Physics-Informed Dual-Modality Monitoring for GNSS Spoofing Detection
本文介绍了物理信息驱动的双模态交叉注意力网络（PI-DMCANs），这是一种新颖的深度学习框架，通过将跟踪特征与互模糊函数图像与基于物理的残差门控相结合，在多种场景下实现了优于现有基准模型的 GNSS 欺骗检测精度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
引导我们的汽车、船舶和手机的全球卫星导航系统，所依赖的信号在到达地面时已经变得极其微弱。由于这些信号是开放且未加密的，它们很容易受到一种被称为“欺骗”（spoofing）的特定类型欺骗行为的影响。在欺骗攻击中，恶意行为者广播一个模仿真实信号的伪造信号，从而误导接收机，使其相信自己处于并不在的位置，或者认为时间流逝的速度不对。与仅仅是阻断信号并让用户失去定位能力的简单“干扰”（jamming）不同，欺骗更为危险，因为它提供了一个看起来完全正常的错误位置。接收机在不知情的情况下继续工作，却已被劫持，这可能导致关键基础设施、应急响应或自动驾驶领域发生灾难性的错误。
为了应对这一问题，工程师们长期以来一直试图识别真实卫星信号与伪造信号之间的细微差异。他们观察信号在被追踪过程中的表现，并检查信号在首次捕获时的峰值形状。然而，当攻击类型发生变化或接收机移动时，这些方法往往难以奏效。一种针对某种伪造信号有效的方法，在面对另一种类型的攻击时可能会完全失效，尤其是当攻击者足够聪明，使他们的伪造信号看起来与真实信号非常相似时。挑战在于构建一个能够可靠识别这些欺骗行为的系统，即使它从未见过这种特定类型的攻击。
国防科技大学的一个研究小组开发了一种解决该问题的新方法，并在最近的一项研究中进行了描述。他们创建了一个监控系统，该系统就像一个“双感观测器”（dual-sense observer），同时通过两个不同的视角来观察卫星信号。第一个视角观察信号追踪过程中的一段短序列，记录功率和时序的微小波动。第二个视角则观察信号形状的详细图像，捕捉信号随时间和延迟扩散的方式。通过结合这两个视角，该系统可以发现单一视角会遗漏的模式。
研究人员构建了一个计算机模型，利用一种称为“交叉注意力”（cross-attention）的技术来融合这两股信息流。这使得系统可以为它看到的每一颗卫星决定在任何给定时刻哪种视角更值得信赖。如果信号在追踪数据中看起来可疑但在图像中表现正常，系统就会加大对追踪数据的权重。如果图像显示出追踪数据未能察觉的异常分裂或畸变，系统就会将重心转向图像。这种动态权重分配是由研究人员编写的一套物理规则引导的。这些规则会检查特定的不一致性，例如信号的时序是否与其速度相匹配，或者信号的强度是否表现出只有伪造信号才会有的行为特征。
为了测试他们的创造物，研究人员使用了三个不同的真实世界和模拟数据集，包括科学界使用的标准数据集以及他们协助创建的一个新的多星座数据集。他们将新系统与五种现有方法（从简单的统计测试到复杂的神经网络）进行了对比。在评估系统针对其训练过的同类攻击的测试中，它达到了 96.5% 的准确率。更重要的是，当研究人员在完全陌生的新型攻击上测试它时，该系统依然保持了很高的性能，达到了 93.2% 的准确率。这明显优于次优方法，后者在相同条件下准确率降至 88.1%。
该研究明确排除了“单一类型的测量足以捕捉所有欺骗攻击”的观点。研究人员发现，仅依赖信号的图像或仅依赖其追踪历史，在攻击方法改变时会导致失败。他们还证明，仅仅将两股数据流以相等的权重进行组合，并不像根据物理证据让系统自行决定信任哪一个流那样有效。结果表明，通过让系统根据信号的具体物理行为来调整其关注点，可以使欺骗攻击更难被察觉。
这项工作的实际成果是一个可以安装在标准 GPS 接收器中的工具，用于标记可能正在遭受欺骗的特定卫星。一旦某颗卫星被标记，接收器就可以忽略其数据或降低其在最终位置计算中的影响力，从而使系统在受到攻击时仍能正常工作。对于那些无法使用多个天线或惯性导航系统等昂贵设备的用户的来说，这尤其具有价值。研究人员证实，他们的方法适用于不同类型的卫星系统，包括 GPS、Galileo 和北斗（BeiDou），这使其成为现代多卫星世界中一种通用的解决方案。虽然该系统并不完美，在面对某些复杂的同步攻击时仍面临挑战，但它代表了我们在增强导航系统抗欺骗能力方面迈出的重要一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。