MagDet:基于地磁的无人机GPS欺骗检测方法

GPS是目前最为广泛使用的基于卫星的导航和定位系统,对于无人机而言,它是一个不可或缺的组成部分,提供了关键的精确位置数据,对导航和任务的成功至关重要.然而,GPS欺骗攻击已经逐渐演变成对GPS依赖系统不断增加的威胁.目前,针对无人机的GPS欺骗检测方法大多基于仿真数据提出、依赖于多个无人机或者需要专用设备(例如,软件定义无线电平台和高清摄像头).本文提出一种新颖的基于地磁场的无人机GPS欺骗检测方法--Mag Det(Magnetic field-based Detection method),其基本思想是利用地球内部和周围金属建筑材料不均匀性引起的地磁场异常,通过真实飞行收集位置和磁场强度数据,包括正常和被攻击场景.应用各种机器学习算法来训练这些数据以选择最佳分类器,该分类器可以轻松部署在常见机载计算机中.该方法的检测率超过99.5%,平均错误率(Equal Error Rate,EER)为0.51%,优于现有检测方法.此外,评估了各种因素对Mag Det的影响,以证明其鲁棒性.即使在未访问过的地点(距离6 km),准确率也高于95%,EER为0.49%.

基于多传感器数据融合的无人机GPS欺骗检测研究

针对实际过程中可能存在的无人机GPS欺骗情况,提出了基于多传感器数据融合的GPS欺骗检测方法;该方法通过比较多传感器惯性导航系统加上Elman神经网络修正得到的位置信息与GPS输出位置信息,从而判断无人机GPS是否受到欺骗;该方法有两个创新点:第一个是使用Elman神经网络,在不增加传感器成本的基础上有助于提高惯导系统输出位置信息的精度,第二个创新点是使用带延迟的扩展卡尔曼滤波器,用于解决多传感器数据不同步的问题;实验结果表明,文章提出的方法能有效地检测出GPS欺骗,从而保证无人机的安全飞行。

基于TimeGAN-LSTM的无人机GPS欺骗干扰检测模型

针对无人机易受GPS欺骗干扰的问题,提出一种基于长短时记忆法(LSTM)的无人机全球定位系统(GPS)欺骗干扰检测模型。为了提高模型训练精度,首先利用时序生成对抗网络(TimeGAN)对训练数据集进行了数据增强工作,弥补了训练数据量的不足,还对比了增强数据集与原始数据集的性能差距。然后搭建了LSTM模型,在仿真实验下TimeGAN+LSTM模型获得的准确率、精确率、召回率和F1值分别为98.08%、98.55%、98.07%和98.31%。最后与传统机器学习模型进行比较,对比结果证明,提出的欺骗干扰检测模型拥有更好的性能指标。该模型可实现对无人机GPS欺骗干扰信号的有效检测。