28841

آشكارسازي و مقابله با حمله فريب در سامانه GPS مبتني بر روش¬هاي هوش مصنوعي

دكتري

مهندسي برق

1397

1402/06/12

سيد محمد رضا موسوي ميركلايي

علي اصغر عابدي

مهندسي برق

استفاده از سامانه موقعيت‌ياب جهاني ((GPS در سامانه¬هاي فوق خودكار روز به روز رو به افزايش است و لذا مسئله امنيت اين سامانه¬ها در مقابله با انواع تداخلات، بسيار حائز اهميت مي¬باشد. تداخل در GPS عبارت است از سيگنال فركانس راديويي (RF) خواسته يا ناخواسته¬اي كه به وسيله¬ي يك منبع، توليد و توسط گيرنده GPS دريافت مي¬شود. يكي از تداخلات عمدي، حمله فريب است كه موجب محاسبه نادرست مكان و يا زمان توسط گيرنده GPS قرباني مي¬شود. هدف اين رساله، شناسايي رخداد حمله فريب و كاهش خطاي مكان¬يابي ناشي از اين تداخل در بخش پردازش سيگنال ديجيتال گيرنده GPS به¬ويژه واحد اكتساب و رديابي مي‌باشد. كاهش مقدار معيار اكتساب، از دست دادن و يا جابه¬جايي برخي كانال¬ها و نيز انحراف حلقه قفل تاخير (DLL) از مقادير صحيح خود، از جمله چالش¬هاي عمده مسئله كاهش فريب است كه در اين تحقيق مورد بررسي قرار مي¬گيرد. به¬طور كلي، راهكار پيشنهادي اين رساله جهت حل مشكلات بيان شده، بكارگيري الگوريتم¬هاي كارآمد هوش مصنوعي در گيرنده GPS است. در واحد اكتساب، تابع ابهام متقابل (CAF) و حدآستانه اكتساب مورد بررسي قرار گرفت و با بهره¬گيري از شبكه عميق كانولوشن، منطق فازي و تبديل موجك، شناسايي و مقابله با فريب انجام شد كه منجر به به آشكارسازي 98% حمله فريب و كاهش خطاي 89% در موقعيت¬يابي گرديد. در واحد رديابي گيرنده، تابع خودهمبستگي در حوزه زمان، فركانس و نيز زمان- فركانس براي نخستين بار مورد مطالعه قرار گرفت. سپس، به¬كمك شبكه عصبي چندلايه و طبقه-بندي كننده فازي حضور سيگنال فريب در شرايط مختلف توان منطبق يا توان بالا، حالت قفل فركانس يا عدم قفل فركانس، فاز حامل كنترل شده يا كنترل نشده و در شرايط ايستايي و يا پويا آشكارسازي با ميانگين دقت بيشتر از 95% انجام شد كه در شرايط يكسان و با اعمال بر داده¬هاي يكسان معرفي شده در مقالات مورد مقايسه (مجموعه داده TEXBAT )، نسبت به روش¬هاي نويني همچون PD-ML و Q-SQM به ترتيب 12% و 25% بهبود داشت. در ادامه به منظور مقابله با فريب در واحد رديابي سه پيشنهاد ويژه طراحي و شبيه سازي شد: (1) هوشمندسازي DLL با بكارگيري شبكه عصبي چند لايه، (2) اصلاح خروجي همبسته-سازها و حذف اعوجاجات تابع خودهمبستگي با بكارگيري شبكه عميق خود رمزنگار و (3) هوشمندسازي واحد تفكيك¬گر كد با بكارگيري شبكه عصبي پيش¬بيني كننده خودرگرسيوني غيرخطي بروني (NARX) كه در نهايت منجر به كاهش 95% خطاي موقعيت¬يابي ناشي از فريب گرديد.

1402/07/18

Detecting and mitigation of spoofing attacks in GPS systems based on artificial intelligence methods

9/2/2024 12:00:00 AM

The use of the Global Positioning System (GPS) in highly automated systems is growing every day, making system security a crucial consideration in preventing interference of all kinds. An unwanted radio frequency (RF) signal is what causes GPS interference; it is produced by a source and picked up by a GPS receiver. A spoofing attack, which causes the victim's GPS receiver to calculate the location or time incorrectly, is one of the unintentional interferences. This thesis's goal is recognize spoofing attacks when they happen and lessen the positioning inaccuracy they produce in the GPS receiver's digital signal processing section, particularly the acquisition and tracking unit. One of the main difficulties of the spoofing mitigation problem that is studied in this research is the reduction of the value of the acquisition criterion, loss or displacement of some channels, as well as the departure of the Delay Lock Loop (DLL) from its right values. The employment of effective artificial intelligence algorithms in the GPS receiver is the suggested solution of this thesis to address the issues raised. The Cross Ambiguity Function (CAF) and the acquisition threshold were examined in the acquisition unit, and identification and dealing with spoof were carried out using deep convolutional neural networks, fuzzy logic, and wavelet transform. This resulted in the detection of 98% of spoofing attacks and the reduction of 89% error in positioning. The autocorrelation function was originally investigated in the fields of time, frequency, and time-frequency in the tracking unit of the receiver. Then, with the aid of multilayer neural network and fuzzy classifier, the presence of spoofing signal was detected with an average accuracy of more than 95%, which was improved by 12% and 25%, respectively, compared to new methods such as PD-ML and Q-SQM in the same conditions. Next, in order to deal with deception in the tracking unit, three special proposals were designed and simulated: (1) DLL intelligence by using multi-layer neural network, (2) correcting the output of correlation generators by using autoencoder deep network, and (3) intelligence code discriminator unit by using Nonlinear Autoregressive Exogenous Neural Network (NARX) which ultimately led to a 95% reduction in positioning error caused by spoofing attack.

سامانه ناوبري جهاني , حمله فريب , ، هوش مصنوعي , اكتساب هوشمند , رديابي هوشمند

GPS , spoofing attack , artificial intelligence , intelligent acquisition , intelligent tracking

Samira Tohidi

Prof. Mohammad Reza Mosvai