logo móvil
Contáctanos

Detección de Intrusiones Mejorada en Redes de Drones: Un Enfoque de Atención Convolucional en Capas Cruzadas para Comunicaciones de Dron a Dron y de Dron a Estación Base

Autores: Aldossary, Mohammad; Alzamil, Ibrahim; Almutairi, Jaber

Idioma: Inglés

Editor: MDPI

Año: 2025

Descargar PDF

Acceso abierto

Artículo científico
2025

Detección de Intrusiones Mejorada en Redes de Drones: Un Enfoque de Atención Convolucional en Capas Cruzadas para Comunicaciones de Dron a Dron y de Dron a Estación Base


Categoría

Ingeniería y Tecnología

Subcategoría

Ingeniería Robótica

Palabras clave

Internet de drones
Peligros de ciberseguridad
Sistemas de detección de intrusiones
Red de atención convolucional de capas cruzadas
Identificación de anomalías
Comunicación de drones

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 1

Citaciones: Sin citaciones


Descripción
Debido a la tecnología del Internet de los Drones (IoD), las redes de drones se han proliferado, transformando la vigilancia, la logística y la gestión de desastres. Los ataques de Denegación de Servicio Distribuida (DDoS), las infecciones por malware y las anomalías en la comunicación aumentan los peligros de ciberseguridad para estas redes, amenazando la seguridad y eficiencia operativa. Los actuales Sistemas de Detección de Intrusiones (IDS) no logran manejar la naturaleza dinámica y de alta dimensión de los datos de transmisión de drones, lo que resulta en una identificación y mitigación inadecuadas de anomalías en tiempo real. Este estudio presenta la Red de Atención Convolucional de Capa Cruzada (CLCAN), una nueva arquitectura de IDS para redes IoD. CLCAN detecta con precisión amenazas cibernéticas complejas utilizando procesamiento convolucional a múltiples escalas, atención contextual jerárquica y fusión de características dinámicas. Métodos de preprocesamiento como el escalado diferencial ponderado y el remuestreo adaptativo basado en gradientes mejoran la calidad de los datos y reducen los desequilibrios de clase. La transformación de atributos contextuales captura los comportamientos de red matizados necesarios para la identificación de anomalías. La técnica propuesta se muestra necesaria y efectiva mediante evaluaciones de conjuntos de datos de comunicación de drones del mundo real. CLCAN supera a CNN, LSTM y XGBoost con una precisión del 98.4%, un recall del 98.7% y un F1-score del 98.1%. El modelo tiene un AUC notable de 0.991. CLCAN puede manejar conjuntos de datos de más de 118,000 registros de datos equilibrados en 85 segundos, en comparación con 180 segundos para marcos comparables. Este estudio pionero ofrece una solución de seguridad unificada para las comunicaciones Drone-a-Drone (D2D) y Drone-a-Estación Base (D2BS), llenando una brecha crucial de seguridad en IoD. Protege las operaciones críticas de drones con un IDS fuerte, eficiente y escalable frente a las amenazas cibernéticas emergentes.

Otros recursos que podrían interesarte

Temas Virtualpro