Efficient Malicious UAV Detection Using Autoencoder-TSMamba Integration

📄 arXiv: 2505.10585v1 📥 PDF

作者: Azim Akhtarshenas, Ramin Toosi, David López-Pérez, Tohid Alizadeh, Alireza Hosseini

分类: cs.CV, cs.CR

发布日期: 2025-05-14

备注: 12 pages, 6 figures and 3 tables, accepted in IbPRIA 2025, https://www.ibpria.org/2025/?page=dates

💡 一句话要点

提出基于自编码器-TSMamba集成的恶意无人机高效检测方法，提升检测精度和降低计算复杂度。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱七：动作重定向 (Motion Retargeting)

关键词: 恶意无人机检测 自编码器 TSMamba 残差学习 ResNet 下一代网络 空间建模

📋 核心要点

  1. 恶意无人机对下一代网络构成威胁，现有方法在检测精度和计算效率方面存在不足。
  2. 论文提出一种基于自编码器和TSMamba的集成系统，利用残差学习降低分类器复杂度并提升精度。
  3. 实验表明，该方法在二元和多类分类中均优于基准方法，召回率提升至99.8%，并降低了计算复杂度。

📝 摘要（中文）

本文提出了一种集成的自编码器（AE）-分类器系统，用于检测恶意无人机（UAV）。该方案针对下一代网络（NGN）中恶意无人机带来的威胁，如未授权监视、数据窃取和危险物品运送。所提出的AE基于四层Tri-orientated Spatial Mamba (TSMamba)架构，有效捕捉了识别恶意无人机活动所需的复杂空间关系。第一阶段通过AE生成残差值，随后由基于ResNet的分类器处理。该分类器利用残差值实现了更低的复杂度和更高的准确率。实验结果表明，在二元和多类分类场景中，该方法都取得了显著的改进，召回率高达99.8%，而基准方法为96.7%。此外，该方法降低了计算复杂度，使其更适合大规模部署。这些结果突出了该方法的鲁棒性和可扩展性，为NGN环境中的恶意无人机检测提供了一种有效的解决方案。

🔬 方法详解

问题定义：论文旨在解决下一代网络中恶意无人机检测问题。现有方法在检测精度和计算复杂度之间难以取得平衡，尤其是在大规模部署场景下，高计算复杂度限制了其实际应用。此外，现有方法可能难以有效捕捉恶意无人机活动中的复杂空间关系，导致检测精度不足。

核心思路：论文的核心思路是利用自编码器（AE）学习正常无人机活动的特征表示，然后通过计算输入数据与AE重构数据之间的残差，突出显示恶意无人机活动的异常特征。这些残差值随后被用作ResNet分类器的输入，从而降低了分类器的学习难度和计算复杂度。通过这种方式，可以更有效地检测恶意无人机活动。

技术框架：该方法的技术框架主要包含两个阶段：1) 基于TSMamba的自编码器（AE）阶段：使用四层TSMamba架构的AE学习正常无人机活动的特征表示，并生成残差值。2) 基于ResNet的分类器阶段：使用ResNet分类器对AE生成的残差值进行分类，以区分恶意和正常无人机活动。整体流程是先用AE提取异常，再用ResNet进行分类。

关键创新：该方法最重要的技术创新点在于将Tri-orientated Spatial Mamba (TSMamba)架构引入自编码器中，以有效捕捉恶意无人机活动中的复杂空间关系。TSMamba能够更好地建模空间依赖性，从而提高AE的重构能力和残差值的区分度。此外，利用残差值作为分类器的输入，降低了分类器的学习难度，使其能够以更低的复杂度实现更高的精度。

关键设计：AE采用四层TSMamba架构，具体层数和参数设置未知。分类器采用ResNet架构，具体层数和参数设置未知。损失函数未知，但推测AE使用重构误差作为损失函数，分类器使用交叉熵损失函数。关键在于TSMamba的空间建模能力，以及残差值的使用。

📊 实验亮点

实验结果表明，该方法在二元和多类分类场景中均优于基准方法。在二元分类中，该方法的召回率高达99.8%，相比基准方法的96.7%有显著提升。此外，该方法还降低了计算复杂度，使其更适合大规模部署。这些结果表明，该方法在恶意无人机检测方面具有很强的实用价值。

🎯 应用场景

该研究成果可应用于各种需要保护空域安全的场景，例如机场、军事基地、重要基础设施等。通过实时检测和识别恶意无人机，可以有效防止非法入侵、恐怖袭击和间谍活动，保障公共安全和国家安全。未来，该技术还可以集成到无人机防御系统中，实现自动化防御。

📄 摘要（原文）

Malicious Unmanned Aerial Vehicles (UAVs) present a significant threat to next-generation networks (NGNs), posing risks such as unauthorized surveillance, data theft, and the delivery of hazardous materials. This paper proposes an integrated (AE)-classifier system to detect malicious UAVs. The proposed AE, based on a 4-layer Tri-orientated Spatial Mamba (TSMamba) architecture, effectively captures complex spatial relationships crucial for identifying malicious UAV activities. The first phase involves generating residual values through the AE, which are subsequently processed by a ResNet-based classifier. This classifier leverages the residual values to achieve lower complexity and higher accuracy. Our experiments demonstrate significant improvements in both binary and multi-class classification scenarios, achieving up to 99.8 % recall compared to 96.7 % in the benchmark. Additionally, our method reduces computational complexity, making it more suitable for large-scale deployment. These results highlight the robustness and scalability of our approach, offering an effective solution for malicious UAV detection in NGN environments.