Federated learning for drone authentication

摘要：

在物联网时代，无人机的应用日益广泛，带来了许多机遇和挑战。由于无人机的能力(静音飞行，捕捉照片和视频等)，人们普遍关注无人机认证以及无人机允许哪些飞行。在这方面，物联网网络中有几种用于身份验证的机器学习(ML)建议。这种基于ml的模型应用于无人机认证时，在数据安全性、隐私保护和可扩展性等方面存在不足。基于ml的方法收集所有数据并集中训练身份验证模型，将模型暴露在对抗情况下。针对物联网中无人机的射频特性，提出了一种基于联邦学习的无人机认证模型。在提出的模型中，实现了深度神经网络(DNN)架构，用于无人机认证，并在无人机上进行随机梯度下降(SGD)优化。对安全模型参数采用同态加密和安全聚合方法。实验结果表明，联邦无人机认证模型在无人机认证过程中具有较高的真阳性率(TPR)，性能优于其他基于ml的模型。

1. • 引言

通过物联网(IoT)、人工智能(AI)和区块链[1,2]等新兴技术，人类生活的方式发生了变化。这些技术的出现彻底改变了我们的生活。迄今为止，与物联网相关的重要技术成就之一是飞行器的创新，即无人机。无人机广泛应用于教育、工业、环境、安全、军事等多个领域[3-7]。几乎可以肯定，无人机如今扮演着重要的角色，因为它们独特的机动性，能够执行关键任务，如拍摄视频、照片和收集情报[5]。另一方面，人们普遍担心无人机会在城市的某些区域飞行，如军事或家庭[4,5]。这里最严重的问题是无人机的身份验证，因为无人机的硬件、软件、设备和制造工厂的类型各不相同，直接或间接地影响了网络中的安全问题和隐私保护[5,8]。因此，通过探索人工智能技术，身份验证问题已经成为许多研究人员关注的一个重要问题和热门话题。使用基于机器学习(ML)的模型来解决身份验证问题最近在物联网网络和设备中激增。

认证模型在智能手机[10]等各种应用中得到了全面扩展。在ML模型进行身份验证期间，根据输入数据特征接受或拒绝测试输入。身份验证过程是通过将错误值与阈值进行比较来完成的，该距离通常是在嵌入空间中计算的，并表明我们应该接受或拒绝它。基于ml的身份验证模型必须使用相当数量的数据作为训练集进行训练。换句话说，身份验证模型应该有效地学习各种数据点，直到它们在测试集上获得准确的预测。在物联网网络中，存在导致隐私敏感问题的安全问题，因为集中收集数据用于训练身份验证模型[9]。很明显，保护数据隐私在身份验证过程中是至关重要的，因为ML模型很可能是在对抗情况下训练和测试的，应用不准确的数据样本。此外，在常见的ML身份验证模型中有一个中央单元或服务器，用于训练集和测试集。它为用户提供一个唯一的ID，或者知道嵌入空间的长度，或者在训练和测试身份验证模型期间访问所有私有数据。因此，知道用户的ID或嵌入空间的长度会导致出现易受攻击的身份验证模型。因此，有必要解决这些隐私保护和安全问题。

在身份验证模型中没有讨论的另一个问题是可伸缩性问题[8,9]。假设模型中参与者的数量已经已知。它将消除身份验证模型的可伸缩性，因为模型输出将依赖于传入用户的数量。为了解决这些问题，在物联网网络中的无人机身份验证过程中，我们提出使用联邦学习(FL)方法[11]进行无人机身份验证模型，因为它通过获得全局模型[11]帮助我们在物联网网络中实现隐私保护和可扩展性。在这里，FL是一种使用无人机的本地数据训练ML模型的结构，通过频繁地通信模型权重和梯度。FL使所提出的认证模型无需与服务器或其他无人机共享数据，因此，它是训练认证模型的可行解决方案[11,12]。联邦方法中的训练认证模型可以为解决隐私保护和可伸缩性问题提供一个很好的解决方案[12,13]。提出的联邦无人机认证模型利用了无人机的射频特征[14]，因为一些无人机是无噪音的，而且在气候条件下，视觉技术对无人机检测是无用的。我们利用无人机的射频信号频率，如正交频分复用(OFDM)参数(子载波间距、符号持续时间、循环前缀(CP)长度、快速傅里叶变换(FFT)长度)、信号功率以及无人机的检测特性(Mavric、Phantom等)进行无人机认证[14]。

通过建立一个FL无人机认证模型，了解这些无人机发射信号的特征，我们可以对各种主动发射射频信号的无人机进行认证。换句话说，我们通过FL模型获得了物联网中的全局无人机认证模型，该模型具有隐私保护和可扩展性优势，同时避免了基于ml的常见认证模型中存在的问题。因此，本文的主要贡献如下:

•我们提出了一种基于fl的无人机身份验证模型，该模型无需在中央服务器上收集数据，并考虑无人机的射频特征(OFDM调制)。•所提出的模型具有隐私保护的好处，并使用安全的平均方法将权重参数和梯度传输到服务器。此外，基于fl的DNN架构在无人机数量上是可扩展的，并且在训练期间通过增加无人机数量来提高性能。

 •与不基于fl的模型相比，我们的基于fl的无人机认证模型在认证过程中获得了较高的真阳性率(TPR)，并获得了更好的性能(准确性、精密度、召回率和F1-measure)。

我们将本文的其余部分组织如下。接下来，我们将在第2节中简要介绍联邦学习和相关工作的背景。在此之后，我们将在第3节中展示我们提出的基于fl的物联网认证模型。我们的评估和评估结果将在第4节中讨论。最后，结束语在第5节。

2. • 背景及相关工作

首先，本节简要介绍了联邦学习的理论和实践，然后回顾了无人机认证领域的相关文献，特别强调了FL和RF。

2.1、背景

2.1.1、联邦学习

联邦学习是一种边缘自适应ML方法，它可以在不交换信息或数据的情况下，在多个边缘服务器和/或设备之外训练算法。这种方法与传统的集中式ML技术不同，传统的集中式ML技术将所有本地数据上传到一台服务器，而更经典的去中心化技术通常将本地数据样本视为同分布的[11,15]。换句话说，联邦学习提出了一种替代方法，解决多个客户机如何不共享其本地数据，而仅将更新的模型传递给中央服务器的问题。联邦学习努力通过聚合来自潜在的大量客户端(其系统数据传输能力有限)的本地训练模型来提供一个共享的全局模型。联邦学习的思想允许多个实体在没有数据共享的情况下共同构建一个复杂、健壮的ML模型，从而解决诸如数据隐私、数据安全、数据访问权限以及ML分析中对异构数据的访问等关键问题。它在包括国防、电信、物联网和制药在内的许多领域都具有相当的吸引力[11,15]。

2.2、相关工作

目前还没有对无人机认证进行研究和调查，同时考虑RF和FL，解决隐私保护、安全问题和可扩展性问题。本节将考虑最相关的基于ml的身份验证模型、无人机身份验证和FL工作。

2.2.1、基于机器学习认证模型

关于基于ML的身份验证，我们可以提到[16]，它通过应用ML模型提供击键动态用户身份验证。在这项工作中，与现有的击键生物识别建议相比，在训练阶段使用特定用户的数据，所提供的模型利用来自大量环境用户的数据来提高模型的鉴别能力。此外，在另一项工作[17]中，作者重点研究了ML用于基于图像的用户认证的漏洞检查。他们获得了支持者随机制作的鼠标数据和用户实际输入的鼠标数据。他们测试了基于ML模型的鼠标数据分类相关的鼠标数据的安全性。事实上，他们推荐的模型可以在身份验证过程中对用户输入的鼠标数据进行分类。在[18]中，一种基于ml的智能家庭网络用户认证模型，使用移动应用程序数据评估有关合法用户身份的多个分类器。他们的结果证明，捐赠模型基于应用程序功能对用户进行认证，具有很强的F1-measure，而他们没有考虑常见的基于ml的问题，如收集数据进行训练，存在集中问题。在另一项研究中，[19]的作者还通过ML和压电击键动力学提出了一种高安全性的用户身份验证。在这项工作中，为了收集数据集，使用ML分类器并应用基于用户击键的替代策略，从压电式力触摸平板(硬件的一个组成部分)中提取用户触摸次数和力特征。最后，它们的ML分类器获得了一个几乎很好的相等错误率(EER)进行身份验证。在[10]中，有一项基于ml的人脸识别用于用户认证的研究，作者通过生物特征和人脸识别技术的代表性模型调查了用户认证的趋势。他们的模型是基于深度学习(卷积神经网络(CNN)模型)和距离度量学习[20]的概念。在这里，作者必须考虑可伸缩性问题和隐私保护问题。

2.2.2、无人机认证

对于无人机认证问题，目前有一些可行的研究，如[8]。这是物联网网络中基于区块链的去中心化无人机安全。事实上，作者通过区块链获得了一种无人机认证方法，无需在无人机移动过程中重新认证。这项工作建议构建低丢包率、优秀的吞吐量和短的端到端延迟，并且可以在空中检测攻击。此外，在[3]中，他们提出了一种基于射频的使用卷积神经网络的无人机检测方法。本研究提出了将CNN模型应用于无人机检测和识别的有效性与精度和F1分数等性能指标。他们声明的澄清是利用基准进行训练和测试的，他们收集的结果指向了采用射频信号与CNN相关联的无人机检测和识别的可行性，同时他们没有考虑该领域的隐私保护和可扩展性问题。另一项工作[4]是一种改进的基于rf的无人机探测模型，该模型使用Phantom无人机在室外环境中进行一系列实验，收集信息。他们过滤了他们的数据，直到得到最好的数据集，然后用无人机射频信号的分析特征作为频率计算方法。这种方式便于识别监控区域内无人机的出现。在射频用于无人机检测的范围内，[21]中存在一种可行的基于射频信号的无人机检测解决方案。该方案通过考虑无人机本体振动和本体信号这两个自然特征来检测无人机。他们的解决方案在3个不同的区域进行了测试，并使用了来自不同公司的7种不同的无人机，以确保解决方案的稳健性。这项工作已经证明了使用Matthan来区分无人机信号和其他刺激设备产生的信号的有效性。准确率、召回率和精密度等检测指标均超过90%。

2.2.3、联邦学习工作

这里需要强调的是在ML领域应用FL模型。总的来说，最近在这方面有一些新的研究[11,12,22]。[9]提出用户认证模型的FL为FedUA，他们的框架提供UA模型的隐私保护训练。FedUA的主要目标是让一组用户在不共享数据的情况下训练一个模型。他们在VoxCeleb数据集上的实验结果(说话人验证)表明，这种方法确实以很高的真阳性率拒绝了未见过的用户数据。此外，在[23]中，作者提到了一个协议作为隐私保护ML的实际安全聚合，并在机器智能模型中支付给FL。该协议的主要目标是将应用程序应用于现实世界的联邦学习。事实上，他们提出了一种安全地聚合数据的协议，同时确保服务器只是汇总地学习客户机的输入。在开销方面，这个协议是非常低的，并且可以容忍大量丢失的设备。

在FL领域有一个可行的研究，联邦平均(FedAvg)[24]，它是从FedSGD扩展而来的。与批量更新本地数据相比，FedAvg提供了本地对象来实现更多功能，然后传输更新后的模型参数，如权重，而不是交换梯度。这背后的故事是，如果所有参与者都参与类似的初始化，平均梯度严格等于平均权重本身。此外，平均来自相同初始化的调优权重不会显著损害最终均衡模型的性能。FedAvg是一种基于FL模型的实用方法。在FL的另一项研究中，我们可以考虑[25]，联邦平均与扩展(FedAwS)框架。FedAws使用联邦平均，并在嵌入向量上执行优化步骤，以确保各种嵌入彼此分离。事实上，FedAwS可以解决与其他用户共享嵌入向量的问题，直到解决隐私保护问题。

在[26]的另一项工作中，作者考虑了一种具有差异隐私的安全联邦平均(FedAvg)算法。本研究提出了FedAvg算法，利用差分隐私(DP)技术，通过正确附加高斯噪声来掩盖交换信息，从而增强数据的私密性。最后，他们对FedAvg算法的评价决定了该算法在测试精度方面的性能。

3.提出了基于fl的认证模型

我们在物联网辅助无人机网络中提出了一个基于fl的认证模型，如图1所示。如图所示，物联网网络中的许多无人机将通过其本地数据以联邦方式训练认证模型，以帮助构建更健壮的全球模型。局部模型被发送到无人机进行训练，而全局模型是一个ML模型，它保存在联邦服务器中以更新其参数。在训练步骤中，无人机正在训练局部模型，因此在运行时频繁更新全局模型参数，该模型将发送给作为局部模型加入的无人机。在本文提出的基于fl的认证模型中，我们可以在安全传输阶段安全地发送训练模型的参数。最后，在模型聚合步骤中，将通过联邦服务器中的FedAVG方法更新全局模型的参数。在接下来的小节中，我们将详细介绍我们的方法。

图1：用于无人机认证的FL体系结构

3.1. 将FL应用于无人机认证问题

基于ml的认证模型需要使用广泛的数据进行训练，以获得不同的数据属性，从而正确地对无人机进行认证。从数学上讲，身份验证过程将两个引用值和输入值之间的减法错误值与接受或拒绝该对象的阈值进行比较。考虑,如果是一组输入={1112,…,}特性,={1,2,…,},={1,2,…,},是无人机的训练样本的数量和y是一组引用={12,…,}计算距离。训练带有参数(权重)的认证模型Q，通过考虑输入并最大化该距离到参考集中的其他成员，来减少模型在上的输出距离。这种距离通常考虑一种常见类型的距离函数，如欧几里得距离。最后，我们可以用这个代价函数中的正则化项L2 (ridge regression)得到我们的认证问题的代价函数，如Eq.(1)所示。

因此，在运行期间，如果(，())≤(其中是阈值)，无人机将接受输入()。达到最大真阳性率的概率被称为值。是一个动态参数，它的最佳值是从有效集中设置的。简单地说，是联邦身份验证模型的超参数。在FL中，数据和模型最初被安置在两个不同的地方，通过对分散的数据进行训练，这两个地方将更加安全。实际上，该模型需要在隐私保护模式下转移到训练数据。因此，我们可以避免传统ML方法集中式学习的问题，因为FL是一种训练方法，使参与者能够从所有节点上的单个给定模型中集体获得。给定的模型主要在服务器上使用一些初始数据进行训练，然后节点接收模型并使用其数据对其进行改进。如图1所示，进行模型训练、安全传输和聚合模型参数，然后进行后续的工作流程，获得无人机认证的全局模型。

1. 无人机想要训练无人机认证模型。

2. 无人机认证模型将转发给无人机。

3.训练将从无人机的个人数据和特征开始。

4. 一旦训练完成，就会产生模型的新状态和初始状态之间的参数差。

5. 差异返回到服务器，并在身份验证模型中求平均值。

我们在这里的假设是，该工作流将在预构建步骤之后发生，该步骤使用一些经过身份验证的无人机初始化模型，以改进模型以进行下一步。总的来说，如果无人机想要加入网络，首先必须进行身份验证，然后才能更新模型参数。图2给出了我们仿真的细节，在以FL为中心的模型中实现上述步骤的无人机认证模型。集中式FL设置中使用中央服务器来编排学习过程中协调所有参与无人机的不同步骤。对于实现，我们考虑使用PySyft[27]和PyTorch进行FL。PySyft是一个为FL构建的开源库。它允许用户执行私有和安全的深度学习模型，它是作为一些DL库(如PyTorch)的分支创建的。在第一步中，我们能够通过运行PySyft库的应用程序发送一个参与模型训练周期的请求。接下来，PySyft中的worker创建一个请求来接收训练目标和配置模型的参数(如果在第2步的周期中被接受)。在第三步中，数据库获取数据并将其发送给无人机。数据库在数据存储和查询的软件环境基于和类[27]。在第4步中，无人机将所有数据转发到PySyft中的工作库，第5步中，工作库开始对无人机上的数据进行训练。第6步中的关键部分之一是计算训练后的模型与原始模型之间的差异。成本函数计算训练后的模型和原始模型之间的差异。目标是通过添加正则化项来最小化这种差异，因为每个无人机都有一些关于其类型和特征以及数据集大小的偏见。最后，在第7步中，模型的参数和差值将被报告回PySyft，并通过更新模型的权重在全局认证模型中求平均值。总而言之，每个无人机在执行训练过程时都会在本地更新模型，参数服务器将这些更新聚合成一个聚合。平均值来自梯度，等于模型的权重平均值。

图2：在我们的仿真中，以模型为中心的FL工作流。

3.2. 深度神经网络(DNN)架构

有各种深度学习(DL)架构[28]。其中，深度神经网络(DNN)是一种DL架构，广泛应用于分类或回归任务，在许多领域都有好处。我们提出的模型是基于基于fl的DNN学习架构的认证过程，其中模型识别无人机接受或拒绝。预构建步骤中的DNN架构初始化使用在一个设置和相同环境中收集的一些无人机射频样本(见章节4.2)，然后DNN架构用于使用本地无人机数据训练的无人机认证模型。提出的DNN旨在学习鲁棒射频特征，以提高无人机身份验证性能。最后，DNN风格可以对接受和拒绝的无人机进行分类。详细实现了基于fl的DNN架构为四层全连接DNN，如表1所示。

表1：模型体系结构参数

3.3. 无人机射频特性

在过去的几年里，基于声音、视觉、雷达和射频信号的无人机检测和认证有几种方法[3,4,21]。由于无噪声无人机的出现，声音方法往往无法探测到无人机。此外，光线和气候状况对应用视觉技术检测无人机有显著影响。因此，利用无人机特定的射频信号频率对无人机进行飞行和通信认证是一种可行的方法。射频可以方便无人机认证，是在[3]范围内的一种准确的方法。在我们的研究中，我们考虑了OFDM调制射频信号的特点。OFDM是一种将数字信号编码为无线电信号的有效方法。它允许一个很窄的频带同时携带大量的信息。OFDM能提供给我们的RF信号的主要OFDM关键参数有中心频率、OFDM符号持续时间、循环前缀长度、信号平均、子载波数等。实际上，这些都是无人机在认证过程中射频的特征，我们使用了诸如子载波间距、符号持续时间、CP长度和FFT长度等参数。此外，我们还考虑了信号的功率特性，如信号功率和射频信号中的检测。下面，我们定义这些特性。

符号时间:它被描述为子载波间距的倒数，它决定了OFDM代表的时间项。

子载波间距:由OFDM子载波之间正交的条件决定。T是时间间隔用于传输，是频率。为无人机信息符号。

FFT-length:用于快速傅里叶变换(将数字信号转换为时域)的容器长度。

CP-length:用于去除符号间干扰和载波间干扰作为循环前缀的长度。因此，CP长度为G * Tu，其中G为(CP /Tu)速率。G的选择是根据通道参数进行的，是非常宝贵的时间。这里，Tu是这里，Tu是符号时间。

检测:信号可用性的标志。如果信号超过了特定的阈值，则表示值1。

信号功率:输入信号量在频域的平均值。信号X()中的信号功率为:

3.4、模型优化

首先，我们对梯度进行平均，因为无人机永远不会识别其他无人机的梯度。因此，当模型的参数(如权重)由负责平均来自多个无人机的模型更新的可信FL服务器聚合时，这种方式有助于保护更多的隐私。此外，值得一提的是，随机梯度下降(SGD)优化在无人机上进行局部优化，可以对误差函数产生积极影响。

我们应用同态加密，因为它是一种可能的解决方案来加密我们的模型和数据。因此，在学习轮之间共享参数之前，会对参数进行加密，以扩展隐私。同态加密方案用于直接对加密数据进行计算，而无需对加密数据进行解密。此外，通过应用安全聚合方法，我们的模型性能将不依赖于无人机的数量。在训练并获得全局模型后，我们得到了用于无人机认证的FL模型。事实上，我们已经使用了一种使用加密技术的安全聚合方法，因此FL服务器可以解密参与物联网网络的无人机的平均更新。这样一来，网络输出的规模就不等于无人机的数量，我们也不需要知道网络参与者的数量，就可以在无人机数量上达到可扩展性的问题。

综上所述，算法1提出了我们在物联网网络中提出的联邦无人机认证模型。为无人机数量，为无人机的数据集，为参考值，为训练后的模型，为每轮选取的无人机比例，为无人机的数据集，数据样本为。模型参数在初始化步骤中开始初始化。在该步骤中，不仅联邦服务器到达ML模型，而且初始化全局模型和局部模型的权重、梯度和超参数，以便在训练步骤中使用它们来训练模型。提出的联邦认证模型的主要目标是在无人机训练的局部模型的基础上获得全局模型。

然后，在训练步骤中，本地模型发送无人机进行训练。此外，还完成了FedAvg和模型更新。FedAvg是联邦随机梯度下降的泛化，允许所有无人机批量更新数据并交换更新的权重而不是梯度。这个推理意味着平均梯度等价于平均权重，因为联邦随机梯度下降中的大多数局部无人机都是从一个共同的初始化开始的。此外，从相同的初始化中选择调优权重并不一定会影响平均模型的性能。因此，经过训练的模型可以执行测试集的身份验证过程。

4、评估

在本节中，我们将描述用于评估拟议工作的实验设置以及所使用的RF数据集。最后，我们给出了实验结果，并与常用的ML模型进行了比较。

4.1、实验设置

为了在预构建步骤中初始化我们的DNN模型，我们使用了50个无人机RF样本来初始化DNN参数，如权重和梯度，然后我们的模型将与训练、有效和测试集一起工作。基于fl的DNN架构实现细节如表1所示。我们的DNN架构由四个隐藏层组成，由线性与ReLU激活组成，然后是在外层的全连接和sigmoid激活。最后，我们用安全的FedAvg方法训练FL模型，其中= 3局部epoch和= 6−3。使用学习速率为3−2的SGD优化器训练模型。均方根误差(RMSE)被用作损失函数。RMSE测量真实最终因变量和正确预测最终因变量之间的差异。它实际上是均方误差的平方根，这意味着它是一种线性评分方法，但仍然优于平均绝对误差。相对于绝对误差，RMSE对具有较大显著性的误差给予了更大的权重。

4.2、数据集

我们在一个基于射频的数据集上评估联邦无人机身份验证模型，该数据集使用了一个射频分类工具箱，用于无人机检测[14]，该工具箱来自一个名为Deapsecure[29]的网络安全程序。该数据集中有3000架无人机的射频数据，1500架是幻影无人机，1500架是马夫里克无人机。基于检测特征(信号可用性指标)，在该数据集中可检测到2845架无人机，155架无人机无法检测到。在我们的身份验证过程中，我们将这个数据集分为三部分，用于评估常见的ML模型，如训练(70%)、有效(10%)和测试(20%)。我们款模型联合的方式,申请数据加载和发送虚拟工作者,无人驾驶飞机,我们利用和类[27]。和开发RF-based数据集,使用虚拟工人联合环境。因此，我们首先加载数据，然后使用将我们的训练数据集转换为虚拟工人，无人机。出于测试目的，数据集的其余部分将保持不变。训练数据集被加载到N = 30,40,50,60个虚拟工人中。

4.3、实验结果

认证性能在训练集、有效集和测试集上进行评估。如图3所示，列车和有效集的ROC曲线以联邦设置的形式呈现。通过考虑真阳性率(TPR)和假阳性率(FPR)，绘制ROC曲线，如下所示。

图3：联邦无人机认证模型的ROC曲线(N = 30,40,50,60)。

我们的模型的身份验证性能在训练和验证数据集上是最好的，并且提出的模型在所有情况下都以非常低的FPR获得了很高的TPR，因为我们能够将每个无人机更新的模型参数聚合到可信的聚合器上，以防止数据泄漏给模型所有者。为了证明可伸缩性问题，如图所示，在训练和验证集期间，通过增加无人机、虚拟工作者(= 30,40,50,60)的数量，性能得到了提高。该模型获得了较高的TPR，因为安全聚合方法可以帮助我们的模型在无人机数量增加时提高性能。安全聚合器负责平均来自多个虚拟工作者(无人机)的模型更新，这就提供了无人机数量方面的可伸缩性。换句话说，它表明我们的模型随着无人机数量的增长而可扩展，并且不需要无人机之间或无人机与联邦服务器之间的协调。此外，我们通过与其他非fl分类模型(包括逻辑回归(LR)、决策树(DT)、k-最近邻(KNN)、K-means和支持向量分类器(SVC)进行性能比较(精度、精度、召回率和F1-measure)来评估我们提出的模型，因为在无人机认证过程中有两个类别:接受或拒绝。上述性能指标可以从以下数学关系中获得:

图4显示了基于训练数据集的所有模型的无人机认证的准确率、精密度、召回率和F1-measure率。正如我们预期的那样，基于fl的身份验证模型(使用DNN架构)比其他ML模型执行得更好。基于fl的认证模型在训练过程中对每个无人机在局部时间段里使用优化方法SDG，并在其DNN架构的深层应用和激活函数。

图4:将所提模型与训练集上的无fl模型进行比较。

最后，我们提供了基于图5测试集的实验结果，该测试集考虑了这些模型的精度和F1-measure指标，以及F1-measure是精度和召回率的调和平均值。结果表明，该模型在应用测试集时具有较好的精度和F1-measure。这可能是由于我们基于fl的DNN架构的优化的优势。RMSE损失函数、有效学习率和局部epoch的使用对我们的结果也有积极和可行的影响。此外，在测试集的FL方法中，通过FedAvg，通过在无人机分散数据上局部训练的模型平均，一个共享的全球模型定期更新.

图5:在测试集上，将所提模型与无fl模型进行比较。

5、结论

本文的主要目标是解决无人机认证中的ml特定问题，如中央训练过程、隐私尊重和可扩展性问题。为此，我们提出了一种基于物联网中无人机射频特征的联邦无人机认证模型。该模型利用了无人机生成的分散数据，同时通过应用FL方法在本地训练数据来提供隐私保护优势。提出的DNN体系结构可以提高无人机身份验证性能，与无联邦ML模型相比，提供了更好的性能。此外，随着新的无人机加入网络，所提出的模型可以通过持续学习频繁更新和优化其性能。未来的研究需要使用更复杂的ML架构，如CNN(卷积神经网络)和RNN(循环神经网络)来实现联邦无人机身份验证模型，然后将它们与我们的结果进行比较。此外，在认证过程中应用无人机的其他功能，如图像或视频，可能是一个有趣的想法。