Transformer助力无人机空管系统安全测试，漏洞发现效率提升8倍

无人机交通管理系统是云端平台，负责远程管理和协调多架无人机。这类安全关键系统不能容忍碰撞等故障，但现有方法缺乏有效的故障暴露演示和明确的奖励信号，且系统的自愈能力会导致关键故障出现“长尾效应”。

研究团队将UTM漏洞发现问题构建为序列建模任务，采用基于Transformer的强化学习架构。该方法利用注意力机制直接建模系统状态间的关系并预测最优动作，包含两个核心组件：生成针对性测试场景的策略模型，以及强制执行领域约束的动作采样器。

通过基于风险的奖励函数引导探索，研究在700小时的仿真实验中验证了该框架的有效性。结果显示，相比专家指导测试，新方法的漏洞发现效率提升8倍，并能发现传统方法遗漏的关键边缘案例。这项研究为安全关键系统的自动化测试提供了新思路。