中文引用格式：鄧琬巾，文新，李維皓，等. 面向無人機網絡攻擊檢測的兩級特征選擇方法［J］.網絡安全與數據治理，2026，45（4）：35-44.
英文引用格式：Deng Wanjin, Wen Xin, Li Weihao，et al. A twostage feature selection method for network attack detection in UAV networks
［J］.Cyber Security and Data Governance，2026，45（4）：35-44.
引言
隨著低空經濟的快速發展，無人機（Unmanned Aerial Vehicles，UAVs）在農業、物流、交通和災害響應等領域的應用日益廣泛。這類無人機具備一定的自主性，能夠提升效率并融入日常生活。然而，無人機因其開放的通信信道、無保護的傳感器輸入和有限的計算防護能力，容易受到安全威脅攻擊，攻擊者會采取各種辦法來阻礙、擾亂和控制無人機［1］。Warnakulasooriya等人［2］提到，2012年到2022年間的商業無人機受到多種網絡攻擊的威脅。Wang等人［3］總結出無人機群可能受到的攻擊有20種，攻擊涉及網絡、傳感器和機器學習模型。這些網絡攻擊會導致無人機在任務執行過程中出錯，不僅損害無人機本身的價值，還可能造成公眾安全風險和經濟損失。
入侵檢測系統（Intrusion Detection System，IDS）為緩解UAVs的網絡安全威脅提供了一種解決方案［3］。基于機器學習或深度學習算法構建模型，通過對網絡流量進行分類和異常檢測，來監控和識別UAVs通信中的異常行為，精準檢測網絡攻擊行為，為后續防御措施的觸發提供前提條件。決策樹［4］、隨機森林［5］、支持向量機［6］構建的IDS準確率已高達95%，而長短時記憶循環神經網絡［7］（Long Short Term Memory and Recurrent Neural Network，LSTMRNN）、卷積長短時記憶［8］（Convolutional Long ShortTerm Memory，ConvLSTM）等深度學習算法的引入，又將準確率推向了99%的高峰。然而，問題也接踵而至：計算資源有限的UAVs無法承載模型對高算力的要求，且模型本身的高計算復雜度也產生了部署困難、實時性能低的挑戰。因此，特征工程成為解決問題的關鍵，通過特征選擇減少數據維度、剔除冗余信息，不僅能減少模型推理的計算開銷、降低模型對算力的需求，還能提升檢測準確率，避免過擬合風險，從而使IDS更適用于無人機網絡安全防護。
目前，已有若干工作圍繞IDS模型的特征工程進行了研究。在入侵檢測領域，信息增益（Information Gain, IG）是廣泛采用的特征選擇準則，但傳統方法常依賴固定分箱對連續屬性進行離散化，增加了重要特征信息丟失與漏選風險。Shi等人［9］提出基于信息損失與粗糙集的動態離散化算法，驗證了固定分箱在KDDCup99數據集上的局限性；Hassan［10］進一步通過實驗證明，固定分箱會顯著降低樸素貝葉斯等分類器的檢測效果；Zhang等人［11］也指出，固定分箱容易忽略特征間細微差異，導致部分高判別性特征被漏選。這些研究共同表明，傳統固定分箱方法在IG特征選擇中存在明顯缺陷，亟需能夠提升IG特征選擇準確性的方案。
為了應對上述挑戰，本文提出了兩級特征選擇方法，設計了啟發式信息增益搜索（Heuristic Information Gain Feature Selection, HIS）算法，針對傳統信息增益算法的核心缺陷,即統一分箱策略可能導致重要特征因不恰當離散化而被漏選，提出了自適應優化方案。該方法通過啟發式搜索改進IG計算，精準量化特征的判別能力，結合卡方檢驗的初步篩選，實現了統計顯著性篩選與信息量優化的協同，構建了更具系統性和精準性的特征工程流程，為無人機入侵檢測系統中高維數據的高效處理提供了有力支撐。
本文的主要工作如下：
（1)提出了新的無人機網絡攻擊檢測方案TSFS，解決了機器學習模型的高檢測率對算力的高要求和低算力環境之間的矛盾。本文通過特征選擇與機器學習模型相結合，在保證檢測性能的前提下大幅降低計算開銷和模型復雜度，使TSFS能夠在資源受限的邊緣設備上實時運行，解決了高性能檢測與低功耗部署之間的核心沖突，使其能夠部署在算力受限的無人機平臺上。
（2)為了解決所提出的問題，設計了兩級特征選擇方法，對每個候選特征自適應搜索出局部最優分箱方案，準確量化其真實判別能力。同時將所選特征的數量作為超參數納入模型訓練的調優過程，通過貝葉斯優化實現特征選擇與XGBoost分類器的協同優化，實現了以模型性能為導向的特征評估和篩選。
（3)實驗結果表明，相較傳統信息增益方法，本文的兩級特征選擇方法能夠選出判別能力更強的特征子集，顯著提升分類模型的準確率、召回率和F1分數，并且在準確率超過95%的同時，模型訓練時間和推理時間大幅減少，能夠滿足實時檢測需求。與其他機器學習算法相比，本文方法在計算效率方面具有明顯優勢，更適合部署在資源受限的無人機平臺上，驗證了所提方案在實際應用場景中的可行性和有效性。
本文詳細內容請下載：
http://www.tom3567.com/resource/share/2000007057
作者信息：
鄧琬巾1，文新2，李維皓1，張瑋石1，白猛1
（1.華北計算機系統工程研究所，北京100083;
2.中國電子信息產業集團有限公司，廣東深圳518057）
