Zero-Day Gps Attack Detection and Classification in Uav Networks
Notice bibliographique
Résumé
Unmanned aerial vehicles (UAVs) face escalating cybersecurity threats, particularly from GPS spoofing and jamming attacks, which endanger flight safety and mission integrity. This paper introduces a novel UAV cybersecurity framework that integrates statistical extreme value meta-learning (EVML) with a dual-path classifier to detect and classify GPS attacks. The method overcomes the key limitations of some existing approaches, such as excessive training data needs, zero-day threat vulnerability, and disjointed detection/classification. In particular, the proposed framework includes two stages. The first one enables zero-day attack detection through few-shot meta-learning with prototype-based anomaly detection where support sets contain only benign flight data while query sets include both benign samples and synthetically generated attack patterns. Moreover, a prototypical OpenMax layer and extreme value theory are exploited to identify suspicious patterns in GPS telemetry data. The second stage utilizes a novel dual-path architecture that independently processes position-related and signal-related features to classify detected attacks as spoofing or jamming. Our results on real-world attack data demonstrates that the proposed method has exceptional performance with 97.33 % detection accuracy and 0% false alarm rate, which significantly outperform the state-of-the-art. Furthermore, attack classification achieves 82.33 % accuracy for spoofing and 94.31 % for jamming attacks, with an overall F1 score of 0.88.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».