基于机器学习与深度学习的 GNSS/GPS 欺骗与干扰识别
密码学与安全
2025-01-07 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
对全球导航卫星系统(GNSS),尤其是全球定位系统(GPS)日益增强的依赖,凸显了保护这些技术免受欺骗与干扰等恶意威胁的迫切需求。作为定位、导航与授时(PNT)在交通、电信与应急服务等多种应用中的核心支撑,GNSS 易遭受蓄意干扰,带来重大风险。欺骗攻击通过发射伪造的 GNSS 信号以误导接收机计算出错误位置,可能造成严重后果,从民用航空中的导航错误到军事行动中的安全漏洞。此外,GNSS 系统本身缺乏内建的安全机制,使其成为攻击者青睐的目标。尽管 GNSS/GPS 干扰与欺骗系统由众多组件构成,但区分真实信号与恶意信号的能力对于维护系统完整性至关重要。机器学习与深度学习的最新进展为增强针对这些威胁的检测与缓解策略提供了有前景的途径。本文同时针对欺骗与干扰两类问题,通过机器学习、深度学习与计算机视觉技术应对真实场景中的挑战。在两个分别针对欺骗与干扰检测的真实数据集上,我们使用先进算法进行了大量实验,取得了当前最优(state of the art)的结果。在 GNSS/GPS 干扰检测任务中,我们达到了约 99% 的准确率,较已有研究提升约 5%。此外,我们还针对欺骗检测中的一项具有挑战性的任务进行了研究,所得结果凸显了机器学习与深度学习在该领域的潜力。
引用
@article{arxiv.2501.02352,
title = {GNSS/GPS Spoofing and Jamming Identification Using Machine Learning and Deep Learning},
author = {Ali Ghanbarzade and Hossein Soleimani},
journal= {arXiv preprint arXiv:2501.02352},
year = {2025}
}