中文引用格式：邓琬巾，文新，李维皓，等. 面向无人机网络攻击检测的两级特征选择方法［J］.网络安全与数据治理，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
随着低空经济的快速发展，无人机（Unmanned Aerial Vehicles，UAVs）在农业、物流、交通和灾害响应等领域的应用日益广泛。这类无人机具备一定的自主性，能够提升效率并融入日常生活。然而，无人机因其开放的通信信道、无保护的传感器输入和有限的计算防护能力，容易受到安全威胁攻击，攻击者会采取各种办法来阻碍、扰乱和控制无人机［1］。Warnakulasooriya等人［2］提到，2012年到2022年间的商业无人机受到多种网络攻击的威胁。Wang等人［3］总结出无人机群可能受到的攻击有20种，攻击涉及网络、传感器和机器学习模型。这些网络攻击会导致无人机在任务执行过程中出错，不仅损害无人机本身的价值，还可能造成公众安全风险和经济损失。
入侵检测系统（Intrusion Detection System，IDS）为缓解UAVs的网络安全威胁提供了一种解决方案［3］。基于机器学习或深度学习算法构建模型，通过对网络流量进行分类和异常检测，来监控和识别UAVs通信中的异常行为，精准检测网络攻击行为，为后续防御措施的触发提供前提条件。决策树［4］、随机森林［5］、支持向量机［6］构建的IDS准确率已高达95%，而长短时记忆循环神经网络［7］（Long Short Term Memory and Recurrent Neural Network，LSTMRNN）、卷积长短时记忆［8］（Convolutional Long ShortTerm Memory，ConvLSTM）等深度学习算法的引入，又将准确率推向了99%的高峰。然而，问题也接踵而至：计算资源有限的UAVs无法承载模型对高算力的要求，且模型本身的高计算复杂度也产生了部署困难、实时性能低的挑战。因此，特征工程成为解决问题的关键，通过特征选择减少数据维度、剔除冗余信息，不仅能减少模型推理的计算开销、降低模型对算力的需求，还能提升检测准确率，避免过拟合风险，从而使IDS更适用于无人机网络安全防护。
目前，已有若干工作围绕IDS模型的特征工程进行了研究。在入侵检测领域，信息增益（Information Gain, IG）是广泛采用的特征选择准则，但传统方法常依赖固定分箱对连续属性进行离散化，增加了重要特征信息丢失与漏选风险。Shi等人［9］提出基于信息损失与粗糙集的动态离散化算法，验证了固定分箱在KDDCup99数据集上的局限性；Hassan［10］进一步通过实验证明，固定分箱会显著降低朴素贝叶斯等分类器的检测效果；Zhang等人［11］也指出，固定分箱容易忽略特征间细微差异，导致部分高判别性特征被漏选。这些研究共同表明，传统固定分箱方法在IG特征选择中存在明显缺陷，亟需能够提升IG特征选择准确性的方案。
为了应对上述挑战，本文提出了两级特征选择方法，设计了启发式信息增益搜索（Heuristic Information Gain Feature Selection, HIS）算法，针对传统信息增益算法的核心缺陷,即统一分箱策略可能导致重要特征因不恰当离散化而被漏选，提出了自适应优化方案。该方法通过启发式搜索改进IG计算，精准量化特征的判别能力，结合卡方检验的初步筛选，实现了统计显著性筛选与信息量优化的协同，构建了更具系统性和精准性的特征工程流程，为无人机入侵检测系统中高维数据的高效处理提供了有力支撑。
本文的主要工作如下：
（1)提出了新的无人机网络攻击检测方案TSFS，解决了机器学习模型的高检测率对算力的高要求和低算力环境之间的矛盾。本文通过特征选择与机器学习模型相结合，在保证检测性能的前提下大幅降低计算开销和模型复杂度，使TSFS能够在资源受限的边缘设备上实时运行，解决了高性能检测与低功耗部署之间的核心冲突，使其能够部署在算力受限的无人机平台上。
（2)为了解决所提出的问题，设计了两级特征选择方法，对每个候选特征自适应搜索出局部最优分箱方案，准确量化其真实判别能力。同时将所选特征的数量作为超参数纳入模型训练的调优过程，通过贝叶斯优化实现特征选择与XGBoost分类器的协同优化，实现了以模型性能为导向的特征评估和筛选。
（3)实验结果表明，相较传统信息增益方法，本文的两级特征选择方法能够选出判别能力更强的特征子集，显著提升分类模型的准确率、召回率和F1分数，并且在准确率超过95%的同时，模型训练时间和推理时间大幅减少，能够满足实时检测需求。与其他机器学习算法相比，本文方法在计算效率方面具有明显优势，更适合部署在资源受限的无人机平台上，验证了所提方案在实际应用场景中的可行性和有效性。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000007057
作者信息：
邓琬巾1，文新2，李维皓1，张玮石1，白猛1
（1.华北计算机系统工程研究所，北京100083;
2.中国电子信息产业集团有限公司，广东深圳518057）
