性更优。

ADS-B anomaly data detection model based on BiGRU-SVDD