28040

مقابله با حمله فريب GPS به كمك تخمين گر پارامترهاي سيگنال ورودي بهبود يافته

كارشناسي ارشد

مهندسي برق گرايش الكترونيك (مدارهاي مجتمع)

1399

1401/12/3

دكتر سيد محمدرضا موسوي ميركلائي

مهندسي برق

به دليل اهميت GPS، تا به امروز روش¬هاي بسياري براي بالابردن امنيت آن ايجاد و توسعه داده ¬شده¬اند. در يك روش ضدفريب لزوماً نياز به استفاده از منابع و بار محاسباتي بالا و به كارگيري روش¬هاي پيچيده نمي¬باشد. همانطور كه در اين پايان¬نامه بررسي خواهد شد، گاهي با درك عميق¬تر رفتار يك سامانه جهت جلوگيري از فريب خوردن يك گيرنده و يا اصلاح گيرنده فريب خورده مي¬توان از يك روش نوآورانه با صرف هزينه، زمان و منابع كمتر، با دقتي قابل قبول و حتي بيشتر از روش¬هاي ديگر بهره برد. در اين پايان¬نامه، نقاط ضعف روش‌هاي قبلي مقابله با TSA ها بررسي خواهد شد و يك الگوريتم پيش‌بيني¬كننده جديد بر اساس LRP پيشنهاد مي¬شود. مزاياي الگوريتم پيشنهادي¬ مانند سرعت بالا، پيچيدگي محاسباتي كمتر، نياز به داده‌هاي آموزشي كمتر، خطاي قابل¬قبول پيش‌بيني و افق پيش‌بيني طولاني مورد بررسي و اثبات قرار مي¬گيرند. براي اثبات عملكرد بهينه الگوريتم رگرسيون خطي پيشنهادي، سه نوع متمايز از TSA به صورت تجربي ايجاد و بر روي الگوريتم پيشنهادي و الگوريتم‌هاي قبلي (شبكه ‌عصبي MLP) آزمايش شدند. پس از شبيه‌سازي‌ها و مقايسه‌ها، نشان داده‌ مي¬شود كه الگوريتم پيش‌بيني¬كننده رگرسيون خطي پيشنهادي (در پيش¬بيني آفست ساعت) RMSE برابر با 2.55 (بدون حمله فريب) را ارائه مي¬دهد كه حدود 47 برابر بهبود نسبت به شبكه¬عصبي دارد و همچنين تنها با كمك 30% از داده¬ها جهت آموزش RMSE برابر با 0.233 را ارائه مي¬كند كه در حالت مشابه اين مقدار خطا براي شبكه عصبي 22.1 است. همچنين زمان صرف شده براي آموزش الگوريتم پيشنهادي به ترتيب 0.03 و 0.04 ثانيه براي داده¬هاي نوع اول و دوم است، اين درحاليست كه شبكه عصبي (در فرآيند پيش¬بيني آفست ساعت) به صورت ميانگين بيشتر از يك ثانيه زمان جهت آموزش نياز دارد.

1401/12/25

Dealing with GPS spoofing attack with the help of improved input signal parameters estimator

2/22/2024 12:00:00 AM

Due to the importance of GPS, many methods have been created and developed to increase its security. In an anti-spoofing method, it is not necessary to use resources and high computational load and to use complex methods. As will be examined in this thesis, sometimes with a deeper understanding of the behavior of a system to prevent a receiver from being deceived or to modify the deceived receiver, an innovative method can be used by spending less money, time and resources, with acceptable accuracy and even more benefits than other methods. In this thesis, the weaknesses of the earlier methods of dealing with TSAs will be investigated and a new predictive algorithm based on LRP will be proposed. The advantages of the proposed algorithm, such as high speed, less computational complexity, need for less training data, acceptable prediction error, and long prediction horizon are investigated and proven. To prove the optimal performance of the proposed linear regression algorithm, three distinct types of TSA were experimentally created and tested on the proposed algorithm and previous algorithms (MLP NN). After simulations and comparisons, it is shown that the proposed linear regression prediction algorithm (in clock offset prediction) provides RMSE equal to 2.55 (without soofing attack). This value is about 47 times better than the NN, also with only 30% of the data for training, it provides RMSE 0.233, which in the same case, the error value for the neural network is equal to 22.1. Also, the time spent training the proposed algorithm is 0.03 and 0.04 seconds for the first and second type data, respectively, while the NN needs more than one second of training time on average.

شبكه عصبي , جي پي اس , آفست ساعت , پيش بيني كننده

GPS , Clock Offset , Neural Network , Predictor

Saeed Moradi

Dr. Seyed Mohammadreza Mousavi mirkolaei