اخبار و اعلانات
آمار
| تعداد نشریات | 34 |
| تعداد شماره‌ها | 1,325 |
| تعداد مقالات | 9,502 |
| تعداد مشاهده مقاله | 9,474,441 |
| تعداد دریافت فایل اصل مقاله | 5,785,959 |
رویکردی در یادگیری ماشین به منظور تشخیص و آشکارسازی حمله فریب GNSS مبتنی بر الگوریتم‌های OPTICS و GMM | ||
| پدافند الکترونیکی و سایبری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 20 شهریور 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| امین مهدی دلنواز1؛ ابراهیم شفیعی* 2؛ یعقوب خراسانی2 | ||
| 1دانشجوی کارشناسی، دانشگاه علوم و فنون هوایی شهید ستاری، تهران، ایران | ||
| 2استادیار، دانشگاه علوم و فنون هوایی شهید ستاری، تهران، ایران | ||
| تاریخ دریافت: 25 فروردین 1404، تاریخ بازنگری: 16 خرداد 1404، تاریخ پذیرش: 14 تیر 1404 | ||
| چکیده | ||
| در دهه اخیر، حفاظت از سامانه‌های ماهواره‌ای GNSS در برابر حملات فریب و جمینگ به یکی از موضوعات مهم و مورد توجه در این حوزه تبدیل شده است. در حمله فریب، گیرنده سیگنال GNSS در تعیین موقعیت مکانی و زمان‌بندی دچار خطا می‌شود؛ زیرا سیگنال فریب به دلیل شباهت زیاد با سیگنال اصلی و توان بالاتر ازسیگنال معتبر، توسط گیرنده ردیابی می‌شود. در حال حاضر، روش جامع و یکتایی برای تشخیص همه انواع حملات فریب وجود ندارد. در این مقاله، رویکردی برای تشخیص سیگنال‌های فریب با استفاده از الگوریتم‌های یادگیری ماشین بدون نظارت ارائه شده است. در این مقاله دو الگوریتم یادگیری ماشین، شامل الگوریتم خوشه‌بندی مبتنی بر چگالی OPTICS و مدل ترکیبی گوسی (GMM)، را برای شناسایی حملات فریب پیشنهاد می‌گردد. این الگوریتم‌ها برای تفکیک سیگنال اصلی GPS از سیگنال‌های جعلی و فریب استفاده می‌شوند. سیگنال‌های اصلی و جعلی تفاوت‌هایی در ویژگی‌هایی نظیر واریانس متحرک فاز، توزیع تابع همبستگی و انرژی سیگنال دارند که این تفاوت‌ها مبنای خوشه‌بندی قرار می‌گیرند. عملکرد این الگوریتم‌ها با استفاده از معیارهای Silhouette و ماتریس Confusion ارزیابی شده است. همچنین، الگوریتم‌های OPTICS و GMM روی یک گیرنده نرم‌افزاری GPS پیاده‌سازی ومورد آزمون قرار گرفته و به ترتیب توانسته‌اند با دقت 92.45% و 99.88% حملات فریب را با موفقیت شناسایی کنند. | ||
| کلیدواژه‌ها | ||
| یادگیری ماشین؛ الگوریتم خوشه بندی؛ حمله فریب سامانه ناوبری؛ GNSS؛ OPTICS؛ Gaussian Mixture Model؛ گیرنده نرم افزاری GPS | ||
| موضوعات | ||
| اخلال و فریب(مخابراتی، راداری، کنترل، مراقبت و ناوبری) | ||
| عنوان مقاله [English] | ||
| An Approach in Machine Learning for Detecting And Identifying The GNSS Spoofing Attack Based On OPTICS And GMM Algorithms | ||
| نویسندگان [English] | ||
| Amin Mehdi Delnavaz1؛ Ebrahim Shafiee2؛ Yaghoob Khorasani2 | ||
| 1Bachelor's student, Shahid Sattari University of Aeronautical Sciences and Technology, Tehran, Iran | ||
| 2Assistant Professor, Shahid Sattari University of Aviation Sciences and Technology, Tehran, Iran | ||
| چکیده [English] | ||
| In the past decade, the protection of GNSS satellite systems against spoofing and jamming attacks has become an important focus. In a spoofing attack, the GNSS signal receiver makes errors in determining location and time because the spoofed signal is tracked by the receiver due to its close resemblance to the authentic signal and its higher power. Currently, there is no comprehensive or universal method for detecting all types of spoofing attacks. In this paper, a novel approach for detecting spoofing signals using unsupervised machine learning algorithms is presented. Two machine learning algorithms, including the density-based clustering algorithm OPTICS and the Gaussian Mixture Model (GMM), are proposed to detect spoofing attacks. These algorithms are used to distinguish between genuine GPS signals and spoofed or fake signals. The original and spoofed signals have differences in features such as phase variance, correlation distribution and signal energy, which form the basis for clustering. The performance of these algorithms has been evaluated using Silhouette scores and the confusion matrix. In addition, the algorithms were implemented and tested on a GPS software receiver. Spoofing attacks were successfully detected with an accuracy of 92.45% and 99.88% respectively. | ||
| کلیدواژه‌ها [English] | ||
| Machine learning, Clustering algorithm, Spoofing attack, GNSS in navigation system, OPTICS, Gaussian Mixture Model, GPS software receiver | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 69 |
||