0 引 言
随着无人机(unmanned aerial vehicle, UAV)系统的完善和应用，无人机已经成为推动国家经济发展，加强国防建设的重要工具。无人机因其方便灵活、适应性强、成本低、易操控和易部署等优势
[1，2]，适用于人工操作困难的场景和突发情况。例如，无人机在农林业可以用于农药喷洒、林业执法监管以及农林业资源统计
[3]，在物流业可以用于快递运输，在新媒体行业可用于航拍、微型自拍、影视拍摄等，除此之外，无人机还可以用于森林火灾监测
[3]、灾难救援、监控传染病、电力巡检等。
虽然无人机技术已经得到了广泛的应用，但无人机网络的安全却没有得到充分的保障。随着信息窃取技术的发展与网络攻击种类的增加，地面站对无人机的控制、无人机间通信和无人机自身安全都面临着巨大的危险。无人机网络因为其移动性与开放性，容易受到拒绝服务(denial of service, DoS)攻击、信息窃取、身份伪造、GPS(global positioning system)信号欺骗等多种攻击。攻击可能导致网络整体性能降低，无人机通信安全受到威胁，用户机密信息被窃取，严重时直接导致无人机坠毁，带来巨大损失
[4]。
为保证无人机网络安全，针对无人机的防御方案应满足两点：第一点，及时发现恶意无人机伪造身份于网络中发动的攻击，降低恶意无人机入侵网络造成的危害，保障无人机正常通信，防止网络性能持续下降；第二点，防止攻击者窃取网络数据或传播虚假信息，破坏数据完整性与真实性。针对第一点，目前有针对危险攻击的入侵检测方案和针对无人机自身的信任管理方案，可有效检测恶意无人机并采取相应措施
[5~8]。针对第二点，基于区块链技术可驱动消息安全传输，确保消息从采集到存证再到溯源都有迹可循，降低数据被窃取和注入的风险
[9~12]。
1 无人机网络及其通信
1.1 无人机网络
面临复杂任务时，单个无人机无法胜任全部工作，需要依赖多个无人机协同合作，组成无人机自组织网络(flying Ad-Hoc network, FANET)，简称无人机网络。通过无人机网络节点间的互相通信，能有效地提高无人机任务执行能力和风险防御能力，加强网络鲁棒性。区别于传统自组织网络，无人机网络的专有特点及其对应需求如下
[13]：
1） 节点移动性强：相较于地面节点，无人机飞行速度快，节点移动性强，使得网络稳定性较差，因此需要维持网络稳定性。
2） 网络拓扑结构变化快：无人机快速移动使得网络拓扑结构快速变化，其变化速度远高于车联网等其他移动网络，因此需要确保无人机间的连通性。
3） 通信链路不稳定：当距离大于无人机最大通信距离时无人机通信链路断开，因此需要保证链路不稳定情况下消息的稳定传输
[14]。
4） 资源限制：无人机计算存储等资源有限，因此需要确保资源合理分配，高效利用。
5） 工作时长受限：无人机体积小，存储能源少，工作时间受限制，因此需要无人机合理利用能源。
6） 环境干扰强：无人机处于露天环境，电磁环境复杂，容易受干扰，因此需要具备一定的抗干扰能力。
7） 应用实时性强：无人机应用场景（灾害救援，侦察等）对实时性要求高，因此需要无人机网络降低延迟以满足实时性需求。
1.2 无人机通信
如
图1所示，无人机通信链路包括“无人机-无人机”通信链路、“无人机-地面站”通信链路和“无人机-卫星”通信链路。不同链路传输不同类型消息，“无人机-无人机”通信链路主要传输无人机采集的图像、音频和视频等数据；“无人机-地面站”通信链路不仅能传输地面站向无人机发送的控制指令，还可传输无人机采集的信息；“无人机-卫星”通信链路可传输GPS信号和气象等信息。
由于无人机网络具有1.1节中描述的特点，因此，无人机通信链路存在以下安全漏洞：
1） 链路不稳定：由于网络中无人机高速移动，无人机之间的通信链路极其不稳定，这里的“不稳定”具有双重含义，一是指链路连通情况不稳定，链路存在随时断开的可能，甚至在恶劣环境中断开时间长于连通时间；二是指链路通信质量不稳定，即使无线链路保持连通，也不能保证可靠通信。
2） 链路带宽低，数据传输与传播时延大：数据传输时延主要取决于链路带宽，低带宽导致数据传输时延增大。数据传播时延主要由数据包排队等候的时间决定，由于无人机网络中下一跳节点不确定，数据包的长时间等待会导致数据传播时延增大。
3） 丢包率高：当无人机缓存区存满，数据却无法及时地转发至下一跳无人机时，无人机将丢掉接收时间最早的数据包来释放缓存，导致无人机丢包率增高。
2 无人机安全威胁
2.1 常见攻击
威胁无人机网络安全的无人机包括被劫持的无人机、身份克隆的无人机、网络内部竞争无人机、网络外部流氓无人机和攻击无人机，这些无人机被统称为恶意无人机。如
图2所示，恶意无人机对无人机网络的攻击包括DoS攻击、信息窃取、身份伪造、GPS欺骗、干扰攻击、黑洞攻击和虚假消息传播等。
DoS攻击：指攻击者占用大量系统资源，利用网络拥塞，从而阻止合法用户正常使用服务，使网络瘫痪的一种攻击手段。影响严重时，DoS攻击会导致无人机坠落毁坏，对地面设施和群众造成威胁。
信息窃取：指攻击者通过网络窃取正常无人机传输信息的一种攻击手段。信息窃取分为主动窃取和被动窃取。在主动窃取模式中，窃取者挑选最佳信息窃取位置点，并使用专业无线设备窃取消息；在被动窃取模式中，窃取者在不影响合法用户接收消息的情况下监视无线信道，从中获取信息，导致合法用户很难察觉被动信息窃取。信息窃取会导致机密信息泄露，降低无人机网络的隐私性。
身份伪造：指攻击者克隆合法无人机的身份在网络中活动的一种攻击手段。身份伪造增加了恶意无人机的隐匿性，此外，这种攻击还可以利用少量无人机操纵多个虚假身份，进而控制或影响网络中大量正常无人机。
GPS欺骗：指攻击者通过GPS信号伪造或重放过期信号误导无人机的一种攻击手段。根据信号产生的方式，GPS欺骗分为GPS转发欺骗和GPS生成欺骗。GPS转发欺骗会记录GPS信号历史数据或其他地点GPS信号，然后将其发送至无人机；GPS生成欺骗则使用程序，根据特定位置和时间生成虚假GPS信号并发送至无人机。相较而言，GPS转发欺骗比较简单，但灵活性较差；GPS生成欺骗灵活多变，但虚假信号生成过程较为复杂。GPS欺骗攻击使得无人机获得错误的位置和时间信息，进而导致航程出错。
干扰攻击：指攻击者蓄意传输干扰信号，利用无线电干扰降低接收信号质量的一种攻击手段。干扰攻击会造成信息丢失或阻断无人机通信。
黑洞攻击：指攻击者恶意丢弃数据包的一类攻击。攻击者伪装成消息传播路径上的最优路径节点，欺骗其他正常无人机对其进行数据转发，但其收到消息后，并不会将数据转发至路由表中的下一个节点，而是直接丢弃。黑洞攻击会造成信息丢失，此外，当丢失信息为控制信息时，会导致地面站对无人机的控制中断。
虚假消息传播：指攻击者在网络中恶意传输虚假消息的一种攻击手段。虚假消息传播包括虚假消息注入和诽谤攻击（传播正常无人机为恶意无人机的假消息）等。虚假信息传播会影响无人机采集数据的准确度，降低正常无人机的可信度，从而给无人机带来信任危机。
2.2 攻击事件
2011年至今，攻击事件频发。2011年，伊朗军方发动GPS欺骗攻击截获美国一无人机
[15]；2013年，黑客设计了SkyJack无人机通过无线信号入侵其他无人机摄像头和控制系统，从而劫持其他无人机
[16]；2015年，安全研究员公开Maldrone软件漏洞，该漏洞可在控制端安装后门程序，监听无人机传感器采集的数据
[17]；2018年，俄军防空系统使用地面干扰系统对非法无人机进行欺骗干扰，成功控制6架非法无人机
[18]；2018年，西安市无人机飞行表演中无人机定位系统遭受干扰，演出失败，并有不少无人机直接坠毁
[19]。
2018年，美国10个州政府联合Alphabet、联邦快递、英特尔、高通和Uber几家公司，共同开展商用无人机测试项目。实验证明，无人机运送包裹时可能遭受GPS欺骗或者Wi-Fi入侵，在黑客的控制下降落至指定地点，丢失包裹
[20]。
2020年10月份，以色列D-Fend Solutions公司发布了一款代号为EnforceAir的新型反无人机系统，可入侵无人机控制系统，切断操纵者与无人机之间的联系，进而接管无人机
[21]。此外，以色列拉法尔公司开发了反无人机系统“无人机穹”，实现了对无人机的探测、跟踪和压制。“无人机穹”系统安装了RPS-42空中战术监视雷达、MEOS光电传感器和C-Guard宽频信号干扰器，可对收集的数据进行综合分析，并对其他无人机发出警告
[22]。
这些攻击事件不仅会造成机身破损、财务损失和数据泄露，严重时甚至会威胁周围群众生命安全，泄露国家机密。因此，安全有效的防御方案对无人机的应用至关重要。
3 安全防御方案
无人机网络安全防御方案可检测无人机异常，在无人机受攻击后及时采取措施，锁定攻击者，降低攻击危害程度。如
图3所示，无人机安全防御方案包括入侵检测、信任管理和新型技术安全防御。
3.1 入侵检测
入侵检测系统通过监控无人机系统的状态和活动（包括系统的配置文件、数据文件和网络传输情况等），基于预设的规则分析无人机行为，检测网络中的异常行为（包括网络攻击和无人机自私行为等），防范外部攻击者入侵。下文从基于特征分析的入侵检测、基于数字签名的入侵检测以及基于行为准则和异常行为的入侵检测三个方面进行梳理。
3.1.1 基于特征分析的入侵检测
文献[
23]对各类攻击的特征进行了分析，并根据无人机网络中相关特征设计了分层检测响应系统来检测GPS欺骗、干扰攻击、虚假信息传播和黑洞攻击等网络攻击。由于这种方案可检测的攻击种类较少，使用场景受限，因此，网络遭受其他攻击时此方案的检测率会明显降低。
文献[
24]提出了混合式入侵检测系统，于离线时锁定一组无人机行为，并跟踪无人机运行期间的行为状态，以分析无人机应用程序间的交互，并将其与实际应用场景中的功能相对应。相较于分析攻击特征，分析正常行为特征可以检测出更多的潜在攻击，使用场景更为广泛，但该系统检测单位是“一组行为”，当无人机网络规模增大，无人机行为增加时，运行成本会大幅度增加。
文献[
25]提出了基于语义分析的无人机电磁干扰安全态势感知方法，收集无人机在电磁干扰下状态参数的细微变化作为语义分析数据源，再通过跟踪比较方法检测异常行为。该方法评估安全状况只需要少量的异构状态参数特征，可有效降低成本。此外，区别于民用场景，该方法适用于战场等电磁干扰强的场景，可提高无人机在战场的表现，但该方法无法防止攻击者恶意劫持无人机。
文献[
26]提出了基于接收信号强度（received signal strength indication，RSSI）的三边测量方法防止无人机劫持，主无人机在两架协同无人机的辅助下根据RSSI推测信号发送者位置，判断发送节点是否是合法地面站。该方法基于信号特征推测消息发送者位置，避免无人机降落至错误位置，可有效防止无人机被黑客劫持。但是该方法需要两架无人机作为辅助，运行成本较高，只适用于主无人机及其携带数据实际价值较高的场景。
基于特征分析的入侵检测方案设计思路清晰直接，方案往往针对特定场景（或攻击），分析场景特征并在方案中将其量化，这样的思路可以提高方案与单一场景的适配性，但因为方案与场景耦合度较高，方案通用性不足。
3.1.2 基于数字签名的入侵检测
文献[
27]提出了适用于小型无人机系统的传感器攻击检测框架，为传感器攻击生成数字签名，使用统计分析来设置概率，从而检测传感器攻击。该框架中数字签名对象为攻击行为，签名不受环境干扰只针对恶意攻击，此外，方案对安全性不同的传感器采取不同检测方案，降低了运行成本。
文献[
28]提出了基于概率的异常行为检测方案，引入一类完全可信的管理者，管理者根据路由证据，周期性地以一定的概率检查无人机数据包转发情况，检测恶意无人机，其中路由证据中加入了生成无人机自身身份的数字签名。该方案中数字签名对象为无人机，确保了恶意无人机攻击网络后不可抵赖，降低了恶意无人机的攻击概率，且周期性检测降低了检测成本。
文献[
29]提出了基于频谱流量分析和评估器的混合入侵检测模型，先使用小波分析方法分析流量特征签名来表示流量，然后选择精确的评估器重新构建实际流量，筛选不遵循特征签名的恶意流量。该模型中数字签名对象为流量，任何不遵循流量特征的攻击都可被检测、分析和管控，可用于检测未知攻击。但该模型的有效性取决于时间尺度、采样周期等因素，还需要在实际应用场景中多次测试，调整参数。
文献[
30]基于无人机下行通信中的射频信号签名识别检测微型无人机，方案选取无人机信号特征和环境噪声特征，训练支持向量机和
K近邻(
K-nearest neighbor, KNN)模型获得分类器来检测非法无人机。该方案中数字签名对象为射频信号，信号签名结合下行通信协议内容，还可识别无人机类型，在禁飞区域检测无人机，但方案有效性取决于信号数据库，需要不断采集无人机信号，完善数据库。
基于数字签名的入侵检测方案中，签名对象具有不可否认性，可以让检测到的入侵更为准确真实。同时，因为数字签名的生成和验证带来了额外开销，此类方案大多采取不同的措施来降低运行成本。
3.1.3 基于行为准则和异常行为的入侵检测
文献[
31]提出了基于行为准则的入侵检测系统，针对无人机装备的每个传感器和执行器，制定了轻量级行为准则，如不对目标区域外的无人机使用武器，无人机处于盘旋状态时使用最小推力等。此类行为准则可检测基于特定物理组件发动的内部攻击，并允许监视设备通过简单的观察，对邻近无人机实施有效的监测，但行为准则体量较小，可检测的攻击类型有限。
文献[
32]提出了基站协助的无人机保护和流氓无人机恢复的安全框架，基于神经网络预测无人机行为和移动模式，对比实际行为与预测行为的一致性。该框架可基于异常行为检测多种入侵，并通过飞行区域重划分将恶意无人机逐出网络，但框架所用的人工智能算法开销较大，需要在效率与开销之间进行均衡。
文献[
33]提出了基于行为的无人机身份认证和安全监督策略，利用机载黑箱实时采集无人机飞行数据，再基于飞行数据对无人机行为建模，预测无人机潜在异常行为，对无人机身份进行可信验证。该策略同样基于异常行为来检测入侵，而且其平衡了建模复杂度与分类准确度，即使建模复杂度较低，监督策略仍能保持较高的精度，帮助安全机构对非法无人机进行有效识别，但该策略只针对单架无人机，应用于网络中所有无人机时开销较大。
对比基于行为准则和异常行为的两类方案，基于行为准则的入侵检测方案将无人机实际行为与正常行为准则进行比较，仅能检测已知的网络异常，无法防御未知攻击；基于异常行为的入侵检测方案建立正常行为模型作为对照，监测偏离正常模型的异常行为，可检测未知攻击，但相较于前者，其计算成本较高。
综合上述分析，本文从技术特点、方案不足以及适用场景三个方面对讨论的各示例方案进行了总结，如
表1所示。
3.2 信任管理
信任值是指网络中无人机根据历史交互情况和当前通信状况，判断目标无人机可靠程度的度量值，而信任管理就是通过计算信任值来评估无人机可信度，并采取相应措施增加网络安全性的一种安全防御方案。下文从基础信任模型、分角色和分层信任模型以及其他信任模型三个方面进行梳理。
3.2.1 基础信任模型
常见的信任评估方式包括直接信任评估、间接信任评估和声誉评估等
[34]，基础信任模型就是基于这些评估方式，考虑网络通信情况、无人机情况和链路情况进行评估的信任模型。其中，直接信任评估基于无人机间直接的通信行为计算信任值，最为直观准确；间接信任评估与声誉评估则将三方无人机对目标无人机的评价作为信任值计算依据，适用于评估无人机与待评估无人机间交互不足的情况。
文献[
35]提出了基于无人机行为、移动模式和信道特征进行评估的信任模型，考虑链路质量、链路利用率、无人机完整性、无人机容量、数据内容等因素，由直接信任、间接信任、综合信任、信任更新四部分组成。该模型考虑因素齐全，兼顾多类无人机，能有效评估无人机表现情况，但不能区分异常行为是无人机有意为之还是环境导致的无意行为，模型假阳率较高。
文献[
36]提出了直接信任模型以检测无人机通信中故意或无意的恶意行为，模型跟踪数据包从源无人机至目的无人机的传输路径，信任值计算考虑了无人机缓冲区大小、剩余能量和两个无人机之间链路稳定性三个因素。该模型可实现恶意行为零容忍，无论是故意还是无意的恶意行为都将降低无人机信任值，影响其消息传输，但模型只能应用于无线网络，不适用于5G通信系统。
文献[
37]提出了基于信任的无人机5G通信系统安全方案，考虑无人机交互时的传输信息满意度与无人机间相似性来计算无人机直接信任值，然后根据信任阈值过滤恶意无人机。该方案可以排除网络中的恶意无人机，但不能排除网络中的虚假消息。
文献[
38]提出了信誉评估框架，基于投票机制和信誉评估衡量无人机生成消息的准确率，保证了消息的真实性，适用于信息采集场景。该框架中所有无人机都可以作为投票无人机，但无人机未经筛选，无法避免恶意无人机混入其中发动诽谤攻击的风险。
关于间接信任评估如何选择适当的三方无人机来计算间接信任值的问题，文献[
39]提出了间接观测无人机选择方案，基于无人机属性对所有无人机进行灰色决策计算，并对计算结果进行排序，优先选择排名靠前的无人机作为三方无人机。该方案能减轻诽谤攻击的危害，并在安全性与效率之间取得平衡。
3.2.2 分角色和分层信任模型
对于同一事件，不同的无人机往往扮演着不同的角色，其身份决定了不同信任评估依据或准则，分角色信任模型将无人机划分为不同角色，并依据不同信任准则进行评估。
文献[
40]提出了基于事件的声誉模型，将无人机分为事件报告者和事件观察者，事件报告者生成的消息具有较高的声誉值，而事件观察者既可参考事件报告者的声誉评估结果，也可根据感知的情况，重新计算消息声誉值并将二者进行整合。该方法根据无人机与事件发生地的相对距离进行分类，对不同无人机传输的消息采用了不同的评估方法，重在评估消息真实性，可有效地防止无人机网络中的虚假消息传播。
文献[
41]提出了基于节点类型的可扩展异构网络信任模型，根据任务将网络节点分级依次划分为总指挥，分组组长和普通节点，同类节点间基于服务质量特征和社会属性互相评估，并将评估结果交由上一级节点汇总。该模型重在评估节点合法性，可及时检测节点故障、断开等情况。
在复杂任务中，无人机网络可采用分层信任模型，此类模型往往根据功能或特定目的将模型分层评估，使得信任评估结构更加清晰。
文献[
42]针对多无人机系统在欺骗和干扰环境下的定位安全问题，建立了三层信任模型，每层考虑不同因素，先在层内评估，再进一步实现跨层评估，以此计算无人机间通信的可信度。该模型根据功能分层，为无人机网络信任评估提供了新的思路。
文献[
43]提出了无人机辅助网络信任评估框架，包括无人机辅助的全局信任评估和基于历史交互的局部信任评估两部分，全局评估消除恶意无人机，建立干净的数据收集环境，局部评估选择可信的无人机协作收集数据。该框架根据评估目的分层，适用于包含无人机的异构网络数据收集场景。
3.2.3 其他信任模型
其他信任模型是指架构上既不能分为直接或间接信任评估，也不能分为分角色或分层信任评估的模型，这些模型技术不同，架构各异，无法再合并归类，因此统一在本小节中进行阐述。
文献[
44]提出了可溯源的分布式信任模型，基于消息完整性，评估消息生成无人机和转发无人机的行为并生成证据，然后基于证据识别恶意无人机。该模型可与现有的无人机网络路由协议兼容，有效识别黑洞攻击、灰洞攻击、消息篡改、虚假推荐和身份伪造等攻击，提高网络和数据的安全性，以最大限度地转发正确消息，同时降低消息传输延迟和通信成本。
文献[
45]结合密码学和信任管理技术，提出了轻量级消息交换信任方案，该方案中，无人机通过密钥加密生成消息，地面站根据解密结果定期更新无人机的信任级别。该方案既能检测网络中的异常无人机，又能确保消息安全传输，具有较强的鲁棒性和较低的通信开销，但该方案仍需考虑更多的潜在攻击，且其实用性有待被验证。
文献[
46]提出了基于遗传算法的信任评估模型，利用遗传算法来优化参数权重值，以计算直接信任值，并根据信任值进一步划分无人机。该模型通过优化可以得到信任值考虑的无人机能量、信号强度、包传递率、传输延迟等因素的最佳参数权重值，但使用遗传算法开销较大。
文献[
47]提出了基于语义分析的信任模型，根据无人机能量值、移动模型和消息队列，对包含恶意行为的无人机进行语义分析，区分恶意行为是故意的还是无意的。该模型在满足安全需求的同时，能有效地降低恶意无人机检测假阳性率，但模型判定无意不当行为的考虑因素仍有完善空间。
文献[
48]设计了基于云信任模型的动态无人机决策中心选择方法，依据无人机之间的交互信息，利用云模型增强环境适应性，对决策中心的决策能力建模并依据交互记录计算其信任值。该方法利用云端资源确保系统在干扰环境中自适应地选择最佳决策中心，有效弥补了无人机资源受限的不足，可保护决策中心合作系统免受欺骗和干扰攻击。
综合上述分析，本文从信任模型种类、信任因素以及模型意义三个方面对讨论的各示例方案进行了总结，如
表2所示。
3.3 新型技术安全防御
随着安全技术的发展，一些新型技术与传统的入侵检测和信任体系融合，以保护无人机网络的安全。下文将分别介绍基于人工智能技术的安全防御和基于区块链技术的安全防御。
3.3.1 基于人工智能技术的安全防御
文献[
49]提出了基于深度学习的自适应入侵检测系统，在自动驾驶模式或正常飞行模式中检测到恶意活动时，系统会自动开启返回模式，确保无人机安全返回基地。该系统使用具有自学习能力的多类支持向量机（support vector machine, SVM）来保证检测准确率，但系统学习阶段需耗费较多资源。
文献[
50]提出了机载激光雷达辅助的无人机障碍物识别和入侵检测算法，使用改进的噪声空间聚类算法对入侵图像进行图像聚类，从而获得一段时间内的激光雷达时域累积图，完成无人机的运动识别和位置检测，识别入侵物体的移动状态。虽然该算法可以有效识别入侵物，但仍需在激光雷达的抗干扰机制、避障和路径规划等方面进行完善。
文献[
51]提出了基于模糊分类的信任模型，考虑服务质量和社会因素，采用模糊分类和优化原则
[52]管理节点间的信任关系。该模型通过模糊分类将无人机划分为正常无人机和异常无人机，并随无人机表现情况不断进行优化，具有较高准确率，但模型能耗较高。
文献[
53]提出了基于深度强化学习检测无人机网络中恶意攻击的方案，使用深度确定性梯度算法定期检测无人机网络。方案基于深度强化学习技术，可以有效地检测无人机网络中所有潜在的攻击，但同样存在能耗较高的问题，受到无人机计算资源不足的限制。
结合上述方案可知，人工智能技术应用在无人机网络中时，能很好地适配应用场景，准确地检测出恶意无人机，但由于人工智能技术本身需要耗费大量计算资源，与无人机网络资源受限的特点冲突，此类防御方案还需继续在计算成本上进行改进。
3.3.2 基于区块链技术的安全防御
文献[
54]提出了结合属性基和区块链技术的通信方法，每次数据传输都构建区块来记录数据发送者、接收者和传输路径，便于后续验证传输真实性。该方法确保了群组间的可信可追溯通信，恶意无人机发动攻击后暴露风险增加，从而得到制衡，主动降低攻击概率，但该方法延迟较高，还需优化底层区块链，提升性能。
文献[
55]提出了基于区块链时间戳序列的信任管理框架，无人机观察者将监测到的无人机信任值存储于透明、可靠、安全开放的账本中。该框架可以实时检测无人机异常行为，并区分无人机异常行为是由真实攻击造成还是由环境因素引起，有效地提高异常无人机检测率。
文献[
56]提出了数据可信存储方法，在数据生成数字签名后将其上传至管理平台，平台将运行数据的原始文本和哈希值存储至区块链中。该方法中区块数增加可提高数据的可信度，但会导致计算效率降低，在实际应用中，需要均衡信任和计算效率。
文献[
57]设计了区块链辅助访问控制方案，并使用深度神经模糊系统检测入侵情况。该方案既确保了无人机安全访问，又可以及时检测无人机网络入侵，克服了现有系统所面临的安全传输、延迟和计算复杂度等挑战，可用于无人机与用户实时交互的场景。
基于区块链技术的安全防御方案利用区块链的不可篡改性和共识信任机制，实现了节点信任值公开、透明且安全的存储，可有效抵御诽谤攻击、投选票攻击等恶意攻击，但此类方案同样要注意控制成本，避免给无人机网络资源造成过重的负担。
综合上述分析，本文从技术种类、方案概述以及方案意义三个方面对讨论的各示例方案进行了总结，如
表3所示。
4 研究挑战
无人机安全防御方案应兼顾有效性和效率，有效性是指防御方案能以较少的中断次数完成任务，效率则指方案能以较低的开销维持无人机网络计算和通信。为实现这两点，后续研究还面临以下挑战。
4.1 入侵检测和信任管理研究挑战
入侵检测和信任管理均为较传统的防御技术，其方案大多基于攻击表象特征或统计量特征而设计，具有针对性，只能检测特定的攻击，不能防御新型攻击和潜在的威胁，脱离特定应用场景后有效性略显不足，此外，此类方案大多未考虑如何节省开销，不能显著提高效率。
因此，入侵检测和信任管理在未来研究中还面临以下挑战：1） 检测未知攻击。完善正常行为范式，扩充潜在攻击行为表征，增加攻击检测种类。2） 降低检测延迟。较为严密的防护方案往往包含较多的决策和计算部分，增加无人机处理时间，大量的通信也会导致网络延迟，因此需要在有效性和检测延迟间寻求平衡点，提升安全防御方案的敏捷性。3） 合理评估威胁。有效的威胁评估能减少漏洞风险，制定有效的威胁评估策略是提高防御方案安全性和性能的关键。4） 合理设定信任阈值。信任管理中一般都通过设定信任阈值判别正常无人机和恶意无人机，合理的信任阈值可显著降低检测的假阳性率和假阴性率。5） 及时响应。无人机响应速度与安全方案检测到攻击的速度有关，应该提高攻击检测速度进而提升系统响应速度。6） 检测到攻击后采取一定的防御措施。完善的安全方案应该在发现异常后采取合理的应对措施，排除恶意无人机，避免攻击者后续持续对网络造成损害。
4.2 新型技术安全防御研究挑战
新型技术，如各种人工智能算法往往利用多种攻击训练模型，模型自主分析攻击特征，弥补人工分析攻击时遗漏的不合逻辑部分。新型技术能检测潜在攻击，但其本质是其他技术于无人机网络中的应用，模型训练往往需要较大的计算开销，导致计算成本高，与无人机网络适配度较低。此外，检测准确率依赖于模型的好坏，所以对攻击和无人机行为的建模至关重要。
因此，将新型技术运用于无人机安全防御还面临以下挑战：1） 控制无人机计算成本。尽量将训练模型等计算量大的工作转移至地面站等资源充足的设备完成，避免让资源受限的无人机参与过多计算，以降低计算资源消耗，减少无人机运行成本。2） 减少运行开销。安全防御方案的高开销会增加无人机的能耗，减少无人机飞行时间，因此应在保证有效性的情况下降低运行开销，让无人机有能量完成更多任务。3） 设计轻量级方案。由于无人机计算资源、处理资源和能源有限，所以新型技术要摒弃复杂运算，设计更适合无人机网络的轻量级安全防御方案。4） 增加网络吞吐量。增加吞吐量会导致运行成本增加，但是可以使用动态监控监测系统状态，动态设置吞吐量，在吞吐量和运行成本之间进行权衡。5） 攻击行为与无人机行为建模。安全防御方案与无人机行为密切相关，对攻击行为与无人机行为准确建模，可提高防御方案的实用性。
5 结 语
本文概述了无人机网络中的安全防御方案。首先，介绍了无人机网络中常见攻击和典型攻击事件。然后，将安全防御方案分为三类：入侵检测、信任管理和新型技术安全防御，并针对每类方案进行了细分并举例介绍了相关防御方案。最后，本文提出了未来研究存在的挑战，以促进兼顾有效性和效率的安全防御方案进步。
湖北省重点研发计划项目(2021BAA027)
武汉市知识创新专项项目(2022010801010117)
京公网安备11010202008535号
PDF
(1114KB)
