Obemannade luftfarkoster, även kallade drönare, är del av IoT-revolutionen och har uppmärksammats de senaste åren på grund av integritetsfrågor såväl som flygplats- och militär säkerhet. Då de kan flyga samt har implementerat en ökande mängd teknologi, särskilt kamera och annan övervakning, är de attraktiva måltavlor för hackers och penetrationstestare. Ett antal attacker har genomförts i närtid. I detta examensarbete utforskas och attackeras drönaren Parrot ANAFI genom att använda hotmodellering ur ett black box-perspektiv. Hotmodelleringen inkluderar hotidentifiering med STRIDE samt riskvärdering med DREAD. Inga stora svagheter i systemet hittades. Rapporten visar att tillverkaren har en stor säkerhetsmedvetenhet. Exempel på denna medvetenhet är att tidigare rapporterade svagheter har åtgärdats och programkoden har förvrängts. Metoderna och de funna resultaten kan användas för att vidare utforska svagheter i drönare och liknande IoT-enheter. / Unmanned aerial vehicles, commonly known as drones, are part of the IoT revolution and have gotten some attention in recent years due to privacy violation issues as well as airport and military security. Since they can fly and have an increasing amount of technology implemented, especially camera and other surveillance, they are attractive targets for hackers and penetration testers. A number of attacks have been carried out over the years. In this thesis the Parrot ANAFI drone is explored and attacked using threat modeling from a black box perspective. The threat modeling includes identifying threats with STRIDE and assessing risks with DREAD. Major vulnerabilities in the system were not found. This report shows that the manufacturer has a high security awareness. Examples of this awareness are that previously reported vulnerabilities have been mitigated and firmware code has been obfuscated. The methods used and results found could be used to further explore vulnerabilities in drones and similar IoT devices.

Som ett resultat av attackerna mot USA den 11 september 2001 förklarade dåvarande president George W Bush krig mot terrorismen den 20 september samma år. Sex dagar senare undertecknade Bush ett direktiv vilket auktoriserade den civila amerikanska underrättelsetjänsten Central Intelligence Agency att utföra riktat dödande mot fördefinierade individer i syftet att förhindra nya attacker från terroristnätverket Al Qaeda, talibanerna och associerade styrkor. Bush initierade det amerikanska bruket av så kallade ”drone strikes” i anslutning till krigsförklaringen med intentionen att eliminera misstänkta terrorister utan möjlighet till en rättvis rättegång, Obama-administrationen har valt att fortsätta utöva policyn. Syftet med studien är att fastställa huruvida USA:s juridiska rättfärdigande och bruk av folkrätt i relation till genomförandet av riktat dödande och användandet av obemannade luftfarkoster i kriget mot terrorismen kan betraktas vara förenligt med doktrinen för just war theory och gällande internationell rätt. Vidare undersöker studien effekterna av det amerikanska bruket av folkrätten i relation till civilbefolkningen och den internationella humanitära rätten. Relevant lagtext och krigsetikens sedvanerättsliga principer jämförs med USA:s bruk av folkrätt för att fastställa agerandets legalitet. Vidare påvisar studien att programmet för riktat dödande inte kan anses vara förenligt med just war theory och gällande internationell lag och att bruket av drönare hamnar i konflikt med gällande internationell rätt i relation till hur de används under kriget mot terrorismen. / As a result of the attacks against the United States on September 11, 2001 then President George W Bush declared a war on terror. Six days later, Bush signed a directive which authorized the Central Intelligence Agency to carry out targeted killings against predefined individuals with the purpose to prevent any future attacks from the terrorist network Al Qaeda, as well as the Taliban and associated forces. In conjunction with the declaration of war president Bush initiated the American practice of so-called "drone strikes" with the intention to eliminate suspected terrorists without access to a fair trial, the practice has continued under the mandate of the Obama-administration. The aim of this study is to examine whether the US legal justification for the use of targeted killings and unmanned aerial vehicles in the war against terrorism can be regarded as compatible with the doctrine of just war theory and applicable international law. Furthermore, the study examines the effects of the US practice on international humanitarian customary law in relation to the civilian population. The U.S. justification of targeted killing is compared with international law to determine the lawfulness from a legal perspective. Furthermore, the study demonstrates that the practice is not compatible with the doctrine of just war theory and applicable international law. The use of drones violates international customary law in relation to how they are used under the current conflict.

Cooperative control of autonomous multi-agent systems is a research areawhich is getting significant attention in recent years. Multi-agent systemsallow for a broad spectrum of applications and cooperation can increasetheir flexibility, efficiency and robustness to changes in external constraintsand disturbances. Focusing on autonomous vehicles, examples of possibleapplications of cooperative multi-agent systems include search and rescuemissions, autonomous delivery and performing of emergency landings.The purpose of the thesis is to develop and implement a cooperativerendezvous algorithm based on model predictive control and apply it to theproblem of autonomous landing in an indoor setting. The agents involved in themaneuver are a quadcopter and a ground carrier. The two agents cooperativelynegotiate on the optimal location for the touchdown taking also into accountrelevant spatial constraints and, if necessary, update that location, also referredto as rendezvous point, in real-time throughout the maneuver.The algorithm is first tested and validated in a simulated environment andfinally on the physical system during real-time operations.Additional scenarios are tested in the simulated environment in order tofurther inspect the potential capabilities of the developed algorithm. Thoseadditional simulations analyse how the algorithm behaves when a constantlateral wind influences the quadcopter; when the controllers operate at areduced frequency; and when the quadcopter is affected by an external Gaussiandisturbance.The developed algorithm proved to be suitable for the purpose, allowingthe agents to perform the desired maneuver in a relatively short time and witha high degree of precision. / Kooperativ reglering av autonoma fleragentsystem är ett forskningsområdesom har fått stor uppmärksamhet de senaste åren. Fleragentsystem möjliggörett brett spektrum av applikationer samtidigt som kooperation kan öka derasflexibilitet, effektivitet och robusthet mot förändringar i yttre begränsningar ochstörningar. Med fokus på autonoma fordon, exempel på möjliga tillämpningarav kooperativa fleragentsystem inkluderar sök- och räddningsuppdrag, autonomleverans och utförande av nödlandningar.Syftet med rapporten är att utveckla och implementera en kooperativrendezvous -algoritm baserad på modellprediktiv reglerteknik samt att tillämpaden för att utföra en inomhus autonom landning. I vår uppställning beståragenterna i manövern av en quadcopter och en markbärare. De två agenternaförhandlar samarbetsvilligt om den optimala platsen för landning samtidigtsom de beaktar relevanta rumsliga begränsningar och uppdaterar vid behovden platsen i realtid under hela manövern.Algoritmen testas och valideras först i en simulerad miljö och slutligen pådet fysiska systemet under en realtidsmiljö.Ytterligare scenarier testas i den simulerade miljön för att bortre inspekterapotentialen hos den utvecklade algoritmen. Dessa extra simuleringar illustrerarhur algoritmen beter sig när en konstant sidovind påverkar quadcoptern; närstyrenheterna arbetar med reducerad frekvens; och när quadcoptern påverkasav en yttre Gaussisk störning.Den utvecklade algoritmen visade sig vara lämplig för ändamålet, vilketgjorde att agenterna kunde utföra önskad manöver på relativt kort tid och medhög precision.

Focusing on the problem of Drone vs. Unknown classification based on radar frequency-amplitude spectra using Deep Learning (DL), especially 1-Dimensional Convolutional Neural Networks (1D-CNNs), this thesis aims at reducing the current gap in the research related to adequate pre-processing techniques for hardware deployment. The primary challenge tackled in this work is determining a pipeline that facilitates industrial deployment while maintaining high classification metrics. After presenting a comprehensive review of existing research on radar signal classification and the application of DL techniques in this domain, the technical background of signal processing is described to provide a practical scenario where the solutions could be implemented. A thorough description of technical constraints, such as Field Programmable Gate Array (FPGA) data type requirements, follows the entire project justifying the necessity of a learning-based pre-processing technique for highly skewed distributions. The results demonstrate that data-adaptive preprocessing eases hardware deployment and maintains high classification metrics, while other techniques contribute to noise and information loss. In conclusion, this thesis contributes to the field of radar frequency-amplitude spectra classification by identifying effective methods to support efficient hardware deployment of 1D-CNNs, without sacrificing performance. This work lays the foundation for future studies in the field of DL for real-world signal processing applications. / Med fokus på problemet med klassificering av drönare kontra okänt baserat på radarfrekvens-amplitudspektra med Deep Learning (DL), särskilt 1-Dimensional Convolutional Neural Networks (1D-CNNs), syftar denna avhandling till att minska det nuvarande gapet i forskningen relaterad till adekvata förbehandlingstekniker för hårdvarudistribution. Den främsta utmaningen i detta arbete är att fastställa en pipeline som underlättar industriell driftsättning samtidigt som höga klassificeringsmått bibehålls. Efter en omfattande genomgång av befintlig forskning om klassificering av radarsignaler och tillämpningen av DL-tekniker inom detta område, beskrivs den tekniska bakgrunden för signalbehandling för att ge ett praktiskt scenario där lösningarna kan implementeras. En grundlig beskrivning av tekniska begränsningar, såsom krav på datatyper för FPGA (Field Programmable Gate Array), följer hela projektet och motiverar nödvändigheten av en inlärningsbaserad förbehandlingsteknik för mycket skeva fördelningar. Resultaten visar att dataanpassad förbehandling underlättar hårdvaruimplementering och bibehåller höga klassificeringsmått, medan andra tekniker bidrar till brus och informationsförlust. Sammanfattningsvis bidrar denna avhandling till området klassificering av radarfrekvens-amplitudspektra genom att identifiera effektiva metoder för att stödja effektiv hårdvarudistribution av 1D-CNN, utan att offra prestanda. Detta arbete lägger grunden för framtida studier inom området DL för verkliga signalbehandlingstillämpningar.