这篇文档属于类型a，即报告了一项原创性研究。以下是基于文档内容的学术报告：
本研究的主要作者包括Siguo Bi、Kai Li、Shuyan Hu、Wei Ni、Cong Wang和Xin Wang。研究由CISTER Research Centre（CISTER研究中心）和Polytechnic Institute of Porto（波尔图理工学院）等机构合作完成。该研究发表于2023年，期刊为CISTER-TR-231201。
研究的主要科学领域是无人机（UAV）群的安全与定位问题，特别是针对无人机群中的位置欺骗攻击（position spoofing attacks）的检测与缓解。随着无人机在物流、无线电监测和救援任务中的广泛应用，无人机群的安全性成为一个重要课题。然而，传统的基于单个无人机报告位置和成对距离测量的方法在识别恶意无人机行为时效果有限。因此，本研究旨在提出一种系统化的结构，用于检测和缓解无人机群中的位置欺骗攻击。
研究的核心目标是通过将恶意无人机的检测问题转化为定位可行性问题，利用半定松弛（Semidefinite Relaxation, SDR）方法将非凸的定位问题转化为凸的半定规划（Semidefinite Program, SDP），并开发两种创新算法（CDI和E-CDI）来有效识别恶意无人机。
研究首先将恶意无人机的检测问题建模为定位可行性问题。具体来说，研究者利用无人机报告的位置和距离测量数据，通过半定松弛（SDR）方法将非凸的定位问题转化为凸的半定规划（SDP）。这一转化使得问题可以通过现有的凸优化求解器高效解决。
研究者提出了两种算法：协作检测与识别算法（Cooperative Detection and Identification, CDI）和增强型协作检测与识别算法（Enhanced CDI, E-CDI）。CDI算法通过动态合并潜在的恶意无人机与良性无人机集合，形成一个连接的定位子网络，并基于SDP进行定位可行性检查。如果问题可行，则认为所选无人机是良性的。E-CDI算法在CDI的基础上进一步对每个潜在恶意无人机的邻居进行单独的定位可行性检查，从而能够检测到由多个紧密相邻的恶意无人机发起的共谋攻击。
研究通过仿真实验验证了所提出算法的性能。仿真考虑了三种类型的欺骗攻击：分布式攻击、共谋攻击和混合攻击。实验结果表明，所提出的算法在检测成功率上显著优于现有基准方法。具体而言，与基准方法相比，所提算法在分布式攻击、共谋攻击和混合攻击下的检测成功率分别提高了65%、55%和51%。
定位可行性问题的转化：通过半定松弛方法，研究者成功将非凸的定位问题转化为凸的半定规划问题，使得问题可以通过现有的凸优化求解器高效解决。
CDI和E-CDI算法的性能：仿真实验表明，CDI和E-CDI算法在检测恶意无人机方面表现出色。E-CDI算法在共谋攻击和混合攻击场景下表现尤为突出，能够有效识别多个紧密相邻的恶意无人机。
检测成功率的提升：与现有基准方法相比，所提出的算法在分布式攻击、共谋攻击和混合攻击下的检测成功率分别提高了65%、55%和51%，展示了其在不同攻击场景下的鲁棒性和有效性。
本研究提出了一种系统化的方法，用于检测和缓解无人机群中的位置欺骗攻击。通过将恶意无人机的检测问题转化为定位可行性问题，并利用半定松弛方法将其转化为凸的半定规划问题，研究者开发了两种高效的算法（CDI和E-CDI）来识别恶意无人机。仿真实验验证了所提算法的优越性能，表明其在多种攻击场景下均具有较高的检测成功率和鲁棒性。
本研究的科学价值在于提出了一种新颖的恶意无人机检测机制，解决了传统方法在识别恶意无人机行为时的局限性。所提出的半定松弛方法和CDI/E-CDI算法为无人机群的安全管理提供了新的技术手段，具有重要的应用价值。此外，研究还展示了所提算法在不同网络配置下的鲁棒性，为无人机群的可靠运行提供了理论支持。
创新性方法：本研究首次将恶意无人机的检测问题转化为定位可行性问题，并利用半定松弛方法将其转化为凸的半定规划问题，为无人机群的安全管理提供了新的思路。
高效算法：所提出的CDI和E-CDI算法在检测恶意无人机方面表现出色，特别是在共谋攻击和混合攻击场景下，能够有效识别多个紧密相邻的恶意无人机。
显著性能提升：与现有基准方法相比，所提出的算法在多种攻击场景下的检测成功率显著提高，展示了其在实际应用中的潜力。
研究还详细讨论了所提出算法在不同网络规模、距离测量噪声和测量距离下的性能表现，进一步验证了其在实际应用中的鲁棒性和适应性。此外，研究者还对比了所提算法与现有基准方法在精度、召回率和F1分数等经典指标上的表现，进一步证明了其优越性。
通过上述报告，读者可以全面了解本研究的背景、方法、结果及其在无人机群安全管理中的重要价值。