論文の概要: GNSS/GPS Spoofing and Jamming Identification Using Machine Learning and Deep Learning

• arxiv url: http://arxiv.org/abs/2501.02352v1
• Date: Sat, 04 Jan 2025 18:14:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:10:09.637008
• Title: GNSS/GPS Spoofing and Jamming Identification Using Machine Learning and Deep Learning
• Title（参考訳）: 機械学習とディープラーニングを用いたGNSS/GPSスポーフィングとジャミング識別
• Authors: Ali Ghanbarzade, Hossein Soleimani,
• Abstract要約: グローバルナビゲーション衛星システム(GNSS)は、密封や妨害などの悪意のある脅威に対して脆弱である。 機械学習とディープラーニングの最近の進歩は、検出と緩和戦略を強化するための有望な道を提供する。 本稿では、機械学習、ディープラーニング、コンピュータビジョン技術を通じて、現実世界の課題に取り組むことによって、スプーフィングとジャミングの両方に対処する。
• 参考スコア（独自算出の注目度）: 0.8594140167290099
• License:
• Abstract: The increasing reliance on Global Navigation Satellite Systems (GNSS), particularly the Global Positioning System (GPS), underscores the urgent need to safeguard these technologies against malicious threats such as spoofing and jamming. As the backbone for positioning, navigation, and timing (PNT) across various applications including transportation, telecommunications, and emergency services GNSS is vulnerable to deliberate interference that poses significant risks. Spoofing attacks, which involve transmitting counterfeit GNSS signals to mislead receivers into calculating incorrect positions, can result in serious consequences, from navigational errors in civilian aviation to security breaches in military operations. Furthermore, the lack of inherent security measures within GNSS systems makes them attractive targets for adversaries. While GNSS/GPS jamming and spoofing systems consist of numerous components, the ability to distinguish authentic signals from malicious ones is essential for maintaining system integrity. Recent advancements in machine learning and deep learning provide promising avenues for enhancing detection and mitigation strategies against these threats. This paper addresses both spoofing and jamming by tackling real-world challenges through machine learning, deep learning, and computer vision techniques. Through extensive experiments on two real-world datasets related to spoofing and jamming detection using advanced algorithms, we achieved state of the art results. In the GNSS/GPS jamming detection task, we attained approximately 99% accuracy, improving performance by around 5% compared to previous studies. Additionally, we addressed a challenging tasks related to spoofing detection, yielding results that underscore the potential of machine learning and deep learning in this domain.
• Abstract（参考訳）: グローバル・ナビゲーション・サテライト・システム(GNSS)、特にグローバル・ポジショニング・システム(GPS)への依存の高まりは、スプーフィングやジャミングなどの悪意ある脅威からこれらの技術を緊急に保護する必要性を浮き彫りにしている。 交通、電気通信、緊急サービスを含む様々なアプリケーションにおける位置決め、ナビゲーション、タイミング(PNT)のバックボーンとして、GNSSは重大なリスクをもたらす故意の干渉に対して脆弱である。 偽造GNSS信号を不正に受信機に送信して不正な位置を計算させる攻撃は、民間航空機の航法ミスから軍事作戦におけるセキュリティ侵害まで深刻な結果をもたらす可能性がある。 さらに、GNSSシステムに固有のセキュリティ対策が欠如していることは、敵にとって魅力的なターゲットとなっている。 GNSS/GPSジャミングおよびスプーフィングシステムは多数のコンポーネントから構成されるが、システム完全性を維持するためには、悪意のある信号と認証信号を区別する能力が不可欠である。 機械学習とディープラーニングの最近の進歩は、これらの脅威に対する検出と緩和戦略を強化するための有望な道を提供する。 本稿では、機械学習、ディープラーニング、コンピュータビジョン技術を通じて、現実世界の課題に取り組むことによって、スプーフィングとジャミングの両方に対処する。 先進的なアルゴリズムによるスプーフィングとジャミング検出に関連する2つの実世界のデータセットに関する広範な実験を通じて、我々は最先端の結果を得た。 GNSS/GPSジャミング検出タスクでは、約99%の精度を達成し、従来の研究と比較して約5%向上した。 さらに,スプーフィング検出に関わる課題に対処し,この領域における機械学習やディープラーニングの可能性を裏付ける結果を得た。

関連論文リスト

• Low-altitude Friendly-Jamming for Satellite-Maritime Communications via Generative AI-enabled Deep Reinforcement Learning [72.72954660774002]
  低地球軌道(LEO)衛星は、海上無線通信で広範囲にわたるデータ通信を支援するために使用できる。 LEO衛星を広範囲にカバーし、チャネルの開放性と組み合わせることで、通信プロセスはセキュリティ上のリスクに悩まされる可能性がある。 本稿では無人航空機による低高度衛星通信システムLEOについて述べる。
  論文  参考訳（メタデータ） (2025-01-26T10:13:51Z)
• Detection of Aerial Spoofing Attacks to LEO Satellite Systems via Deep Learning [3.5502600490147196]
  本稿では、受信したPHY信号にオートエンコーダによる異常検出を適用し、LEO衛星コンステレーションシステムのスプーフィング検出手法を提案する。 我々は、ドローンに搭載された実際のスプーファーの展開を含む広範囲な計測キャンペーンを通じて、我々のソリューションを検証する。 提案手法は,異なる高度で発射されるスプーフ攻撃を確実に検出できる一方で,最先端の競合するアプローチは単純に失敗することを示す。
  論文  参考訳（メタデータ） (2024-12-20T15:56:09Z)
• Long-distance Geomagnetic Navigation in GNSS-denied Environments with Deep Reinforcement Learning [62.186340267690824]
  既存の地磁気航法の研究は、事前保存された地図や広範囲な探索に依存しており、探索されていない地域での適用性や航法効率の低下に繋がる。 本稿では,特に長距離地磁気航法における深部強化学習(DRL)に基づくメカニズムについて述べる。 設計されたメカニズムは、プリストアドマップや広範囲で高価な探索アプローチではなく、地磁気ナビゲーションのための磁気受容能力を学ぶようにエージェントを訓練する。
  論文  参考訳（メタデータ） (2024-10-21T09:57:42Z)
• GPS-IDS: An Anomaly-based GPS Spoofing Attack Detection Framework for Autonomous Vehicles [1.1992484839577393]
  GPSネットワークは、偽造や妨害といったサイバー攻撃に弱い。 本稿では,異常な侵入検知フレームワークであるGPS-IDSを提案する。 私たちの知る限りでは、このデータセットはこの種のデータセットとしては初めてのもので、このようなセキュリティ上の課題に対処するために、グローバルな研究コミュニティが公開している。
  論文  参考訳（メタデータ） (2024-05-14T06:55:16Z)
• AdvGPS: Adversarial GPS for Multi-Agent Perception Attack [47.59938285740803]
  本研究は,マルチエージェント認識システムにおいて,特定のGPS信号が容易に誤認できるかどうかを考察する。 我々は,システム内の個々のエージェントに対してステルス性を持つ逆GPS信号を生成可能なtextscAdvGPSを紹介する。 OPV2Vデータセットに対する実験により、これらの攻撃が最先端の手法の性能を著しく損なうことを示した。
  論文  参考訳（メタデータ） (2024-01-30T23:13:41Z)
• Unveiling the Stealthy Threat: Analyzing Slow Drift GPS Spoofing Attacks for Autonomous Vehicles in Urban Environments and Enabling the Resilience [4.898754501085215]
  この研究は、ステルスなスロードリフトGPSスプーフ攻撃を探索し、被害者のAV受信パターンを再現した。 この攻撃は、正しい経路から徐々に逸脱するように設計されており、リアルタイム検出を困難にしている。 擬似範囲を変更するとAVは混乱し、操作に不注意なまま不適切な目的地に導かれる。
  論文  参考訳（メタデータ） (2024-01-02T17:36:07Z)
• GCNIDS: Graph Convolutional Network-Based Intrusion Detection System for CAN Bus [0.0]
  本稿では,GCN(Graph Convolutional Network)技術を利用して,CANバス内の侵入者検出に革新的なアプローチを提案する。 実験結果から,提案手法が既存のIDSよりも精度,精度,リコールに優れていることが確認された。 提案手法は、現代の車両の安全性と安全性の確保に大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-09-18T21:42:09Z)
• Trustworthy Graph Neural Networks: Aspects, Methods and Trends [115.84291569988748]
  グラフニューラルネットワーク(GNN)は,さまざまな実世界のシナリオに対して,有能なグラフ学習手法として登場した。 パフォーマンス指向のGNNは、敵の攻撃に対する脆弱性のような潜在的な副作用を示す。 こうした意図しない害を避けるためには、信頼度に特徴付けられる有能なGNNを構築する必要がある。
  論文  参考訳（メタデータ） (2022-05-16T02:21:09Z)
• Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
  大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。 我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。 我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
  論文  参考訳（メタデータ） (2020-10-19T13:09:31Z)
• Enhanced Adversarial Strategically-Timed Attacks against Deep Reinforcement Learning [91.13113161754022]
  本稿では,DRLに基づくナビゲーションシステムに対して,選択した時間フレーム上の物理ノイズパターンを妨害することにより,タイミングに基づく逆方向戦略を導入する。 実験結果から, 対向タイミング攻撃は性能低下を引き起こす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-02-20T21:39:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。