基于机器许学习的农业无人机的网络入侵检测论文阅读笔记

        此次阅读的是来自sci4区综合期刊名称：《Applied Sciences-Basel》影响因子:2.7，中科院分区中位于4区。

        智能农业技术发展迅速，对作物产量的提高做出了重大贡为了进一步提高智慧农业的效率，本研究提出了一个利用无人机(uav)和物联网(IoT)设备的框架。然而，这种开放的环境容易受到黑客和恶意者的入侵，这可能会导致数据的外泄，传感器不能正常的工作，最终降低农业生产力。为了解决这一潜在威胁，该研究提出了一种集成到基于雾的无人机-物联网农场数据收集系统中的入侵检测系统(IDS)。IDS利用公开的CICIDS2017数据集训练的机器学习算法来检测和防止入侵。

        文章提出了基于无人机辅助的智慧农业系统框架，使用到的数据集是CIC_IDS2018（数据集链接https://github.com/ISCX/CICFlowMeter），使用到的模型是XBG模型，并且与SVM、RF等传统模型进行比较，最后对比显示XBG的acc、Precesion、Recall、F1、R²各项指标都有显著的表现。

        这样文章的亮点是无人机辅助的智慧农业框架。无人机辅助的智慧农业框架如图1所示，该系统由农场、部署的传感器、无人机、雾代理和雾节点组成，该框架模拟大型农场，部署传感器来监控农场，并使用无人机定期收集农业相关数据与信息，信息传输到雾代理之后最终会传输给连接的雾节点上。网络入侵检测系统，部署在无人机上的检测恶意的网络行为。

图1 无人机辅助的智慧农业系统

        农场是特定的范围下的农场，该农场是大规模的，包括平原和山地、河流和断谷等复杂的地形，这样复杂地形的农场更具有无人机大展身手的使用场景。复杂地形农场如图2所示。

图2  适用无人机的复杂地形农场地形图

        传感层是由大量的无线传感器网络构成，采用移动网关，这样更加方便传感器将数据传输到无人机。

        往上是无人机网络，无人机主要负责农场数据的收集和向代理人传输农场数据。

        最顶层是代理和雾节点，用于管理站点的雾资源以及控制无人机的管理方面，例如它们的调度。代理节点还与其他代理协作以共享无人机。每个雾节点能够管理附近的无人机，无人机的管理会使用雾节点的额外资源。broker可以从相邻的雾方租用资源，然后通过物物交换机制进行结算。

        文章提出的无人机辅助智慧农业框架具有很强的创新点，但是使用的数据集是公开CICIDS2017数据集，没有收集适用于无人机农场场景下的数据集，并且文章实验是仿真实现的，这对于真实环境下的网络入侵检测会大打折扣，因为真实环境的黑客攻击和网络故障是千变万化的。