基于码-载波一致性物理约束神经网络(CCC-PCNNs)的未见场景下GNSS欺骗干扰通用检测方法

《Satellite Navigation》：Generalized GNSS spoofing detection in unseen scenarios using physics-constrained neural networks with code-carrier consistency

　　

摘要：全球导航卫星系统(Global Navigation Satellite System, GNSS)欺骗攻击(Spoofing Attack)对经济和公共安全构成重大威胁，亟需快速准确的检测方法。尽管基于机器学习的方法通过多域信息融合超越了传统基于规则的统计方法，但其主要学习数据分布而非信号固有不变性(Intrinsic Signal Invariants)，导致在分布外(Out-of-Distribution, OOD)场景下性能退化。为解决此局限，研究人员提出了一种码-载波一致性物理约束神经网络(Code-Carrier Consistency Physics-Constrained Neural Networks, CCC-PCNNs)用于欺骗检测。该方法利用GNSS信号固有的码-载波一致性(Code-Carrier Consistency)，将其一阶微分关系建模为物理约束并融入一维卷积神经网络(1D-CNN)的损失函数中，使模型在优化检测性能的同时遵循底层物理定律。与传统依赖特征工程的方法不同，该框架将领域知识直接嵌入学习过程，从而增强泛化性与鲁棒性。在三个广泛使用的开源数据集——Texas Spoofing Test Battery (TEXBAT)、Oak Ridge Spoofing and Interference Test Battery (OAKBAT)和Finnish Geospatial Research Institute Spoofing Repository (FGI-SpoofRepo)上的实验表明，所提算法在同场景有监督评估下平均检测准确率超过98.00%；在基线码-载波相位基础上仅增加单一额外特征时，三个数据集上较基线1D-CNN平均提升10.42%。更重要的是，采用准确率留存率(Accuracy Retention Rate, ARR)指标的系统性评估显示了强跨场景和跨数据集泛化能力：在TEXBAT和OAKBAT的10个未见场景中，CCC-PCNNs模型的ARR稳定保持在92.70%以上，较1D-CNN、长短期记忆网络(Long Short-Term Memory, LSTM)、Transformer、支持向量机(Support Vector Machine, SVM)、残差网络(Residual Network, ResNet)、图注意力网络(Graph Attention Networks, GAT)和CCC-Detector模型分别提升23.49%、18.40%、9.39%、28.82%、24.19%、26.99%和46.16%，显著优于传统机器学习方法。本研究创新性地将物理机制与数据驱动方法结合，克服了对抗环境中欺骗攻击多变性和不可预测性导致的泛化难题，强化了关键基础设施与核心系统的安全性。

论文解读：《基于码-载波一致性物理约束神经网络(CCC-PCNNs)的未见场景下GNSS欺骗干扰通用检测方法》

本文发表于《Satellite Navigation》。研究背景方面，全球导航卫星系统(GNSS)广泛应用于定位、导航与授时(Positioning, Navigation, and Timing, PNT)，但其民用信号易受欺骗干扰(Spoofing)攻击，威胁交通、电网及国防安全。传统欺骗检测方法多基于统计假设检验(如自动增益控制Automatic Gain Control, AGC监测、载噪比Carrier-to-Noise Ratio, C/N₀分析、信号质量监测Signal Quality Monitoring, SQM相关峰畸变检测、来波方向Direction of Arrival, DOA分析)，依赖预设模型和经验阈值，对未知或组合攻击适应性差。现有基于机器学习的方法虽能自适应学习复杂特征，但纯数据驱动模型过度拟合训练集统计分布，未利用GNSS信号内在物理不变性，在未见(Unseen)或分布偏移场景下泛化能力严重不足，而公开数据集难以覆盖全部攻击形态，致使模型实际部署面临挑战。为此，研究人员提出将GNSS信号码-载波一致性这一物理不变性作为约束嵌入神经网络损失函数，构建码-载波一致性物理约束神经网络(CCC-PCNNs)，以提升模型在未见欺骗场景下的泛化检测能力。

为开展研究，研究人员主要采用以下关键技术方法：使用TEXBAT、OAKBAT及FGI-SpoofRepo三个公开GNSS欺骗数据集，以接收机跟踪环路输出的码相位(Code Phase)、载波相位(Carrier Phase)、C/N₀、多普勒频移(Doppler Shift)及SQM指标(Δ早迟功率比Delta、相关峰对称比Ratio、椭圆距E_lp)构成时窗多维特征序列；以码相位与载波相位一阶差分关系建立码-载波一致性误差ε及其样本方差作为物理统计量，计算纯净(无欺骗)信号下的均值μ_clean与标准差σ_clean，设可学习自适应阈值γ(k)=μ_clean+k·σ_clean生成物理异常指示y_phy；基于1D-CNN提取时序时空特征，设计复合损失函数?_total=?_CE+α·?_phy+β·?_con(α=β=0.7默认)，其中?_CE为二分类交叉熵，?_phy以物理异常指示为伪标签与模型预测计算交叉熵对齐物理规律，?_con为二者均方误差约束一致性；通过跨场景与跨数据集迁移(无微调)并以准确率留存率(Accuracy Retention Rate, ARR=A_{Accuracy,migration}/A_{Accuracy,training})量化泛化性，开展消融对照(去除?_phy或?_con、将物理特征仅作输入增广的Contrast 1D-CNN)及与SVM、LSTM、Transformer、ResNet、GAT、CCC-Detector对比实验，可学习参数k由梯度下降联合优化。

研究结果如下：

Signal model and problem formulation：建立含真实信号S_A(t)与欺骗信号S_S(t)叠加高斯白噪声的接收模型，分析功率主导型与功率匹配型欺骗及时间/位置欺骗目标分类。指出纯数据驱动方法泛化差源于未嵌入信号物理原理，码-载波一致性在正常信号中误差ε有界且统计稳定，欺骗攻击破坏此关系致其分布显著偏移，可据此构建物理约束。

Proposed PCNNs-based GNSS spoofing detection model：阐述CCC-PCNNs架构含1D-CNN特征提取主干、物理约束通路(计算f_phy(x_i)=1/(T-1)Σ(ε_i(t)-ε?_i)²即码-载波一致性误差样本方差、基于训练集纯净样本估计μ_clean与σ_clean、通过Heaviside函数得y_phy,i)及复合损失函数。可学习参数k经反向传播更新，使模型同时拟合数据与遵从物理不变性。

Experimental evaluation and results analysis——Performance analysis with different feature combinations：在TEXBAT、OAKBAT、FGI-SpoofRepo上同场景评估显示，CCC-PCNNs仅需码相位+载波相位+两个附加特征(依数据集选SQM或C/N₀)即达最优，平均综合检测指标(Composite Detection Metric, CDM)超98.00%；较1D-CNN在TEXBAT时间欺骗与位置欺骗分别提升18.77%与14.33%。可学习参数k在不同初始化与随机种子下标准差低于0.04，收敛稳定。ROC曲线显示CCC-PCNNs逼近理想，优于各基线。

Generalization performance evaluation across unseen scenarios：以单场景训练、其余未见场景测试。TEXBAT ds8训练测ds3–ds7时CCC-PCNNs ARR超97.00%，较1D-CNN等最高提升53.36%；ds2训练测ds3–ds8时ARR超98.00%；TEXBAT ds2+OAKBAT os2联合训练测其余场景ARR超92.70%，跨数据集平均ARR较1D-CNN提升23.49%。基线纯数据驱动模型ARR多降至约50.00%，CCC-Detector因阈值不可迁移亦失效。CCC-PCNNs保持低误警率(False Alarm Rate, FAR)与低漏检率(False Rejection Rate, FRR)。推理时延0.3530 ms，仅较1D-CNN增32.00%开销，快于ResNet与Transformer。

Ablation study：去除?_phy较去除?_con影响更大，完整约束缺一不可；仅将一致性特征作额外输入(Contrast 1D-CNN)虽较基线1D-CNN同场景精度平均提2.82%，但平均低于完整CCC-PCNNs 7.60%，跨场景ARR低于完整模型最高达24.25%，证明将物理约束嵌入损失函数优于特征级增广。

讨论与结论翻译：本研究针对GNSS欺骗检测中模型在训练分布外场景泛化差的关键问题，提出CCC-PCNNs框架，创新性地将导航信号码-载波一致性作为一阶微分物理约束嵌入深度学习架构损失函数，通过专用物理约束通路与物理引导复合损失使特征学习遵循信号传播物理定律。在TEXBAT、OAKBAT及FGI-SpoofRepo上的综合实验表明：同场景平均检测准确率超98.00%，TEXBAT时间与位置欺骗较1D-CNN基线分别提升18.77%与14.33%；跨场景与跨数据集10个未见场景中ARR保持92.70%以上，平均ARR较1D-CNN提升23.49%，显著优于所有对比基线；可学习自适应阈值参数k收敛标准差低于0.04；推理时延0.3530 ms，仅引入32.00%额外开销且显著快于ResNet与Transformer；消融证实损失函数嵌入物理约束较特征级增广获7.60%精度优势。研究表明将物理不变性与数据驱动融合可有效克服传统机器学习泛化局限，在未见攻击场景下保持稳健检测，对导航基础设施防护具有重要意义。当前方法需无欺骗初始段校准建立物理基线，冷启动受欺骗时存偏差，未来拟引入先验库或跨星通道一致性预检，并扩展时序建模与对抗训练及更复杂环境验证。