[论文解读] WHITE PAPER: Protecting GNSS Against Intentional Interference

Arul Elango, Ahmed Al-Tahmeesschi+3 more|arXiv (Cornell University)|Aug 24, 2022

GNSS positioning and interference被引用 5

一句话总结

本白皮书综述了检测和缓解有意GNSS干扰的最先进技术，包括传统方法和基于机器学习的方法，重点聚焦于实时RFI监测、干扰源指纹识别以及系统级弹性。文中介绍了低成本多频段RFI检测系统（如ARFIDAAS II和SWEPOS），展示了在欧洲范围内通过子带监测和定位能力，成功检测超过5,000起RFI事件。

ABSTRACT

The vulnerabilities associated with modern systems relying on Global Navigation Satellite Systems (GNSS) due to intentional and unintentional interference is an increasing threat. Since radio frequency interference (RFI) significantly degrades the performance of a GNSS receiver. Several traditional critical applications such as aviation, maritime and rail transport systems to more recent applications such as autonomous vehicles, can be severely affected by such undetected nor mitigated RFIs. Moreover, critical infrastructures such as power supply and money transfer, are becoming more and more dependent on the accurate timing information provided by GNSS. Thus, interference detection and management techniques are crucial to be utilised in order to reduce interference effects. This paper offers a state-of-the-art review of several proposed methods for interference detection and mitigation with solutions ranging from traditional to machine learning-based approaches. In addition, to be able to characterise the RFI threats and develop mitigation techniques, it is essential to monitor RFI systematically and share recorded data with interested entities. Therefore, three GNSS threat monitoring systems are briefly described. This White paper is a compilation of the seminar presentations given at a seminar on "Protecting GNSS against intentional interference" in March 2022 in Finland.

研究动机与目标

• 应对日益增长的有意GNSS干扰威胁，包括干扰和欺骗，这些威胁危及关键基础设施和安全关键系统。
• 识别现有干扰检测与缓解技术中的空白，特别是针对低成本、实时且可扩展的监测解决方案。
• 推动系统化RFI监测与数据共享，以增强GNSS依赖应用的弹性。
• 评估基于机器学习的异常检测和RF指纹识别等新兴技术在识别干扰源方面的有效性。
• 展示低成本、多频段RFI监测系统在国家和区域部署中的可行性与性能。

提出的方法

• 部署定制的低成本前端硬件，可同时监测覆盖关键GNSS频段（L1、L2、E5a/E5b、E6）的四个可调子带，总带宽达240 MHz。
• 利用现成计算平台进行实时信号处理、触发、分析和警报生成，以检测RFI事件。
• 采用基于自编码器的机器学习异常检测方法，识别C/N₀数据中连续波（CW）干扰模式。
• 应用RF指纹识别技术，通过检测干扰信号中由硬件引起的独特失真，实现干扰源的识别与定位。
• 集成多GNSS与多频段监测，以提高检测灵敏度并减少误报。
• 利用现有基础设施（如CORS网络，例如SWEPOS）和国家地理空间网络，扩展监测覆盖范围，并实现实时警报。

实验结果

研究问题

• RQ1 传统方法与基于机器学习的方法在多频段中检测有意GNSS干扰方面的有效性如何？
• RQ2 低成本、多频段RFI监测系统在实时检测和表征干扰与欺骗事件方面的能力如何？
• RQ3 RF指纹识别技术能否可靠地基于信号失真识别并定位GNSS干扰源？
• RQ4 密集RFI监测网络（如ARFIDAAS II和SWEPOS）在国家和欧洲层面部署的可扩展性与可行性如何？
• RQ5 多GNSS监测系统如何提升干扰检测与警报的准确性与鲁棒性？

主要发现

• 在2019至2021年间，通过挪威、芬兰、捷克共和国和荷兰的11个ARFIDAAS监测站，检测到超过5,000起影响一个或多个GNSS信号频段的RFI事件。
• ARFIDAAS II系统（每站总成本低于2,000欧元）在芬兰北部的北极地区部署五个月内，成功检测到十余起RFI事件。
• SWEPOS网络基础设施利用C/N₀历史数据实现了GNSS干扰的近实时检测，并向监管机构自动发送警报。
• RF指纹识别技术在基于干扰信号中独特硬件引起的失真识别干扰发射机方面展现出潜力。
• 基于机器学习的自编码器方法在GNSS信号数据中有效检测到连续波（CW）干扰，实现了早期异常识别。
• 多频段、多GNSS监测的集成显著提升了复杂射频环境下的检测灵敏度，并减少了误报。