Повышение защищенности беспроводных каналов связи для беспилотных летательных аппаратов за счет создания ложных информационных полей

Повышение защищенности беспроводных каналов связи для беспилотных летательных аппаратов за счет создания ложных информационных полей

Автор: Басан Е.С., Прошкин Н.А., Силин О.И.

Журнал: Сибирский аэрокосмический журнал @vestnik-sibsau

Рубрика: Авиационная и ракетно-космическая техника

Статья в выпуске: 4 т.23, 2022 года.

Бесплатный доступ

На сегодняшний день проблемы, связанные с безопасностью беспилотных летательных аппаратов (БПЛА), стоят достаточно остро. Как правило, когда речь идет о коммерческих малогабаритных БПЛА, то для управления ими используются беспроводные каналы связи. Чаще всего организация связи реализуется на частоте 2,4 ГГц с применением протокола Wi-Fi. Такой БПЛА достаточно легко обнаружить, проанализировав радиочастотный диапазон или канальный уровень передачи данных, при этом не нужно обладать специализированным оборудованием и использовать открытое программное обеспечение. Обнаруженный БПЛА становится целью для проведения атак. Если известно, что БПЛА работает как беспроводная точка доступа, то все атаки, характерные для Wi-Fi, становятся актуальными для БПЛА. В данном исследовании предлагается для повышения устойчивости БПЛА к атакам в качестве первой линии защиты использовать технологию создания ложных информационных полей. Данная технология позволит скрыть легитимный БПЛА за множеством поддельных. Целью является создание поддельных точек доступа с характеристиками реальных и эмуляция передачи данных по каналам, на которых данные точки доступа развернуты. Кроме возможности скрыть легитимный БПЛА, данная технология позволяет вводить противника в заблуждение и заставлять думать, что на него надвигается ни один БПЛА, а группа. При попытке атаки ложных целей, противник себя скомпрометирует и может быть обнаружен. Таким образом, можно использовать БПЛА как приманку. В результате экспериментального исследования были выявлены каналы, на которых создание поддельных точек доступа наиболее эффективно. Используя небольшие вычислительные мощности и необходимую антенну, можно добиться высоких результатов. В данной статье продемонстрирована эффективность создания девяти поддельных точек доступа. Также проведено сравнение с реальным трафиком беспроводной сети. Можно сказать, что эмулированная активность является достаточно приближенной к реальной.

Еще

Беспроводные каналы связи, точка доступа, радиоразведка, безопасность, уязвимости

Короткий адрес: https://sciup.org/148325798

IDR: 148325798   |   DOI: 10.31772/2712-8970-2022-23-4-657-670

Список литературы Повышение защищенности беспроводных каналов связи для беспилотных летательных аппаратов за счет создания ложных информационных полей

  • Xu C., Liao X., Tan J., Ye H., Lu H. Recent Research Progress of Unmanned Aerial Vehicle Regulation Policies and Technologies in Urban Low Altitude. IEEE Access. 2020, Vol. 8. P. 74175– 74194. Doi: 10.1109/ACCESS.2020.2987622.
  • Shi Y., Bai M., Li Y. Study on UAV Remote Sensing Technology in Irrigation District Informationization Construction and Application. 10th International Conference on Measuring Technology and Mechatronics Automation (ICMTMA). Changsha, China, 2018, P. 252–255. Doi: 10.1109/ICMTMA.2018.00067.
  • Gao X., Jia H., Chen Z., Yuan G., Yang S. UAV security situation awareness method based on semantic analysis. 2020 IEEE International Conference on Power, Intelligent Computing and Systems (ICPICS). Shenyang, China, 2020, P. 272–276. Doi: 10.1109/ICPICS50287.2020.9201954.
  • Basan E., Medvedev M., Teterevyatnikov S. Analysis of the Impact of Denial-of-Service Attacks on the Group of Robots. International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery (CyberC), China, 2018, P. 63–68. Doi: 10.1109/CyberC.2018.00023.
  • Bernardini A., Mangiatordi F., Pallotti E., Capodiferro L. Drone detection by acoustic signature identification. IS TInt. Symp. Electron. Imaging Sci. Technol. 2017, P. 60–64.
  • Kim J., Park C., Ahn J., Ko Y., Park J., Gallagher J. C. Real-time UAV sound detection and analysis system. IEEE Sensor Application Symposium (SAS). United States, 2017, P. 1–5.
  • Nijim M., Mantrawadi N. Drone classification and identification system by phenome analysis using data mining techniques. IEEE Symposium on Technologies for Homeland Security. Waltham, MA, United States, 2016, P. 1–5.
  • Aker C., Kalkan S. Using deep networks for drone detection. IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). Lecce, Italy, 2017, P. 1–6. Doi: 10.1109/AVSS.2017.8078539.
  • Saqib M., Daud Khan S., Sharma N., Blumenstein M. A study on detecting drones using deep convolutional neural networks. 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). Lecce, Italy, 2017, P. 1–5. Doi: 10.1109/AVSS.2017.8078541.
  • Nguyen P., Ravindranathan M., Nguyen A., Han R., Vu T. Investigating cost-effective RFbased detection of drones. 2nd Workshop on Micro Aerial Vehicle Networks, Systems, and Applications for Civilian Use (DroNet '16). Association for Computing Machinery. New York, NY, USA, 2016, P. 17–22. Doi: https://doi.org/10.1145/2935620.2935632.
  • Ezuma M., Erden F., Anjinappa C. K., Ozdemir O., Guvenc I. Micro-UAV Detection and Classification from RF Fingerprints Using Machine Learning Techniques. IEEE Aerospace Conference. Big Sky, MT, USA, 2019, P. 1–13. Doi: 10.1109/AERO.2019.8741970.
  • Abeywickrama S., Jayasinghe L., Fu H., Nissanka S., Yuen C. RF-based Direction Finding of UAVs Using DNN. IEEE International Conference on Communication Systems (ICCS). Chengdu, China, 2019, P. 157–161. Doi: 10.1109/ICCS.2018.8689177.
  • Fonseca R., Creixell W. Tracking and following a moving object with a quadcopter. 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). Lecce, Italy, 2017, P. 1–6. Doi: 10.1109/AVSS.2017.8078463.
  • Kim B. K., Kang H. S., Park S. O. Drone classification using convolutional neural networks with merged doppler images. IEEE Geoscience and Remote Sensing Letters. 2017, Vol. 14, No. 1, P. 38–42.
  • Davaslioglu K., Sagduyu Y. E. Generative adversarial learning for spectrum sensing. IEEE International Conference on Communications (ICC). Kansas City, MO, USA, 2018, P. 1–6. Doi: 10.1109/ICC.2018.8422223.
  • He H., Wen C.-K., Jin S., Li G. Y. A model-driven deep learning network for MIMO detection. IEEE Transactions on Signal Processing. 2018, Vol. 68, P. 1702–1715.
  • Ye H., Li G. Y., Juang B.-H. Power of deep learning for channel estimation and signal detection in OFDM systems. IEEE Wireless Communications Letters. 2018, Vol. 7, No. 1, P. 114–117. Doi: 10.1109/LWC.2017.2757490.
  • O’Shea T. J., Hoydis J. An introduction to deep learning for the physical layer // IEEE Transactions on Cognitive Communications and Networking (TCCN). 2017. Vol. 3, No. 4. P. 563–575. Doi: 10.1109/TCCN.2017.2758370.
  • Shi Y., Sagduyu Y. E., Erpek T., Davaslioglu K., Lu Z., Li J. Adversarial deep learning for cognitive radio security: jamming attack and defense strategies. IEEE ICC 2018 Workshop – Promises and Challenges of Machine Learning in Comm. Networks. 2018, P. 1–6. Doi: 10.1109/ICCW.2018.8403655.
  • Shi Y., Erpek T., Sagduyu Y. E., Li J. Spectrum data poisoning with adversarial deep learning. IEEE Military Communications Conference. Los Angeles, CA, USA, 2018, P. 407–412. Doi: 10.1109/MILCOM.2018.8599832.
  • Sagduyu Y. E., Shi Y., Erpek T. IoT network security from the perspective of adversarial deep learning. IEEE International Conference on Sensing, Communication and Networking (SECON) Workshop on Machine Learning for Communication and Networking in IoT. Boston, MA, USA, 2019, P. 1–9. Doi: 10.1109/SAHCN.2019.8824956.
  • Erpek T., Sagduyu Y. E., Shi Y. Deep learning for launching and mitigating wireless jamming attacks. IEEE Transactions on Cognitive Communications and Networking. 2019, Vol. 5, No. 1, P. 2– 14. Doi: 10.1109/TCCN.2018.2884910.
  • Shi Y., Davaslioglu K., Sagduyu Y. E. Generative adversarial network for wireless signal spoofing. ACM Conference on Security and Privacy in Wireless and Mobile Networks (WiSec) Workshop on Wireless Security and Machine Learning (WiseML). Miami FL USA, 2019, P. 55–60. Doi: https://doi.org/10.1145/3324921.3329695.
  • Abu Zainab N. et al. QoS and jamming-aware wireless networking using deep reinforcement learning. IEEE Military Communications Conference (MILCOM). Norfolk, VA, USA, 2019, P. 610–615. Doi: 10.1109/MILCOM47813.2019.9020985.
  • Restuccia F. et al. DeepRadioID: Real-time channel-resilient optimization of deep learningbased radio fingerprinting algorithms. ACM Intl. Symposium on Mobile Ad Hoc Networking and Computing (MobiHoc). New York, NY, United States, 2019, P. 51–60. Doi: https://doi.org/10.1145/3323679.3326503.
  • Soltani S. Distributed cognitive radio network architecture, SDR implementation and emulation testbed. IEEE Military Communications Conference (MILCOM). Tampa, FL, USA, 2015, P. 438–443. Doi: 10.1109/MILCOM.2015.7357482.
  • Sagduyu Y. E., Berry R., Ephremides A. Jamming games in wireless networks with incomplete information. IEEE Communications Magazine. 2011, Vol. 49, No. 8, P. 112–118. Doi: 10.1109/MCOM.2011.5978424.
  • O’Shea T., Corgan J., Clancy C. Convolutional radio modulation recognition networks // Communications in Computer and Information Science. 2016, Vol. 629. Springer, Cham. Doi: https://doi.org/10.1007/978-3-319-44188-7_16.
  • O’Shea T. J., Roy T., Clancy T. C. Over-the-air deep learning-based radio signal classification. IEEE Journal of Selected Topics in Signal Processing. 2018, Vol. 12, No. 1, P. 168–179. Doi: 10.1109/JSTSP.2018.2797022.
  • Ali A., Fan Y. Unsupervised feature learning and automatic modulation classification using deep learning model. Physical Communication. 2017, Vol. 25, P. 75–84.
  • Shi Y. et al. Deep learning for signal classification in unknown and dynamic spectrum environments. IEEE International Symposium on Dynamic Spectrum Access Networks (DySPAN). Newark, NJ, USA, 2019, P. 1–10. Doi: 10.1109/DySPAN.2019.8935684.
  • Kiranyaz S., Zabihi M., Rad A. B., Tahir A., Ince T., Hamila R. Real-time PCG Anomaly Detection by Adaptive 1D Convolutional Neural Networks. Signal Processing. 2016, P. 1–12. Doi: https://doi.org/10.48550/arXiv.1902.07238.
  • Zheng Y., Liu Q., Chen E., Ge Y., Zhao J. L. Exploiting multi-channels deep convolutional neural networks for multivariate time series classification. Front. Comput. Sci. 2016, Vol. 10, No. 1, P. 96–112.
  • Mikhalevich I. F., Trapeznikov V. A. Critical Infrastructure Security: Alignment of Views. In Systems of Signals Generating and Processing in the Field of on Board Communications. Moscow Technical University of Сommunications and Informatics, Russia, 2019, P. 1–5. Doi: 10.1109/SOSG.2019.8706821.
  • Ilioudis C. V., Clemente C., Soraghan J. Understanding the potential of Self-Protection Jamming on board of miniature UAVs. In International Radar Conference (RADAR). Toulon, France, 2019, P. 1–6. Doi: 10.1109/RADAR41533.2019.171405.
  • Li X., Ju R., Wang H., Sun Y. The Design and Research of Data Transmission on Remote Radio Control in Different Noise Channel. 13th World Congress on Intelligent Control and Automation (WCICA). Changsha, China, 2018, P. 1306–1311. Doi: 10.1109/WCICA.2018.8630340.
  • Proshkin N., Basan E., Lapina M. Radio Frequency Method for Emulating Multiple UAVs. 17th International Conference on Intelligent Environments (IE). Dubai, United Arab Republic, 2021, P. 1–4. Doi: 10.1109/IE51775.2021.9486599.
  • Basan E., Basan A., Nekrasov A., Fidge C., Sushkin N., Peskova O. GPS-Spoofing Attack Detection Technology for UAVs Based on Kullback–Leibler Divergence. Drones. 2022, No. 6(1), P. 8. Doi: https://doi.org/10.3390/drones6010008.
  • Astaburuaga I., Lombardi A., La Torre B., Hughes C., Sengupta S. Vulnerability Analysis of AR. Drone 2.0, an Embedded Linux System. IEEE 9th Annual Computing and Communication Workshop and Conference (CCWC). United States, 2019, P. 0666–0672. Doi: 10.1109/CCWC.2019.8666464.
  • Caballé M. C., Augé A. C., Lopez-Aguilera E., Garcia-Villegas E., Demirkol I., Aspas J. P. An Alternative to IEEE 802.11ba: Wake-Up Radio with Legacy IEEE 802.11 Transmitters. IEEE Access. 2019, Vol. 7, P. 48068–48086. Doi: 10.1109/ACCESS.2019.2909847.
  • Madruga S., Tavares A., Brito A., Nascimento T. A Project of an Embedded Control System for Autonomous Quadrotor UAVs. Latin American Robotic Symposium, Brazilian Symposium on Robotics (SBR) and 2018 Workshop on Robotics in Education (WRE). João Pessoa, Brazil, 2018, P. 483–489. Doi: 10.1109/LARS/SBR/WRE.2018.00091.
  • Carranza A., Mayorga D., DeCusatis C. Comparison of Wireless Network Penetration Testing Tools on Desktops and Raspberry Pi Platforms. 16th LACCEI International Multi-Conference for Engineering, Education and Technology. Boca Raton, Florida, USA, 2018, P. 1–5.
  • Abril-García J. H. et al. Application to monitoring a USB control with Python in Windows, Mac OS and Raspbian OS. ECORFAN Journal Democratic Republic of Congo. 2019, Vol. 5 (8), P. 1–6.
  • Korneev S. Digital spectrum analyzer GSP-7830 manufactured by GW Instek. Components and technologies. 2008, Vol. 1 (78), P. 158–162.
Еще
Статья научная
SciUp 2024 © 2024 ©