用于全球导航卫星系统电子干扰检测与分类的人工智能模型

研究背景与问题

全球导航卫星系统（如GPS）通过电磁波传输位置、导航和定时数据，但这些传输容易受到恶意行为者进行的干扰或欺骗的影响。由于太空的偏远性质，直接的人类监督并不总是可能的，因此需要自动检测和分类方法。自动检测和分类干扰可以为最终用户更好地了解他们接收到的数据的完整性，并允许他们在需要时采取适当的反制措施。

研究目标与问题

本研究探讨了使用人工智能，特别是深度学习架构，为资源受限的飞行硬件提供电子干扰的自动检测和分类。主要挑战是这些模型通常需要大量的计算机资源。由于这些资源在小卫星飞行计算机上不可用，因此需要一种高效的模型架构。

研究方法

本研究训练了不同的模型架构，包括长短期记忆（LSTM）和密集自动编码器（用于检测器），以及具有50层残差网络（ResNet-50）架构（用于分类器）。模型性能在不消耗大量计算机资源的情况下进行评估。研究还探索了在不重新训练模型的情况下提高模型性能的方法，以及将模型转换为低级代码以适用于边缘设备的方法。

数据集

研究使用了两个数据集：船载通信数据集和GNSS通信数据集。船载通信数据集由软件定义无线电（SDR）生成，包含不同干扰功率的相干和正交分量（I/Q）样本。GNSS通信数据集由Python模拟器和Safran的Skydel软件生成，模拟了GNSS信号的通信。

模型架构

研究探索了两种检测器架构：LSTM自动编码器和密集自动编码器。LSTM自动编码器由四个LSTM层和一个密集层组成，而密集自动编码器由九个密集层组成。分类器模型使用了ResNet-50架构。

结果与讨论

研究结果表明，LSTM和密集自动编码器在船载通信数据集上具有相似的性能，但密集自动编码器由于存储空间要求较低而被选中。在GNSS通信数据集上，密集自动编码器检测器在引入干扰时显示出MSE的明显偏移。滚动的平均滤波器被用来更好地减少数据中的变化，并使MSE输出在基线和干扰情况下更加明显。ResNet-50分类器能够很好地从频谱图.png图像中提取干扰功率级别，但在低干扰功率时会出现混淆。

结论与未来工作

本研究表明，密集自动编码器架构可以有效地检测和分类电子干扰，并提供将模型集成到飞行硬件中的方法。未来工作包括获取真实的GNSS干扰数据、收集不同类型的干扰数据、研究自动编码器输出的影响、探索更简单的分类器架构，以及直接将频谱图值输入分类器而不是.png图像。