Veículos Aéreos Não Tripulados (VANTs), comumente conhecidos como drones, estão sendo cada vez mais implantados em diversos domínios de aplicação, levantando desafios críticos para a investigação forense digital após incidentes de segurança e falhas do sistema. Nas investigações de drones, a análise sistemática dos logs de voo é essencial para reconstruir eventos, identificar causas raízes e apoiar a atribuição de incidentes e a mitigação de riscos de forma confiável. Como uma mensagem pode conter várias sentenças, a análise em nível de mensagem não pode identificar com precisão qual segmento do log indica um problema. Portanto, este artigo propõe o DroPTC (Classificador de Tipo de Problema de Drone), uma estrutura de ponta a ponta para identificar e classificar problemas em nível de sentença. Um segmentador baseado em regras foi projetado para segmentar mensagens de log em sentenças com base nas características históricas do log. Usando as sentenças de log resultantes, uma incorporação pré-treinada é ajustada usando aprendizado contrastivo para alinhamento semântico. O gradiente integrado é empregado para melhorar a interpretabilidade do modelo, permitindo uma análise admissível e confiável. A deduplicação de sentenças é utilizada para identificar eventos únicos de log, reduzindo assim a carga de trabalho do analista. Análises quantitativas e qualitativas dos resultados experimentais mostram que o DroPTC supera as linhas de base em três aspectos: desempenho, confiabilidade e eficiência. Este artigo também apresenta uma ferramenta de código aberto funcional como a implementação testada da estrutura proposta. A ferramenta aceita o arquivo de log de voo descriptografado e produz um relatório forense nos formatos HTML e PDF.
Silalahi et al. (Sun,) estudaram essa questão.