CN115598669A - 一种导航多特征gnss欺骗干扰检测方法、系统、设备及介质 - Google Patents
一种导航多特征gnss欺骗干扰检测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115598669A CN115598669A CN202211186471.7A CN202211186471A CN115598669A CN 115598669 A CN115598669 A CN 115598669A CN 202211186471 A CN202211186471 A CN 202211186471A CN 115598669 A CN115598669 A CN 115598669A
- Authority
- CN
- China
- Prior art keywords
- deception
- data
- gnss
- dimensional navigation
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/21—Interference related issues ; Issues related to cross-correlation, spoofing or other methods of denial of service
- G01S19/215—Interference related issues ; Issues related to cross-correlation, spoofing or other methods of denial of service issues related to spoofing
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供的一种导航多特征GNSS欺骗干扰检测方法,系统、设备及介质,所述方法为获取GNSS用户层数据;所述GNSS用户层数据为一维导航序列数据;采用格拉姆角场将一维导航序列数据转换为二维导航图像;将所述二维导航图像输入Mobile-Transformer网络模型进行深度学习训练,得到训练结果;保存训练模型,将模型对欺骗场景进行检测与评估,判断是否存在欺骗信号。本发明方便易实施,可以将该套系统搭载在嵌入式系统上,实现实时欺骗信号检测,使导航接收机能有效抵御欺骗干扰的攻击。
Description
技术领域
本发明涉及导航系统技术领域,特别是涉及一种导航多特征GNSS 欺骗干扰检测方法、系统、设备及介质。
背景技术
目前,全球导航卫星系统(GNSS)的发展已广泛应用于各行各业,支撑着许多现代系统。它可以为智能终端、汽车、飞机、游轮等提供定位和导航服务,也可以为电网和通信网络等提供授时服务等。然而,卫星信号仍然具有许多明显的缺陷,例如容易受到干扰和欺骗,这就将其脆弱性暴露了出来。由于卫星信号的这一特性,GNSS的研究重点方向从最开始的提高定位精度逐渐过渡到扩展系统应用、提升系统安全可靠性能的方向,增强GNSS的抗欺骗干扰能力已经成为工业界和学术界研究的热点。
在所有的干扰类别中,欺骗干扰是危害最大的一类干扰。欺骗干扰指的是欺骗干扰机发射欺骗信号诱导用户接收机产生错误的位置、速度或时间信息,影响接收机的正常工作和使用,并实现对目标接收机的控制,如果系统使用这些错误的信息,将带来严重的后果。例如,欺骗无人驾驶汽车的导航系统并使该车偏离预定路线;对无人机进行欺骗,而致无人机偏离航线等。
为了应对欺骗干扰带来的影响,保障GNSS为终端用户提供正确的导航、定位和授时服务,许多研究者相继提出了很多检测方法,主要包括失真检测,包括信号功率、到达时间、信号来向的空间分布特性,以及利用天线阵、载波相位、接收机解码、接收机跟踪环、从统计学角度进行假设检验、设定阈值、分形理论的信息维数、相关性等方面来实现抗欺骗干扰。例如,C/N0检测方法通过检测C/N0的异常变化来发现欺骗信号的存在,但当欺骗信号与噪声一起发射时,容易导致误判;信号到达时间检测是针对转发式欺骗干扰到达接收机的路程相对于真实信号较长,从而在时间上存在差异,以此来判断是否存在欺骗信号。但该方法应用场景有限主要针对转发式欺骗干扰,对生成式欺骗信号作用不大,甚至会消除真实信号而保留欺骗信号;基于多天线、惯导系统以及多频点的欺骗干扰检测方法虽然检测效果较好,但结构复杂,成本较高,不适合在低成本的民用领域。
发明内容
本发明的目的是提供一种导航多特征GNSS欺骗干扰检测方法、系统、设备及介质,方便易实施,应用场景更广泛,同时可以将该套系统搭载在嵌入式系统上,实现实时欺骗信号检测,使导航接收机能有效抵御欺骗干扰的攻击。
为了实现上述目的,有必要针对上述技术问题,提供了一种导航多特征GNSS欺骗干扰检测方法、系统、设备及介质。
第一方面,本发明实施例提供了一种导航多特征GNSS欺骗干扰检测方法,所述方法包括以下步骤:
获取GNSS用户层数据;所述GNSS用户层数据为一维导航序列数据;
采用格拉姆角场将一维导航序列数据转换为二维导航图像;
将所述二维导航图像输入Mobile-Transformer网络模型进行深度学习训练,得到训练结果;
保存训练模型,将模型对欺骗场景进行检测与评估,判断是否存在欺骗信号。
进一步地,所述获取GNSS用户层数据,包括:
将卫星信号通过解算接收机解算得到GNSS用户层数据;
所述GNSS用户层数据包括GNSS中频信号,GNSS中频信号采用如下模型表示:
SR(t)=ST(t)+SS(t)+n0(t)
其中,SR(t)表示接收机接受到的中频信号,ST(t)和SS(t)分别表示真实卫星信号和欺骗信号,n0(t)表示均值为0,方差为σ2的加性高斯白噪声;
进一步地,所述GNSS用户层数据包括:SQM移动方差,SQM移动均值,载噪比移动均值、载噪比移动方差、伪距多普勒一致性参数、伪距残差、接收机钟差和接收机钟差变化率。
所述真实卫星信号和欺骗信号分别表示如下:
其中,M和N表示接收到的信号中真实卫星信号和欺骗信号的个数;和分别表示第i个真实卫星信号和欺骗信号的功率;Ci(t)表示第i 个卫星的伪码;Di(t)表示第i个信号导航电文数据比特;fIF表示信号中频频率;和分别表示第i个真实卫星信号和欺骗信号的多普勒频移;表示第i个信号码相位;和分别表示真实卫星信号和欺骗信号的初始载波相位。
进一步地,所述采用格拉姆角场将一维导航序列数据转换为二维导航图像数据,包括:
按照如下公式对所述一维导航序列数据进行归一化并缩放到 [-1,1];
或者按照如下公式对所述一维导航序列数据进行归一化并缩放到 [0,1];
以数值作为夹角余弦值,特征数量作为半径N,按照如下公式将缩放后的一维导航序列数据转换到极坐标系下;
按照如下公式将极坐标系下的一维导航序列数据作角度差,得到格拉姆矩阵:
根据所述特征数量,由格拉姆矩阵生成二维导航图像。
进一步地,所述保存训练模型,将模型对欺骗场景进行检测与评估,判断是否存在欺骗信号,包括:
若训练结果为0,则不存在欺骗卫星信号;
若训练结果为1,则存在欺骗卫星信号。
进一步地,所述获取GNSS用户层数据之前,还包括:
通过公开数据集对Mobile-Transformer网络模型进行预训练;
所述公开数据集包括TEXBAT数据集和OAKBAT数据集。
进一步地,所述将所述二维导航图像输入Mobile-Transformer网络模型进行深度学习训练之前,还包括:
采用如下公式对所述二维导航图像进行零均值归一化:
其中,μi表示第i个特征数据的均值,σi表示第i个特征数据的标准差。
第二方面,本发明实施例提供了一种导航多特征GNSS欺骗干扰检测系统,所述系统包括:
获取模块,用于获取GNSS用户层数据;所述GNSS用户层数据为一维导航序列数据;
转换模块,用于采用格拉姆角场将一维导航序列数据转换为二维导航图像;
训练模块,用于将所述二维导航图像输入Mobile-Transformer网络模型进行深度学习训练,得到训练结果;
判断模块,用于保存训练模型,将模型对欺骗场景进行检测与评估,判断是否存在欺骗信号。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本发明提供的一种导航多特征GNSS欺骗干扰检测方法,系统、设备及介质,通过首先获取一维的GNSS用户层数据,然后采用格拉姆角场方法得到二维化的导航图像,再将其输入Mobile-Transformer网络模型得到训练结果,并以此判断是否存在欺骗卫星信号。本申请发明方便易实施,保存模型数据后直接可实现对欺骗干扰信号的有效检测,复杂度相对较低,对接收机要求不高,可减少接收机的设备成本,应用场景更广泛,同时可以将该套系统搭载在嵌入式系统上,实现实时欺骗信号检测,使导航接收机能有效抵御欺骗干扰的攻击。
附图说明
图1是本发明实施例一种导航多特征GNSS欺骗干扰检测方法的流程示意图;
图2是本发明实施例中S12步骤得到的二维导航图像示意图;
图3是本发明实施例中S13步骤中Mobile-Transformer网络模型结构示意图;
图4是本发明实施例中S13步骤中归一化后的二维导航图像示意图;
图5是本发明实施例中S13步骤中OAKBAT测试结果示意图;
图6是本发明实施例中S13步骤中TEXBAT测试结果示意图;
图7是本发明实施例一种导航多特征GNSS欺骗干扰检测系统的系统框图;
图8是本发明实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案和有益效果更加清楚明白,下面结合附图及实施例,对本发明作进一步详细说明,显然,以下所描述的实施例是本发明实施例的一部分,仅用于说明本发明,但不用来限制本发明的范围。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在一个实施例中,如图1所示,提供了一种导航多特征GNSS欺骗干扰检测方法,包括以下步骤:
S11、获取GNSS用户层数据;所述GNSS用户层数据为一维导航序列数据;获取GNSS用户层数据,包括:
将卫星信号通过解算接收机解算得到GNSS用户层数据;
所述GNSS用户层数据包括GNSS中频信号,GNSS中频信号采用如下模型表示:
SR(t)=ST(t)+SS(t)+n0(t)
其中,SR(t)表示接收机接受到的中频信号,ST(t)和SS(t)分别表示真实卫星信号和欺骗信号,n0(t)表示均值为0,方差为σ2的加性高斯白噪声;
GNSS用户层数据包括:SQM移动方差、SQM移动均值、载噪比移动均值、载噪比移动方差、伪距多普勒一致性参数、伪距残差、接收机钟差和接收机钟差变化率;
所述真实卫星信号和欺骗信号分别表示如下:
其中,M和N表示接收到的信号中真实卫星信号和欺骗信号的个数;和分别表示第i个真实卫星信号和欺骗信号的功率;Ci(t)表示第i 个卫星的伪码;Di(t)表示第i个信号导航电文数据比特;fIF表示信号中频频率;和分别表示第i个真实卫星信号和欺骗信号的多普勒频移;表示第i个信号码相位;和分别表示真实卫星信号和欺骗信号的初始载波相位。
获取GNSS用户层数据之前,还包括:
通过公开数据集对Mobile-Transformer网络模型进行预训练;
公开数据集包括TEXBAT数据集和OAKBAT数据集。
其中TEXBAT数据集是由德克萨斯大学奥斯汀分校的无线电导航实验室提供的多组不同欺骗场景的高保真数字实时GPS L1 C/A码欺骗数据集,总共包含8种不同的欺骗场景。其中,ds1场景数据的设置为瞬时切换,不属于真正意义上的欺骗。ds2和ds5使接收器通过更大的功率优势使之跟踪欺骗信号,欺骗信号功率优势10dB。ds3场景实施的是功率匹配欺骗方案,欺骗信号的功率优势降低到1.3dB,欺骗信号的功率最终与真实卫星信号功率基本保持一致。ds4与ds3类似,但该场景下的欺骗信号的功率优势讲到0.4dB,同时将时间欺骗改为了位置欺骗。ds6是通过车载实验收集的动态数据。ds7与ds3欺骗策略相同,但该场景下的欺骗信号和真实信号之间的载波相位对齐,欺骗过程更为详细。ds8的欺骗场景与ds7相同,但区别在于ds8改进了欺骗策略。
OAKBAT可以看成是TEXBAT数据集的改进,是使用与TEXBAT数据集 ds1到ds6数据集相同的关键参数生成的数据集。OAKBAT由16组数据集组成,其中8组仅包含GPS L1 C/A信号,另外8组仅包含Galileo E 1信号。在这8组数据中,其中2组是无欺骗场景数据,另外6组是包含不同程度和类型的欺骗场景数据。由于上述公开数据集具有良好欺骗策略,故本发明实施例将采用TEXBAT和OAKBAT数据集对Mobile- Transformer网络模型进行训练,以便使模型达到最优,方便后续的欺骗干扰检测。当然,本发明实施例同样可以采用该数据集对训练后的模型进行性能评估,评估过程在后续详细描述。
S12、采用格拉姆角场将一维导航序列数据转换为二维导航图像,具体包括:
按照如下公式对所述一维导航序列数据进行归一化并缩放到 [-1,1];
或者按照如下公式对所述一维导航序列数据进行归一化并缩放到 [0,1];
以数值作为夹角余弦值,特征数量作为半径N,按照如下公式将缩放后的一维导航序列数据转换到极坐标系下;
按照如下公式将极坐标系下的一维导航序列数据作角度差,得到格拉姆矩阵:
根据所述特征数量,由格拉姆矩阵生成二维导航图像。
在一个实施例中,例如当N=9时,由格拉姆矩阵最终可以生成9*9 的二维导航图像,如图2所示。至此,一维导航数据转化为了二维导航图像。将一维导航数据转换得到二维导航图像,使得导航数据特征更加明显突出。
S13、将所述二维导航图像输入Mobile-Transformer网络模型进行深度学习训练,得到训练结果;
其中,深度学习网络采用的是Mobile-Transformer,其网络结构如图3所示。这是一种将MobileNet与Transformer相结合的网络,利用交叉注意力机制,提升网络性能。首先利用MobileNet的局部注意力优势,将局部特征融合到全局特征中。再利用TransFormer在全局交互方面的优势,将其输出用于为MobileNet的激活函数动态ReLU生成参数。
将所述二维导航图像输入Mobile-Transformer网络模型进行深度学习训练之前,还包括:
采用如下公式对所述二维导航图像进行零均值归一化:
其中,μi表示第i个特征数据的均值,σi表示第i个特征数据的标准差。归一化后的二维导航图像如图4所示。对二维导航图像进行归一化处理,提升了深度学习过程的收敛速度,也便于对图像进行后续处理。
S14、保存训练模型,将模型对欺骗场景进行检测与评估,判断是否存在欺骗信号。
具体而言,以欺骗信号是否存在可将数据分为两大类:即
若训练结果为0,则不存在欺骗卫星信号;若训练结果为1,则存在欺骗卫星信号。
此外,本申请的技术方案可以搭载在嵌入式系统上使用,如各种微机设备等,以便实现对欺骗干扰信号的检测。
在另一个实施例中,为了评估训练后的模型适用性,还可以用混淆矩阵对测试集进行性能评估。混淆矩阵可以用来描述模型性能,本文将其用于对检测结果进行直观的性能评估。混淆矩阵的四个单元格分别对应真正、真负、假正和假负,如表1所示。
表1混淆矩阵示意表
在分类任务中,常用以下几个评价指标,即准确率(Accuracy)、精确率(Precision)、召回率(Recall)和F1分数(F1 score),表示如下:
其中,准确率定义为预测正确的样本数目占总样本数的百分比;精确率是对预测结果而言的,指的是在所有被预测为正的样本数中实际为正样本数的概率;召回率是针对原样本而言的,含义是在实际为正的样本中被预测为正样本的概率;F1分数同时考虑了精确率和召回率,让两者同时达到最高,取得平衡。
为了进行测试,本实施例选用的TEXBAT数据集中,H0场景中真实卫星信号数据共计109,416组,H1欺骗信号存在的数据共计87,408组,两组场景中数据共有196824组。在OAKBAT数据集中,H0场景中真实卫星信号数据共计68,938组,H1欺骗信号存在的数据共计75,365组,两组场景中数据共有144303组。两组公开数据集将按照下表2所示划分训练集与测试集。本实施例中选择数据集总数的五分之一作为测试集,上述训练集和测试集的划分比例也可以根据需要进行适当调整,以能够满足评估测试的需求为准。
数据集 | 训练集 | 测试集 |
TEXBAT数据集 | 157459 | 39365 |
OAKBAT数据集 | 115442 | 28861 |
表2数据集划分
图5所示为OAKBAT测试结果,图6为TEXBAT测试结果。由两图对比可知,经处理过后的导航图像的测试效果在OAKBAT数据集上F1 分数达到了98.25%,在TEXBAT数据集上F1分数达到了94.90%,具体对比如表3所示。
表3 Mobile-Transformer分类性能
经过上述评估,本发明在准确率、精确率、召回率和F1分数四项指标均表现优秀,相较于采用CNN等传统深度学习网络的技术方案,本发明对欺骗信号的检测效果较好,能够实现对导航卫星信号的欺骗干扰检测。
需要说明的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。
本发明提供的一种导航多特征GNSS欺骗干扰检测方法,通过首先获取一维的GNSS用户层数据,然后采用格拉姆角场方法得到二维化的导航图像,再将其输入Mobile-Transformer网络模型得到训练结果,并以此判断是否存在欺骗卫星信号。本申请发明方便易实施,保存模型数据后直接可实现对欺骗干扰信号的有效检测,复杂度相对较低,对接收机要求不高,可减少接收机的设备成本,应用场景更广泛,同时可以将该套系统搭载在嵌入式系统上,实现实时欺骗信号检测,使导航接收机能有效抵御欺骗干扰的攻击。
基于上述一种导航多特征GNSS欺骗干扰检测方法,本发明实施例还提供了一种导航多特征GNSS欺骗干扰检测系统,如图7所示,所述系统包括:
获取模块1,用于获取GNSS用户层数据;所述GNSS用户层数据为一维导航序列数据;
转换模块2,用于采用格拉姆角场将一维导航序列数据转换为二维导航图像;
训练模块3,用于将所述二维导航图像输入Mobile-Transformer网络模型进行深度学习训练,得到训练结果;
判断模块4,用于保存训练模型,将模型对欺骗场景进行检测与评估,判断是否存在欺骗信号。
关于一种导航多特征GNSS欺骗干扰检测系统的具体限定可以参见上文中对于一种导航多特征GNSS欺骗干扰检测方法的限定,在此不再赘述。上述系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图8示出一个实施例中计算机设备的内部结构图,该计算机设备具体可以是终端或服务器。如图8所示,该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示器和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域普通技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算设备可以包括比途中所示更多或更少的部件,或者组合某些部件,或者具有同样的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法的步骤。
综上,本发明提供的一种导航多特征GNSS欺骗干扰检测方法,系统、设备及介质,所述方法为获取GNSS用户层数据;所述GNSS用户层数据为一维导航序列数据;采用格拉姆角场将一维导航序列数据转换为二维导航图像;将所述二维导航图像输入Mobile-Transformer网络模型进行深度学习训练,得到训练结果;根据训练结果判断所述GNSS 用户层数据中是否存在欺骗卫星信号。本发明方便易实施,可以将该套系统搭载在嵌入式系统上,实现实时欺骗信号检测,使导航接收机能有效抵御欺骗干扰的攻击。
本说明书中的各个实施例均采用递进的方式描述,各个实施例直接相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。需要说明的是,上述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种优选实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本申请的保护范围。因此,本申请专利的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种导航多特征GNSS欺骗干扰检测方法,其特征在于,所述方法包括:
获取GNSS用户层数据;所述GNSS用户层数据为一维导航序列数据;
采用格拉姆角场将一维导航序列数据转换为二维导航图像;
将所述二维导航图像输入Mobile-Transformer网络模型进行深度学习训练,得到训练结果;
保存训练模型,将模型对欺骗场景进行检测与评估,判断是否存在欺骗信号。
2.根据权利要求1所述的一种导航多特征GNSS欺骗干扰检测方法,其特征在于,所述获取GNSS用户层数据,包括:
将卫星信号通过解算接收机解算得到GNSS用户层数据;
所述GNSS用户层数据包括GNSS中频信号,GNSS中频信号采用如下模型表示:
SR(t)=ST(t)+SS(t)+n0(t)
其中,SR(t)表示接收机接受到的中频信号,ST(t)和SS(t)分别表示真实卫星信号和欺骗信号,n0(t)表示均值为0,方差为σ2的加性高斯白噪声。
3.根据权利要求2所述的一种导航多特征GNSS欺骗干扰检测方法,其特征在于,所述GNSS用户层数据包括:SQM移动方差、SQM移动均值、载噪比移动均值、载噪比移动方差、伪距多普勒一致性参数、伪距残差、接收机钟差和接收机钟差变化率;
所述真实卫星信号和欺骗信号分别表示如下:
5.根据权利要求1所述的一种导航多特征GNSS欺骗干扰检测方法,其特征在于,保存训练模型,将模型对欺骗场景进行检测与评估,判断是否存在欺骗信号,包括:
若训练结果为0,则不存在欺骗卫星信号;
若训练结果为1,则存在欺骗卫星信号。
6.根据权利要求1所述的一种导航多特征GNSS欺骗干扰检测方法,其特征在于,所述获取GNSS用户层数据之前,还包括:
通过公开数据集对Mobile-Transformer网络模型进行预训练;
所述公开数据集包括TEXBAT数据集和OAKBAT数据集。
8.一种导航多特征GNSS欺骗干扰检测系统,其特征在于,所述系统包括:
获取模块,用于获取GNSS用户层数据;所述GNSS用户层数据为一维导航序列数据;
转换模块,用于采用格拉姆角场将一维导航序列数据转换为二维导航图像;
训练模块,用于将所述二维导航图像输入Mobile-Transformer网络模型进行深度学习训练,得到训练结果;
判断模块,保存训练模型,将模型对欺骗场景进行检测与评估,判断是否存在欺骗信号。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211186471.7A CN115598669A (zh) | 2022-09-26 | 2022-09-26 | 一种导航多特征gnss欺骗干扰检测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211186471.7A CN115598669A (zh) | 2022-09-26 | 2022-09-26 | 一种导航多特征gnss欺骗干扰检测方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115598669A true CN115598669A (zh) | 2023-01-13 |
Family
ID=84844818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211186471.7A Pending CN115598669A (zh) | 2022-09-26 | 2022-09-26 | 一种导航多特征gnss欺骗干扰检测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115598669A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116482720A (zh) * | 2023-06-26 | 2023-07-25 | 山东科技大学 | 一种基于机器学习理论的gnss欺骗干扰检测方法 |
CN116736340A (zh) * | 2023-04-11 | 2023-09-12 | 中山大学·深圳 | 一种欺骗信号检测方法、装置、计算机设备及存储介质 |
-
2022
- 2022-09-26 CN CN202211186471.7A patent/CN115598669A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116736340A (zh) * | 2023-04-11 | 2023-09-12 | 中山大学·深圳 | 一种欺骗信号检测方法、装置、计算机设备及存储介质 |
CN116482720A (zh) * | 2023-06-26 | 2023-07-25 | 山东科技大学 | 一种基于机器学习理论的gnss欺骗干扰检测方法 |
CN116482720B (zh) * | 2023-06-26 | 2023-09-05 | 山东科技大学 | 一种基于机器学习理论的gnss欺骗干扰检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115598669A (zh) | 一种导航多特征gnss欺骗干扰检测方法、系统、设备及介质 | |
CN111366950B (zh) | 卫星导航压制式干扰与欺骗干扰的综合检测方法及系统 | |
CN110114695B (zh) | 使用pvt解估算来检测和消除gnss欺骗信号 | |
CN108700667A (zh) | 识别对无人机的全球导航卫星系统欺骗攻击的系统和方法 | |
Rothmaier et al. | GNSS spoofing detection through spatial processing | |
CN112083447B (zh) | 定位导航欺骗源的方法及装置 | |
CN112083446B (zh) | 定位欺骗干扰源的方法及装置 | |
CN111770436A (zh) | 一种基于CSI的室内Wi-Fi定位方法、装置及存储介质 | |
CN117289305A (zh) | 一种无人机导航诱骗信号生成方法、装置及电子设备 | |
CN113115254B (zh) | 无人机定位方法及服务器 | |
CN113872680B (zh) | Tdoa辅助rid信号接收的控制方法、装置、系统 | |
CN116482720A (zh) | 一种基于机器学习理论的gnss欺骗干扰检测方法 | |
CN109672466B (zh) | 信号数据处理方法、装置、计算机设备及存储介质 | |
Chen et al. | Learning from FM communications: Toward accurate, efficient, all-terrain vehicle localization | |
CN111405464A (zh) | 基站位置检测方法及装置 | |
CN113960640A (zh) | 欺骗信号的检测方法及装置 | |
CN113238253A (zh) | 一种基于基站辅助的卫星导航定位欺骗信号防御方法和装置 | |
CN111948677A (zh) | 一种基于rssi的gps欺骗检测方法、装置及存储介质 | |
CN101782641B (zh) | 全球定位系统追踪卫星信号的方法 | |
CN105388497A (zh) | 基于聚类的卫星导航欺骗攻击防御方法及系统 | |
Wang et al. | Deep Learning‐Based Localization with Urban Electromagnetic and Geographic Information | |
CN116774252B (zh) | 一种基于单接收机伪距变化量的导航欺骗式干扰检测方法 | |
CN114423076B (zh) | 一种指纹数据生成方法、装置、电子设备及存储介质 | |
US11885898B2 (en) | Method for geolocating connected objects and associated device | |
US7916077B2 (en) | Method for obtaining correct phase inversion points in signal of GPS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |