广播式自动相关监视(ADS-B)是下一代空中交通运输系统的重要组成部分,是新航行系统中非常重要的通信和监视技术。它通过全球导航卫星系统(GNSS)以及相关机载设备获取参数,并向其他飞机或地面基站广播飞机的位置、速度、航向、识别号等信息,从而使管制员可以对飞机的状态进行监控。然而,ADS-B协议没有提供相关的信息认证和数据加密,因此极其容易受到欺骗干扰的影响。本文在对ADS-B协议所面临的风险以及系统安全认证与验证技术方案进行分析的基础上,首先从数据角度出发,根据ADS-B报文更新快,时间关联性强的特点,提出了基于深度学习的序列到序列(seq2seq)ADS-B异常检测模型。该模型对ADS-B报文数据进行重构训练,采用余弦相似度来度量重构误差,利用训练集确定异常阈值。同时考虑到数据的时间依赖性,进一步以窗口为单位,计算窗口中相关特征的统计特征使训练特征更为丰富。该模型是由长短期记忆网络(LSTM)构成的编解码结构,训练数据是以滑动窗口的形式输入,从而使模型能更好地捕获数据的时间特性。测试阶段,在将包含异常的序列输入模型后,其重构误差会超过异常阈值,从而达到异常检测的效果。此外,本文还将提出的模型与基于线性模型方法的一类支持向量机(OCSVM),基于集群方法的孤立森林(IF),基于距离方法的局部异常因子算法(LOF)以及由LSTM组成的顺序神经网络(Sequential model)等四种算法进行了对比,采用精确率,召回率和F1分数作为各个方法的衡量指标。实验结果表明,所提出的模型优于传统的机器学习方法,且在数据特征扩展后,模型检测效果提升。本文所提出的模型方法相比于现有的欺骗干扰检测方法,不需要改变ADS-B系统的协议,也不需要额外的节点或传感器参与,只需要来自ADS-B系统的报文序列以及将异常检测的结果通过可视化系统分类输出即可,具有一定的适应性和灵活性。