GNSS欺骗攻击检测与多传感器融合技术实践

1. 项目背景与核心价值

全球导航卫星系统(GNSS)已经成为现代社会中不可或缺的基础设施，从智能手机导航到航空航海，从精准农业到金融交易时间同步，其应用几乎渗透到所有关键领域。然而，GNSS信号固有的脆弱性——信号强度极低且完全开放——使其极易受到欺骗攻击。这种攻击通过伪造卫星信号，诱导接收机计算出错误的位置、速度或时间信息，可能导致灾难性后果。

我在参与某无人机导航系统开发时，曾亲眼目睹过一次简单的GNSS欺骗如何让价值数百万的设备"凭空消失"。这促使我深入研究欺骗检测技术，并开发了这套完整的仿真系统。它不仅能够模拟真实场景中的欺骗攻击，更重要的是实现了基于多传感器融合的可靠检测方案。

2. 系统架构与核心算法

2.1 整体设计思路

系统采用"攻击-防御"双视角设计：

• 攻击侧：完整模拟各类欺骗信号生成（包括逐步偏移、瞬时跳变、智能跟随等模式）
• 防御侧：构建基于扩展卡尔曼滤波(EKF)的IMU/GNSS紧耦合系统，通过多维度一致性检验实现欺骗检测

这种双向设计使得我们既能研究攻击特征，又能验证防御有效性，形成闭环验证体系。所有模块均采用Matlab面向对象编程实现，确保各组件可灵活替换和扩展。

2.2 关键算法实现

2.2.1 欺骗信号生成模型

matlab复制classdef Spoofer < handle
    properties
        attack_type;  % 'ramp', 'step', 'intelligent'
        start_time;
        ramp_rate;    % m/s for ramp attack
        offset;       % m for step attack
        target_traj;  % for intelligent spoofing
    end
    
    methods
        function [pos_offset] = get_offset(obj, t)
            if t < obj.start_time
                pos_offset = [0;0;0];
            else
                switch obj.attack_type
                    case 'ramp'
                        pos_offset = (t-obj.start_time)*obj.ramp_rate*[1;1;1];
                    case 'step'
                        pos_offset = obj.offset*[1;1;1];
                    case 'intelligent'
                        pos_offset = obj.target_traj(t) - true_position(t);
                end
            end
        end
    end
end

2.2.2 多传感器融合EKF

状态向量设计为15维：

code复制x = [位置(3) 速度(3) 姿态(3) 加速度计零偏(3) 陀螺零偏(3)]

观测模型同时处理GNSS伪距和多普勒观测值，以及IMU提供的增量运动信息。关键创新在于设计了自适应观测噪声矩阵：

matlab复制function R = get_obs_noise(innovation, R_nominal)
    % 基于新息检测异常观测
    if norm(innovation) > 3*sqrt(diag(R_nominal))
        R = 10*R_nominal;  % 降低异常观测权重
    else
        R = R_nominal;
    end
end

3. 欺骗检测技术实现细节

3.1 多维度一致性检验

系统并行运行五类检测器，构成防御矩阵：

1. 信号质量检测

   • 载波噪声密度比(C/N0)突变检测
   • 相关峰对称性分析
   • 使用Ward算法检测多径效应

2. 物理一致性检测

   matlab复制function [flag] = check_physics(gnss_vel, imu_acc, prev_vel, dt)
       predicted_vel = prev_vel + imu_acc*dt;
       discrepancy = norm(gnss_vel - predicted_vel);
       flag = discrepancy > 0.3*max(norm(gnss_vel), norm(predicted_vel));
   end
   

3. 统计特性检测

   • 新息序列卡方检验
   • 滑动窗口内残差分布KS检验

4. 多接收机一致性

   • 即使只有单接收机，也可利用历史轨迹构建虚拟参考站

5. 加密认证检测

   • 模拟Galileo OS-NMA或GPS Chimera等认证机制

3.2 自适应融合策略

检测结果通过D-S证据理论融合，动态调整EKF参数：

matlab复制function [q] = compute_trust_weight(detection_results)
    % 输入各检测器置信度[0,1]，输出融合权重
    conflict = 1 - sum(min([detection_results; 1-detection_results]));
    q = 0.5*(1 + sum(detection_results)/length(detection_results) - conflict);
end

4. 仿真结果与分析

4.1 测试场景设计

我们构建了三类典型场景：

1. 城市峡谷环境：高多径干扰，测试误报率
2. 开阔高速公路：模拟智能跟随欺骗
3. 港口区域：强射频干扰与欺骗混合攻击

每种场景下设置不同攻击强度（1-10级），评估检测系统鲁棒性。

4.2 性能指标

4.3 典型攻击检测示例

案例：智能跟随攻击
攻击者试图让目标轨迹平行偏移100米。系统通过以下特征识别：

1. IMU推算轨迹与GNSS显示轨迹曲率不一致
2. 速度方向与新息序列呈现周期性波动
3. 多普勒观测与载波相位变化率不匹配

检测器在攻击开始后4.3秒触发警报，最终定位偏差控制在3米内。

5. 工程实现经验

5.1 参数调优技巧

1. IMU噪声参数标定：

   • 静态采集4小时数据计算Allan方差
   • 使用分段线性模型拟合零偏不稳定性

   matlab复制[tau, sigma] = allan(imu_data, fs);
   loglog(tau, sigma); 
   % 识别斜率转折点对应特征时间常数
   

2. EKF调参黄金法则：

   • 过程噪声从IMU规格书理论值开始
   • 观测噪声先设为GNSS厂商标称值
   • 然后按"先位置后速度"的顺序调整：
     • 位置噪声增大→平滑轨迹但响应变慢
     • 速度噪声减小→提升动态性能但增加抖动

5.2 实时性优化

1. 矩阵运算加速：

   • 预计算所有常量矩阵
   • 利用状态矩阵稀疏性

   matlab复制% 稀疏化处理
   F = speye(15);
   F(1:3,4:6) = dt*speye(3);
   

2. 分层检测策略：

   • 第一层：轻量级信号检测(μs级)
   • 第二层：物理一致性检验(ms级)
   • 第三层：深度统计分析(10ms级)

6. 扩展应用与改进方向

6.1 多源融合增强

正在集成视觉里程计和LiDAR点云匹配，构建三重冗余：

1. GNSS提供绝对基准
2. IMU维持短期精度
3. 视觉确保相对一致性

6.2 深度学习辅助检测

实验表明，LSTM网络可有效学习欺骗信号的时空特征：

• 输入：20秒窗口的观测残差序列
• 输出：攻击概率与类型分类
• 当前准确率达92%，但需平衡计算开销

6.3 硬件在环测试

下一步将连接U-blox F9P和Xsens MTi-630进行实物验证，重点关注：

• 射频前端模拟欺骗信号注入
• 硬件时间同步精度影响
• 热启动条件下的检测延迟

关键提示：实际部署时务必进行严格的电磁兼容测试，我们曾遇到车载电源噪声导致IMU数据异常，进而引发误报的案例。建议在系统设计中加入电源质量监测模块。

这套系统代码已模块化封装，核心函数包括：

• GNSS_Spoofing_Simulator.m：主仿真循环
• TightlyCoupledEKF.m：融合算法实现
• SpoofingDetector.m：检测逻辑集合
• ScenarioBuilder.m：测试场景生成

每个模块都有详细输入输出说明和示例调用脚本，便于二次开发。特别建议关注/utils目录下的数据可视化工具，可以直观对比真实轨迹、欺骗轨迹和估计轨迹的时空关系。