突破传统局限！GNSS安全新方案：同时搞定欺骗与干扰

1. 文章题目

基于机器学习与深度学习的GNSS/GPS欺骗与干扰识别

2. 摘要

全球导航卫星系统（GNSS），尤其是全球定位系统（GPS），在交通、电信、应急服务等众多领域中作为定位、导航与授时（PNT）的核心支撑，其重要性日益凸显，但同时也面临着欺骗和干扰等恶意威胁，亟需建立有效的防护机制。欺骗攻击通过传输伪造GNSS信号误导接收机计算错误位置，可能导致民用航空导航失误、军事行动安全漏洞等严重后果；而干扰攻击则通过刻意发射信号干扰合法GNSS信号，使其无法正常使用。由于GNSS系统本身缺乏内置安全措施，这些威胁对依赖该技术的关键应用构成了巨大风险。

近年来，机器学习与深度学习的快速发展为提升这类威胁的检测与缓解能力提供了新路径。本文结合机器学习、深度学习及计算机视觉技术，针对真实场景下的GNSS/GPS欺骗与干扰检测难题展开研究。通过在两个真实世界数据集上进行大量实验，采用先进算法取得了顶尖性能：在GNSS/GPS干扰检测任务中，准确率达到约99%，较以往研究提升了约5%；同时，针对欺骗检测这一挑战性任务，实验结果也充分彰显了机器学习与深度学习技术在该领域的应用潜力。相关代码及实验细节已公开于GitHub平台（链接见原文）。

3. 引言

GNSS作为现代社会的关键基础设施，为多个行业的经济增长提供了核心支撑——GPS、格洛纳斯（GLONASS）、伽利略（Galileo）、北斗（BeiDou）等主流星座，不仅保障了车辆、飞机、船舶的精准导航与安全高效运行，还在农业精准种植（田间测绘、农机自动化作业）、电信网络同步、金融交易授时等场景中发挥着不可替代的作用。随着技术演进，GNSS的应用场景还在向自动驾驶、物联网（IoT）等新兴领域拓展，实时定位能力成为智能技术升级的核心需求。

然而，GNSS系统面临着严重的恶意攻击威胁：干扰攻击通过发射干扰信号使合法GNSS信号失效，可能导致交通、应急服务等关键领域的安全风险；欺骗攻击则更为复杂，通过伪造信号诱导接收机生成错误位置信息，而GNSS缺乏内置安全特性的现状进一步加剧了其脆弱性。

传统的GNSS信号异常检测方法依赖预设阈值，在复杂场景中易出现误报、漏报，且难以适配动态变化的攻击策略。现有相关研究也存在明显局限：多数研究仅聚焦于欺骗或干扰中的单一威胁，缺乏对两种攻击同时发生的应对能力；部分方法仅在受控环境或特定攻击模型下验证，泛化到真实场景的效果不佳；且大多围绕GPS单一系统展开，对其他GNSS星座的适配性不足。

为此，本文创新性地同时针对GPS欺骗与多种类型干扰的检测问题，系统探究了各类机器学习与深度学习算法的效能。研究基于三个数据集（两个聚焦欺骗场景，一个专注干扰检测）开展全面实验，首次对两种攻击的检测机制及其相互作用进行深入分析，为GNSS安全防护提供了更具实用性的解决方案，并公开了相关代码与实验数据，为该领域后续研究提供了重要基准。

4. 方法简介

本文的研究方法围绕“数据集构建-数据预处理-算法选型与优化”三个核心环节展开，具体如下：

• 数据集：采用两类专用数据集。① GPS欺骗检测数据集：含510,530条非空样本，涵盖13个关键特征（伪随机噪声、多普勒频偏、伪距、载波噪声比等），包含合法信号及简单型、中间型、复杂型三类欺骗信号；② GNSS干扰检测数据集：基于原始同相正交（IQ）数据转换的频谱图图像数据集，含6类信号（调幅干扰、线性调频干扰、窄带干扰、无干扰、调频干扰、测距设备信号），共120,000张图像。

• 数据预处理：针对欺骗检测数据集的类别不平衡问题，采用随机过采样、随机欠采样、合成少数类过采样技术（SMOTE）进行平衡处理，最终选择随机欠采样数据集用于模型训练（70%训练集、30%测试集）；针对干扰检测数据集，优化划分比例为90%训练集、15%验证集、15%测试集，通过图像缩放、归一化等数据增强技术提升模型鲁棒性。

• 算法选型：① 欺骗检测：采用逻辑回归、K近邻（KNN）、高斯朴素贝叶斯、支持向量机（SVM）、决策树、随机森林、XGBoost梯度提升机等多种机器学习算法，通过分层洗牌分割与网格搜索交叉验证优化超参数；② 干扰检测：先采用ResNet18提取图像特征，结合随机森林、决策树等传统机器学习模型训练，后设计自定义卷积神经网络（CNN）及ResNet18（含迁移学习与非迁移学习两种训练方式）提升检测性能。
  

5. 结论

GNSS（尤其是GPS）在各行业的依赖度持续提升，其面临的欺骗与干扰威胁已成为影响关键基础设施安全的重要风险，建立高效的检测与防护机制刻不容缓。本文通过融合机器学习、深度学习及计算机视觉技术，针对真实场景中的GNSS威胁检测难题开展研究，取得了突破性成果：干扰检测准确率达到约99%，较以往研究提升5%；欺骗检测任务中，XGBoost梯度提升机模型表现最优，准确率达94.44%，各类模型均展现出优异的泛化能力。

研究的创新价值在于：首次同时针对欺骗与干扰两种核心威胁展开全面探究，验证了多种算法在真实数据集上的效能；通过数据预处理优化、特征工程与模型架构创新，显著提升了检测性能；公开了全部代码与实验数据，为该领域的后续研究提供了可复现的基准与参考。未来，研究团队将进一步优化模型架构，拓展数据集对多GNSS星座的适配性，持续提升检测技术的实战应用能力，为保障GNSS系统的完整性与可靠性提供更强有力的技术支撑。