🛡️ Машинное обучение для защиты от дронов: систематический обзор Дроны (UAS) активно внедряются во все сферы — от доставки до военных операций, но остаются уязвимыми к кибератакам (GPS-спуфинг, глушение, DoS, MITM). Исследователи всё чаще используют ML для обнаружения атак, но точность и лёгкость моделей остаются вызовом. Что в обзоре (101 статья, 2019–2025, PRISMA): ✅ Типы признаков: телеметрия, датчики, сигналы GPS/OFDM, сетевой трафик, полезная нагрузка (изображения), системные логи ✅ Предобработка: очистка, извлечение признаков (CNN, PCA), выбор признаков (RFE, корреляция, GA, FRS), балансировка (SMOTE, ADASYN, GAN) ✅ Парадигмы обучения: 81% — supervised (CNN, LSTM, XGBoost), 8% — unsupervised, 8% — RL, 3% — adversarial (GAN) ✅ Оценка: точность, F1, но редко — энергопотребление и память Основные ограничения: ⚠️ использование неподходящих датасетов (не специфичных для UAS) ⚠️ отсутствие аппаратной реализации (83% работ — только на ПК) ⚠️ слабая обобщаемость между разными платформами дронов ⚠️ уязвимость к состязательным атакам, высокая вычислительная сложность Будущее: edge computing, 6G, федеративное обучение и лёгкие модели для реального времени на борту. 📌 Обнаружение атак в дронах требует баланса между точностью, скоростью и ограниченными ресурсами батареи/памяти.
1
1
