تشخيص و آشكارسازي حمله فريب در گيرنده تك فركانسه GPS مبتني بر شبكه عصبي چندلايه

Detection of Spoofing Attack based on Multi-Layer Neural Network in Single-Frequency GPS Receivers

فريبGPS تلاشي براي گمراه كردن گيرنده GPS با انتشار سيگنال‌هاي جعلي است. ساختار سيگنال فريب شبيه به سيگنال‌هاي معتبر ماهواره‌هاي GPS و كمي قوي‌تر از آن‌ها است. در سال‌هاي اخير راه‌كارهاي متنوعي جهت تشخيص و كاهش فريب ارايه گرديده است. شبكه‌هاي عصبي، روش‌ محاسباتي نويني براي‌ يادگيري ماشين و سپس اعمال دانش به‌دست‌آمده در جهت پيش‌بيني پاسخ‌ خروجي سامانه‌هاي پيچيده هستند. در مقاله حاضر، استفاده از سيستم هوشمند رويكرد اصلي در الگوريتم پيشنهادي تشخيص فريبGPS قرار داده‌شده است. با استفاده از مشخصه‌هاي همبستگي، سيگنال‌ها را با كمك شبكه عصبي دسته‌بندي نموده‌ايم. شاخص‌هاي فاز مقدم و موخر، دلتا و سطح كل سيگنال را به‌عنوان ورودي‌هاي شبكه عصبي چندلايه اعمال كرده تا سيگنال فريب را در حلقه رديابي گيرندهGPS شناسايي كند. سيگنالهاي فريب و معتبر الگوي آماري متفاوتي در شاخصهاي نامبرده دارند و شبكه عصبي اين تفاوت را تشخيص ميدهد. شبكه عصبي با خطاي كمتري نسبت به روش‌هاي پيشين سيگنال‌ها را دسته‌بندي مي‌نمايد، زيرا مي‌تواند چندين روش را به‌طور همزمان بهكار گيرد. درنهايت، كمترين دقت به‌دست‌آمده از شبيه‌سازي گيرنده نرم‌افزاري مبتني بر شبكه عصبي، دقت 98/78 درصدي در تشخيص صحيح سيگنال فريب از سيگنال معتبر است. همچنين بيشترين زمان تشخيص سيگنال فريب 0.6 ثانيه است.

A GPS spoofing attack attempts to deceive a GPS receiver by broadcasting counterfeit GPS signals. Structured to resemble a set of normal GPS signals, but it is a little stronger. In the recent years, there have been presented many different solutions for detection and reduction of spoofing attack. Neural Networks (NNs) are the modern computational method for learning machine and then imposing the acquired knowledge for predicting the output response of complicated systems. This paper presents a main approach to GPS spoofing detection based on intelligent systems. Signals are classified using auto-correlation features. Indices of early-late phase, delta and total signal level as inputs of multi-layer NN in order to detect spoofing signal in GPS receiver tracking loop. Authentic and spoof signals have different statistical pattern in named parameter and NN can detected it. Since NN is able to exploit multiple features from different methods, it classifies signals with error less than the conventional techniques. Finally, the least precision obtained from simulation of NN based GPS software receiver is 98.78% in correct detection of spoofing signal from valid signal. Moreover, the detection time is less than the existing methods.