基于物理元学习优化的GNSS欺骗检测器硬样本挖掘

《Sensors》：Hard Sample Mining for GNSS Spoofing Detector via Physics-Based Meta-Learning Optimization

　　

GNSS欺骗检测器通过感知特征（如载噪密度比（carrier-to-noise density ratio，C/N₀）和信号质量监测（signal quality monitoring，SQM）统计量）来标记欺骗信号。训练更强的检测器——以及绘制检测器性能边界——需要系统地挑战这些特征的硬牵引样本，然而在闭环回放下获取此类样本成本高昂，且随牵引目标而变化。研究人员提出基于物理元学习优化（Physics-Based Meta-Learning Optimization，PBMO）作为硬样本挖掘器：它跨牵引目标存档牵引轨迹，通过离线RGPE（Offline-RGPE）和基于物理的先验为新牵引目标热启动，并使用物理先验引导模式搜索（Physics-prior Guided Pattern Search，PhGPS）精炼候选。硬度通过移动方差窗口超过信道阈值的比例的符合上界来评分。在四通道移动方差（moving-variance，MV）检测器上的比较表明，相对于未优化的频率差锁定策略，PBMO将平均符合上界降低了30.7%，并且在相同的在线搜索预算下，其性能仍低于冷启动、最近邻和平均轨迹初始化。在某一牵引频率下的USRP X310有线环回保持了这一排序。

GNSS欺骗检测器硬样本挖掘的物理元学习优化方法解读

全球导航卫星系统（GNSS）为航空航天和地面平台提供定位、导航与授时服务，但开放的民用信号易受生成式欺骗攻击。接收机通常部署多种欺骗检测器，包括载噪密度比（C/N₀）、信号质量监测（SQM）、移动方差（MV）特征、眼图检测和测量一致性检查等，用于识别异常信号。然而，训练更强的检测器或绘制其性能边界，需要大量“硬样本”——即能系统性抑制检测特征并仍能实现环路拉偏的牵引轨迹。由于牵引调度时变且检测概率无闭式解，硬样本只能通过反复的仪器化闭环运行来挖掘，无法仅凭信号设计直接推断。在异步牵引条件下，硬样本挖掘面临两个实际约束：一是牵引目标改变时冷启动会消耗大部分固定评估预算；二是接收机噪声使单次回放或样本均值排名不可靠，缺乏有限样本保证。为此，研究人员提出了基于物理元学习优化（PBMO）的硬样本挖掘器，在固定在线评估预算下高效搜索硬牵引轨迹。

PBMO的硬度评分采用符合预测上界。由于MV窗口超过通道阈值的比例（窗口超出比例）随噪声波动，研究人员使用分裂符合预测构造分布无关的上界，作为保守的硬度分数：在相同拉偏约束下，上界越低表示样本对被测检测器越难。该上界满足有限样本覆盖保证，并基于可交换性假设，校准残差与评分新候选的独立运行分开。

研究人员在SoftSim-SoftGNSS数字基带链上开展实验，样本队列涵盖九个训练频率（包括训练、插值和外推频率）。主要关键技术方法包括：训练阶段使用多起点模式搜索构建跨频率硬样本存档，并对每个保留轨迹进行多次重复评估以形成符合硬度分数和四通道MV响应向量；热启动阶段通过Offline-RGPE（基于排序分数、频率邻近性和四通道MV响应向量相似性的加权融合）生成新牵引目标的初始轨迹，并利用基于物理的MV通道先验进行校正；精炼阶段使用物理先验引导模式搜索（PhGPS），按通道灵敏度排序轮询方向，在固定预算下进一步降低硬度分数。

研究结果如下。

跨频率主比较：在六个测试频率上，PBMO相对未优化的频率差锁定策略（Baseline）将平均符合上界降低了30.7%；在相同在线预算下，其平均分数比冷启动（Zero-Init）、最近邻（kNN-Init）和平均轨迹（Mean-Traj）初始化分别低24.9%、14.2%和19.2%。分频率结果表明，PBMO在外推和插值频率上均取得最佳或接近最佳的硬度分数，尤其低频率外推点，通道引导的轮询显著弥补了冷启动的不足。

LOTO验证：使用留一频率交叉验证（LOTO），九折中PBMO在所有留出频率上均优于Zero-Init，且平均增益显著，证明PBMO实现了跨频率泛化而非记忆训练标签。

组件消融：去除Offline-RGPE后，热启动初始分数相对完整热启动升高13.8%，说明物理先验不能替代任务相关的轨迹骨架；去除MV先验后，初始分数上升3.3%，且PBMO在每个测试频率上仍优于移除先验的版本。PhGPS与标准模式搜索（StdPS）相比，在相同热启动下，PhGPS将最终分数进一步降低约9.6%相对初始值，而StdPS仅降低约1.4%，表明基于物理先验的轮询顺序显著提高了局部搜索效率。

RF环回重放：在USRP X310有线环回下，对某一牵引频率重放Baseline、Zero-Init和PBMO三条轨迹。数字链上三者的硬度分数分别为0.936、0.909和0.621；RF路径上变为0.943、0.914和0.632。所有轨迹均实现命令的Doppler拉偏，MV时间序列形状相似，硬度排序保持不变，说明数字链结果在射频前端下依然有效。

讨论部分总结了四点：PBMO在数字链上的挖掘效率高，相同预算下显著优于无搜索基线；RF环回虽使各方法分数略升，但硬度顺序不变；LOTO证明跨频率泛化性；模块消融表明Offline-RGPE提供主要轨迹骨架，MV先验通过轮询顺序提升精炼效果。局限性在于硬度分数是边际符合界，物理先验与固定阈值相关。

结论：本文提出了基于物理元学习优化（PBMO）的GNSS欺骗检测器硬样本挖掘方法。硬度分数定义为MV窗口超出比例在边际有限样本水平下的符合上界，满足可交换性假设。PBMO通过离线排序加权融合存档轨迹和物理先验，并在固定在线SoftGNSS预算下用PhGPS精炼。在四通道MV检测器上，平均分数比未优化的频率差锁定策略低30.7%，且优于冷启动、最近邻和平均轨迹搜索。存档和灵敏度网格成本单独报告。USRP X310有线环回在单一牵引频率下保持硬度顺序。课程学习和其它检测器是该方法未来的潜在应用。