تشخیص حملات فریب در گیرنده های GPS در فرآیند اکتساب با بهره گیری از تصاویر CAF مبتنی بر یادگیری عمیق با معماری پیشنهادی FCG و الگوریتم کاهش ابعاد PMR

در این مقاله، یک روش مبتنی بر یادگیری عمیق برای شناسایی سیگنال های فریب سامانه ماهوارهای ناوبری جهانی (GNSS) ارائه شده است. هدف اصلی، تفکیک سیگنال های معتبر و فریب دهنده با استفاده از ویژگی های تابع ابهام متقابل (CAF) و کاهش زمان پردازش است. برای کاهش ابعاد تصاویر CAF و حفظ ویژگی های اصلی، از الگوریتم نگاشت پیک ها (PMR) استفاده شده است که ابعاد تصاویر را به میزان قابل توجهی کاهش می دهد و زمان پردازش را کاهش می دهد. داده های مورد استفاده شامل مجموعه های TEXBAT و داده های تاخیری ۴ و ۶ ثانیه ای است. شبکه های عصبی مختلف از جمله CNN، MLP، LSTM و شبکه پیشنهادی کانولوشنی مبتنی بر شبکه عصبی بازگشتی GRU (FCG) به کار گرفته شده اند. نتایج نشان می دهد که شبکه پیشنهادی با تصاویر کاهش یافته، دقت تشخیص فریب را به بیش از ۹۹٪ می رساند و زمان آموزش و پیش بینی به شدت کاهش می یابد. همچنین، الگوریتم kNN با k بهینه ۷، دقت ۹۷.۳۴٪ را با زمان پردازش کوتاه ارائه می کند. مقایسه با روش های پیشین نشان می دهد که رویکرد PMR و FCG ضمن کاهش ابعاد و پیچیدگی محاسباتی، دقت تشخیص را نیز بهبود می بخشد. این روش، کارآمدی و قابلیت عملیاتی بالایی در محافظت از گیرنده های GNSS در برابر حملات فریب ارائه می دهد.

کلیدواژه ها:

یادگیری عمیق ، سیگنال های GNSS ، فریب ، تابع ابهام متقابل ، نگاشت پیک ها ، شبکه کانولوشنی مبتنی بر GRU