基于GTA-SVDD模型的ADS-B异常数据检测方法OA

目的为了解决现有广播式自动相关监视(ADS-B)异常数据检测方法存在的航迹空间关联建模缺失、长程时序依赖捕捉不足、关键特征聚焦薄弱等问题。方法提出了一种时空关联分类的异常检测模型(GTA-SVDD),首先通过结合5层残差和可学习边权的图卷积网络与时序卷积网络并行提取航迹空间关联特征与长短期时序依赖特征,经特征融合后采用分层局部注意力聚焦关键片段,最终通过支持向量数据描述构建自适应决策边界。结果实验结果表明:GTA-SVDD模型能够很好检测出航迹偏移、高度偏移、消息删除、航迹替换、消息重放等攻击下的ADS-B异常数据。结论且模型性能在所选攻击场景数据集下优于其他机器学习和深度学习方法,准确率平均可达96.36%,比VAE-SVDD和TTSAD模型分别提高4%和2%。