Machine Learning-Based Intrusion Detection System for GNSS Spoofing Using the TEXBAT Dataset : A Comparative Study of Rule-Based and Machine Learning Approaches

Sammanfattning

GNSS-spoofing är ett växande hot där en illvillig sändare sänder ut falska GPS-signaler för att lura en mottagare att beräkna felaktig position eller tid. Syftet med denna studie har varit att undersöka vilka härledda egenskaper från GNSS-mottagarens observabler bäst skiljer rena signaler från förfalskade, samt om ett maskininlärningsbaserat tillvägagångssätt presterar bättre än ett regelbaserat intrångsdetektionssystem för att upptäcka spoofingattacker, särskilt mot tidigare osedda attacktyper. Studien har genomförts med hjälp av TEXBAT-datasetets bearbetade version, som innehåller ett rent scenario och tre spoofingscenarier med ökande subtilitet. Datasetet lagras som transponerade MATLAB-binärmatriser och kräver noggrann förbehandling, inklusive matristransponering, giltighetsfiltrering och gruppering per satellit, innan meningsfull funktionsextraktion kan utföras. Fyra härledda egenskaper beräknades från mottagarens observabler: förändring i Dopplerfrekvens, pseudoavstånd och bärfas samt rullande standardavvikelse implementerades för och signalkvalitet. jämfördes: Tre detektionsmetoder ett regelbaserat intrångsdetektionssystem, en Random Forest-klassificerare och en XGBoost-klassificerare. Datan delades upp i scenarier för att simulera en realistisk driftsättning där modellen vid testning möter en tidigare osedd attacktyp. Studien har visat att det regelbaserade systemet misslyckades med att upptäcka den mest subtila attacken och uppnådde endast 4,67% detektering. Random Forest uppnådde 70% recall i samma scenario när den tränades på två attacktyper, medan XGBoost uppnådde 49,6% recall under samma förhållanden. Bärfasförändring var den mest utmärkande egenskapen i båda maskininlärningsmodellerna. Resultaten tyder på att träningsdiversitet är en nyckelfaktor för att kunna generalisera till tidigare osedda attacktyper.