Detection of contextual anomalies in air traffic data using neural network models - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

Detection of contextual anomalies in air traffic data using neural network models

Détection d'anomalies contextuelles dans les données de transport aérien à l'aide de réseaux de neurones

Résumé

To face the ever-growing number of aircraft flying in the world airspace, the Air Traffic Control (ATC) needs to adapt and propose new technologies that are both cheaper to produce and more accurate, sometimes at the expense of the cybersecurity of its systems. The Automatic Dependent Surveillance-Broadcast (ADS-B) protocol is one of the latest compulsory advances in air surveillance and perfectly depicts this tendency: cheaper to maintain and to implement thanks to inexpensive transponders installed in each aircraft broadcasting their GPS information but way more vulnerable than older technologies. This is due to the change of paradigm that the ADS-B embodies. Older technologies like primary and secondary radars were watching the sky using powerful antennas tracking flights in a given area while with ADS-B, radars do not scan the air but rather directly receive information sent by each aircraft. For this reason, and because of the absence of encryption and authentication in the protocol, it is particularly vulnerable to False Data Injection Attacks (FDIA). FDIAs are messages either created, modified, or deleted by malicious individuals with the intent to disrupt traffic management.To limit these threats, different solutions were proposed using both the physical layer (analysis of the signals’ strength, multilateration …) and the logical layer (data fusion, group verification) including Machine Learning models. The main incentives for the latter are the recent data sources and tools available to obtain flight tracking records. This allowed the researchers to create datasets and develop Machine Learning models capable of detecting anomalies in En-Route trajectories. In this context, we propose a novel multivariate anomaly detection model called Contextual Auto-Encoder (CAE). It uses the baseline of a regular LSTM-based auto-encoder but with several decoders, each getting data of a specific flight phase (e.g., climbing, cruising, or descending) during its training. To illustrate the CAE's efficiency, an evaluation dataset was created using real-life anomalies as well as realistically crafted trajectory modifications, with which the CAE, as well as three anomaly detection models from the literature, were evaluated.To complete this work, and to show the genericity of our approach, experiments on the maritime domain are presented at the end of this thesis. This choice was motivated by the Automatic Identification System or AIS being a similar protocol to the ADS-B with similar problematics but for vessels. These new experiments led to an extension of the original model using an affinity score to merge contexts together.
Pour faire face au nombre sans cesse croissant d'avions volant dans l'espace aérien mondial, le contrôle du trafic aérien (ATC pour Air Traffic Control) doit s'adapter et proposer de nouvelles technologies à la fois moins coûteuses à produire et plus précises, parfois au détriment de la cybersécurité de ses systèmes. Le protocole ADS-B (Automatic Dependent Surveillance-Broadcast) est l'une des dernières avancées obligatoires en matière de surveillance aérienne et illustre parfaitement cette tendance : moins cher à entretenir et à mettre en œuvre grâce à des transpondeurs peu coûteux installés dans chaque avion et diffusant leurs informations GPS, mais bien plus vulnérable que les technologies plus anciennes. Ceci est dû au changement de paradigme que l'ADS-B incarne. Les anciennes technologies, comme les radars primaires et secondaires, surveillaient le ciel à l'aide de puissantes antennes pour suivre les vols dans une zone donnée, alors qu'avec l'ADS-B, les radars ne scrutent pas l'air mais reçoivent directement les informations envoyées par chaque avion. Pour cette raison, et du fait de l'absence de cryptage et d'authentification dans le protocole, celui-ci est particulièrement vulnérable aux attaques par injection de fausses données (FDIA pour False Data Injection Attack). Les FDIA sont des messages créés, modifiés ou supprimés par des personnes malveillantes dans le but de perturber la gestion du trafic.Pour limiter ces menaces, différentes solutions ont été proposées en utilisant à la fois la couche physique (analyse de la force des signaux, multilatération...) et la couche logique (fusion de données, vérification de groupe), y compris des modèles d'apprentissage automatique. Les principales motivations de ces derniers sont les sources de données récentes et les outils disponibles pour obtenir des enregistrements de suivi de vol. Ceci a permis aux chercheurs de créer des jeux de données et de développer des modèles de Machine Learning capables de détecter des anomalies dans les trajectoires En-Route. Dans ce contexte, nous proposons un nouveau modèle multivarié de détection d'anomalies appelé Contextual Auto-Encoder (CAE). Il utilise la base d'un auto-encodeur LSTM ordinaire mais avec plusieurs décodeurs, chacun recevant des données d'une phase de vol spécifique (par exemple, montée, croisière ou descente) pendant son apprentissage. Pour illustrer l'efficacité du CAE, un ensemble de données d'évaluation a été créé en utilisant des anomalies réelles ainsi que des modifications de trajectoire réalisées de manière réaliste, avec lesquelles le CAE, ainsi que trois modèles de détection d'anomalies de la littérature, ont été évalués.Pour compléter ce travail, et pour montrer la généricité de notre approche, des expériences sur le domaine maritime sont présentées à la fin de cette thèse. Ce choix a été motivé par le fait que le système d'identification automatique ou AIS est un protocole similaire à l'ADS-B avec des problématiques similaires mais pour des navires. Ces nouvelles expériences ont conduit à une extension du modèle original en utilisant un score d'affinité pour fusionner les contextes entre eux.
Fichier principal
Vignette du fichier
these_A_CHEVROT_Antoine_2022.pdf (5.5 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03974764 , version 1 (06-02-2023)

Identifiants

  • HAL Id : tel-03974764 , version 1

Citer

Antoine Chevrot. Detection of contextual anomalies in air traffic data using neural network models. Cryptography and Security [cs.CR]. Université Bourgogne Franche-Comté, 2022. English. ⟨NNT : 2022UBFCD010⟩. ⟨tel-03974764⟩
120 Consultations
48 Téléchargements

Partager

Gmail Facebook X LinkedIn More