Flight Regime Classification on Military Standard 1553B Data Buses

Abstract

The Military Standard 1553 Revision B (MIL-STD-1553B) data bus, alternatively Standardization Agreement (STANAG) 3838, is an avionics data bus present in many western military aircraft since the mid 1970s. The bus allows communication between devices, Remote Terminals (RTs), to relay critical information which serve as essential information pipelines for modern military aircraft. This bus transmits avionics data to RTs about the status of various components as the aircraft moves through space. This dynamic movement is classified by domain experts into flight regimes. The aviation industry uses these flight regimes for many applications such as airframe structural analyses, accident investigations and fuel consumption reduction efforts. While abundant, MIL-STD-1553B is an old standard with security gaps that are challenging to remedy under the bus specification. This work bridges the gap between two fields, aircraft flight regime modeling and MIL-STD-1553B security research by permitting the segmentation of MIL-STD-1553B datasets into similar sets of flight regimes which we propose can be used to improve intrusion detection efforts on the bus. To date, no research has meaningfully attempted to combine these two domains. The aim of this research is to verify the ability of deep learning models to perform aircraft flight regime classification using message traffic solely contained on the MIL-STD-1553B bus. Using an Extended Long Short-Term Memory (xLSTM) deep learning model, we classify real and synthetic avionics traffic extracted from MIL-STD-1553B buses in order to categorize dynamic aircraft movement into aircraft flight regimes. We evaluate the effectiveness using common statistical analysis techniques focusing on accuracy and weighted F1 scores. We consider the aim of this research to be met once the deep learning model classifies MIL-STD-1553B traffic into flight regimes and those results evaluated using established statistical analysis methods. This research demonstrates accuracy scores of 0.9032 and 0.9470 on synthetic and real avionics data. Likewise, we observe respective weighted F1 scores of 0.9019 and 0.9468.

Le bus de données de Norme Militaire 1553 Révision B (NM1553B), ou accord de normalisation d’OTAN 3838, est un bus avionique présent dans de nombreux aéronefs militaires occidentaux depuis le milieu des années 1970. Ce bus permet la communication entre différents dispositifs, téléterminaux, afin de transmetter de l’information critique qui serve comme conduits essentiels pour les aéronefs militaires modernes. Ce bus transmet des données avioniques vers les téléterminaux concernant l’état de divers composants alors que l’aéronef se déplace dans l’air. Ce mouvement dynamique est classé par des experts du domaine en régimes de vol. L’industrie aéronautique utilise ces régimes de vol pour de nombreuses applications, comme les analyses structurales de la cellule, les enquêtes d’accident et les efforts de réduction de la consommation de carburant. Bien que largement utilisé, le NM1553B est une norme ancienne présentant des lacunes de sécurité difficiles à corriger dans le cadre de sa spécification. Ce travail élimine l’écart entre deux domaines, la modélisation des régimes de vol des aéronefs et la recherche en sécurité du NM1553B, en permettant la segmentation d’ensembles de données NM1553B en ensembles similaires de régimes de vol, ce qui, selon nous, pourrait améliorer les efforts de détection d’intrusions sur le bus. À ce jour, aucune recherche n’a tenté de manière significative de combiner ces deux domaines. Le but de cette recherche est de vérifier la capacité des modèles d’apprentissage profond à effectuer la classification des régimes de vol d’aéronefs en utilisant uniquement le trafic de messages contenu sur le bus NM1553B. En utilisant un modèle d’apprentissage profond de réseau de mémoire longue à courte terme étendu (xLSTM), nous classons du trafic avionique réel et synthétique extrait de bus NM1553B afin de catégoriser le mouvement dynamique de l’aéronef en régimes de vol. Nous évaluons l’efficacité à l’aide de techniques courantes d’analyse statistique, en mettant l’accent sur la précision et les scores F1 pondérés. Nous suggérons que ce travail segmente le trafic NM1553B en régimes de vol distincts composés d’ensembles similaires de trafic du bus, ce qui pourrait être utilisé pour améliorer les efforts de détection d’anomalies sur le bus. Nous considérons que l’objectif de cette recherche est atteint une fois que le modèle d’apprentissage profond classe le trafic NM1553B en régimes de vol et que ces résultats sont évalués à l’aide de méthodes d’analyse statistique reconnues. Cette recherche démontre des résultas d’exactitude de 0.9032 et 0.9470 sur des données avioniques synthétiques et réelles. De même, nous observerons les scores F1 pondérés respectifs des modèles 0.9019 et 0.9468.