一种用于检测无人机系统中GPS欺骗的深度学习方法

《Ad Hoc Networks》：A deep learning approach for detection of GPS spoofing in unmanned aerial systems

　　哈梅德·阿尔卡塔尼|帕拉斯·阿胡贾
沙特阿拉伯阿巴哈省阿尔库拉，国王哈立德大学中央实验室，邮编960

摘要
全球定位系统（GPS）欺骗行为对自主导航系统构成了日益严重的威胁，尤其是那些依赖精确的定位、导航和计时（PNT）信息才能安全执行任务的无人飞行器（UAV）。尽管基于信号处理、传感器融合和机器学习的现有欺骗检测方法已显示出一定潜力，但许多方法在面对复杂攻击时稳定性不足，可解释性较差，且依赖辅助传感器，或因计算复杂度过高而难以在资源有限的平台上应用。此外，大多数基于深度学习的方法将欺骗检测视为二分类任务，无法有效反映不同攻击者水平的差异。为解决这些问题，本文提出了一种以信号为中心的深度学习框架——Transformer-Gated GPS欺骗检测（TG-GSD），可直接处理原始的多变量GPS特征，用于多类别GPS欺骗检测。TG-GSD由三个互补组件构成：(i) 时空卷积层，用于捕捉短时间窗口内的特征间局部依赖关系；(ii) Transformer编码器，通过自注意力机制建模长距离的时间不一致性；(iii) 门控循环单元（GRU），通过稳定噪声较大的时间过渡来优化序列表示。该设计的灵感来源于欺骗行为导致的信号失真，而非单纯追求架构创新，从而实现了无需手工预处理或辅助传感方式的端到端学习。

TG-GSD在包含约510,000个真实及伪造GPS信号样本的大规模公共数据集上进行了测试，这些样本涵盖了合法、基础、中等和高级级别的欺骗场景。虽然该数据集是通过地面车辆轨迹和静态屋顶测量来模拟UAV运行情况，而非真实的飞行动态，但它能够生成可控且带有标签的信号级欺骗特征，非常适合进行严格评估。在这种更为复杂的四分类测试中，TG-GSD的准确率达到了94.67%，不仅优于重新实现的参考基准方法，其性能也与在同一数据集上评估的其他已发表方法相当。基于注意力机制的分析进一步提升了可解释性，有助于揭示与伪距、接收机定时以及多普勒特性相关的有物理意义的特征-时间关系。总体而言，TG-GSD提供了一种高效、可解释且计算成本较低的信号级GPS欺骗检测框架。尽管本研究主要在受控实验条件下进行，但也明确指出了数据集的局限性，并提出了多数据集评估、整合多种传感方式、提升对抗鲁棒性以及在对真实UAV进行飞行验证等方面的未来研究方向。

引言
全球定位系统是现代导航和定位技术的核心，广泛应用于交通、农业、应急响应、国防领域，以及越来越多的自主飞行平台[1]。无人飞行器在自主飞行控制、航点跟踪以及实时任务执行等方面严重依赖GPS提供的定位、导航和计时信息。然而，民用GPS信号是公开且未加密的，这使其极易受到欺骗攻击——攻击者会发送伪造信号，从而操纵接收机对自身位置或定时的判断[2]。成功的欺骗攻击可能导致任务偏离、态势感知丧失或不当的控制决策，因此，在UAV系统中建立可靠且可信的欺骗检测机制至关重要[3]。

为应对GPS欺骗问题，人们提出了多种方法，包括信号处理、传感器融合、统计建模以及机器学习等。基于多普勒一致性检查、载波相位监测和相关性失真分析的信号级防御方法具有基于物理原理的可解释性，但这些方法往往依赖于严格的运动假设，或需要额外的硬件，如高度耦合的惯性传感器[4][5][6]。这些限制使得这类方法难以应用于具有不同动力学特性、载荷能力和传感器配置的UAV平台。而基于机器学习和深度学习的方法虽然能更好地适应各种欺骗策略，但许多方法仍依赖于手工设计的特征工程、针对特定数据集的预处理流程，或是计算成本较高的架构，这制约了其在资源有限的UAV平台上的应用[7][8]。

从实验角度来看，由于缺乏同时具备原始多变量GPS测量数据、可控且带有标签的不同复杂程度的欺骗攻击数据，以及足够规模以训练现代学习模型的公共数据集，对UAV的GPS欺骗检测进行严格评估仍然具有挑战性[9]。大多数公开的UAV数据集侧重于导航精度、定位能力或视觉-惯性感知，且不包含带有可靠真实值的可控GPS欺骗数据。相反，基于仿真的数据集可能无法体现接收机特有的特征、多路径效应以及实际测量中存在的硬件缺陷。因此，许多研究采用了类UAV数据集，这类数据集在模拟飞行行为的同时，仍能保留真实的信号级欺骗失真[10]。

在本研究中，我们采用了此类数据集来研究信号层面的欺骗现象。GPS欺骗主要表现为定时演化、多普勒动态、载波相位连续性以及信号强度等方面的物理一致性破坏，而这些特性是GPS信号结构本身所固有的，几乎不受生成测量数据的飞行平台运动状态的影响。虽然真正的三维UAV飞行会带来额外的复杂性，如高度相关的多普勒动态和振动引起的噪声，但TG-GSD所针对的核心欺骗特征源于GPS信号流内部的不一致性。因此，一个能够捕捉到真实且带有标签的欺骗诱导信号扰动的数据集，可以为可控的基准测试提供有效且被广泛认可的测试环境，当然这也意味着它无法替代在真实UAV飞行条件下的全面验证。

从操作层面来看，欺骗攻击的复杂程度和攻击者能力存在显著差异[11]。为确保全文概念清晰且一致，我们采用了一种统一的分类体系，将欺骗攻击分为四类：合法攻击、基础攻击、中等攻击和高级攻击，如图1所示。合法信号在伪距变化、多普勒频移、载波相位连续性以及信号强度等方面都保持物理上的一致性。基础欺骗攻击会在定时和伪距方面引入突然或静态的偏移，通常还伴有过度的大多普勒偏差或异常的信号强度。中等攻击则通过逐步操控测量数据来部分模仿合法信号的行为，从而导致特征间相关性或时间连续性出现细微的不一致。而高级攻击则由能力较强的攻击者实施，他们会产生协调的多通道伪造信号，以高度模拟合法卫星星座的行为，从而保持长期的时间和特征间一致性，使得检测变得极为困难。

近期研究也强调了在关键安全导航系统中可解释性的重要性[5][11]。随着UAV的自主化程度不断提高，操作人员和监管机构需要了解为何某个信号被判定为欺骗信号，以及是哪些信号特征导致了这一判断。然而，许多基于深度学习的欺骗检测方法本质上仍是“黑箱”，难以让人理解其特征级或时间级的决策过程[2][12]。

为解决这些问题，本文提出了Transformer-Gated GPS欺骗检测（TG-GSD）——一种以信号现象为驱动的深度学习框架，旨在同时建模多变量GPS信号流中的特征级交互和时间动态。TG-GSD包含以下组件：•时空卷积层（TCL），用于实现特征空间的局部表示学习；•多头Transformer编码器，通过自适应自注意力机制捕捉长距离的时间依赖关系；•门控循环单元（GRU），用于序列优化和时间稳定。此处所说的“空间”并非指物理或地理空间，而是指多变量GPS测量数据在特征空间中的局部结构。TCL沿时间轴运作，用于学习短距离内的特征间相关性，从而检测出由欺骗行为引起的局部时间扰动。

该框架在包含约510,000个真实及伪造GPS信号样本的大型公共数据集上进行了测试[13]。尽管该数据集是通过地面车辆轨迹和静态屋顶测量来模拟UAV运行情况，但它能够在受控条件下涵盖多种基础、中等和高级级别的欺骗场景。因此，研究结果证明了TG-GSD在识别信号层面的欺骗特征方面的有效性，同时也表明，在真实的UAV飞行动态条件下进行全面验证仍是未来工作的重要方向。

本文的主要贡献如下：•我们提出了TG-GSD，这是一种以信号为中心的混合深度学习框架，结合了时空卷积、基于Transformer的自注意力机制以及基于GRU的序列建模技术，能够直接利用原始GPS特征进行多类别GPS欺骗检测，无需依赖辅助传感器。•我们提出了一种统一的四类欺骗分类体系，并在方法设计、评估和分析过程中始终采用这一分类标准。•我们通过基于注意力机制的分析，揭示了与已知GPS欺骗机制相关的特征级和时间级重要特征。•我们将TG-GSD与重新实现的参考基准方法以及在同一数据集上评估的其他已发表方法进行了对比，证明了其在更复杂的多类别测试中的优异性能。•我们明确指出了数据集的局限性，并分析了这些局限性对模型在真实UAV飞行环境中的泛化能力的影响。

本文的其余结构如下：第2节回顾了相关的GPS欺骗检测技术；第3节详细介绍了TG-GSD的架构及其计算特性；第4节描述了数据集、实现细节及评估指标；第5节展示了实验结果及可解释性分析；第6节讨论了存在的局限性和未来的研究方向；第7节对全文进行总结。

相关研究
在过去十年中，随着自主系统——尤其是UAV——对可靠PNT信息的依赖日益增加，针对GPS欺骗检测的研究也取得了显著进展[1][2]。现有的方法包括物理层信号分析、传感器融合、传统机器学习，以及最近的混合深度学习架构。尽管许多研究在特定实验条件下展示了较高的检测准确率，但如何实现方法间的公平且可重复的比较仍然是一个难题。

提出的方法：TG-GSD
本节介绍了所提出的Transformer-Gated GPS欺骗检测（TG-GSD）框架，这是一种混合深度学习架构，旨在实现对无人机系统中GPS欺骗攻击的多类别可靠检测。TG-GSD的目标是通过明确建模敌对攻击带来的各类信号级失真，从而准确区分合法GPS信号与日益复杂的多种欺骗攻击类型。与以往的方法不同……

实验设置
本节介绍了用于评估TG-GSD框架的数据集、欺骗攻击的解读方式以及实现流程。除详细说明实验方案外，本节还阐明了选择参考基准方法的依据，并说明了如何通过与同一数据集上已发表结果的对比，来评估模型的通用性和适应性。

实验结果与讨论
本节展示了对TG-GSD框架的实验评估结果。除了与重新实现的参考基准方法（CNN、LSTM和CNN+GAN）进行对比外，我们还将该框架与在同一公共数据集上评估的其他最先进方法进行了对比。这种双重对比方式有助于解决基准方法性能可预测的问题，从而更准确地评估模型的通用性和适应性，而这正是该框架设计的核心目标。

局限性与未来工作
尽管TG-GSD框架在多类别GPS欺骗检测方面表现出色，但在数据集多样性、对比范围以及部署验证方面仍存在一些局限性。虽然TG-GSD已经与代表性的参考基准方法（CNN、LSTM和CNN+GAN）进行了对比，并且也与在同一公共数据集上评估的其他最先进方法进行了对比，但这些对比并未涵盖所有类型的欺骗攻击。

结论
本文提出了Transformer-Gated GPS欺骗检测（TG-GSD）——这是一种以信号为中心的深度学习框架，可直接处理原始的多变量GPS测量数据，无需依赖手工预处理、特征到图像的转换或辅助传感方式。TG-GSD并非单纯追求架构创新，而是围绕GPS欺骗行为所导致的信号失真的物理和统计特性来进行设计的。

CRediT作者贡献声明
哈梅德·阿尔卡塔尼：写作——审稿与编辑、验证、软件、方法论、研究、形式分析、概念设计。帕拉斯·阿胡贾：写作——初稿撰写、可视化、验证、软件、方法论、研究、概念设计。

利益冲突声明
作者声明不存在任何利益冲突。

致谢
作者哈梅德·阿尔卡塔尼感谢国王哈立德大学中央实验室的研究支持计划，该计划通过项目编号CL/PRI/C/6为这项研究提供了资金支持。