جبران‌سازي خطاي فريب تاخيري در GPS با كاهش خطاي رديابي مبتني بر شبكه‌هاي عصبي

GPS Delay Spoofing Compensation by Mitigating Tracking Error Based on Neural Networks

امروزه فريب دهنده يك تهديد ثابت شده براي گيرنده هاي GPS محسوب مي شود. نتيجه حمله فريب،‏ خطاهاي بزرگ ناوبري در گيرنده ناآگاه با نتايج زيان‌آور است. به دليل اينكه سيگنال فريب از سيگنال اصلي تقليد مي كند،‏ گيرنده متوجه حضور آن نمي شود. از اين رو تشخيص و جبران سازي آن سخت تر از ديگر اختلال هاي مطرح‌شده براي GPS است. در اين مقاله سعي مي‎شود روش هاي پيشنهادي براي جبران سازي فريب كه در گيرنده هاي معمولي تك‌فركانسه قابل استفاده اند،‏ به طور كامل بررسي گردند. ابتدا روند كلي هر روش به طور مختصر توضيح داده مي‌شود و سپس چالش ها و نقاط ضعف و قوت هر روش مورد مطالعه قرار خواهند گرفت. پس از آن يك ايده جديد و كاربردي براي كاهش اثر فريب مبتني بر شبكه‌هاي عصبي مطرح مي گردد كه در آن شبكه‌ عصبي پس انتشار خطا در حوزه تغييرات فاصله به منظور برآورد و جبران خطاهاي رديابي فاز و كد استفاده خواهد شد. ملاحظه مي‌گردد كه با بهره‌گيري از شبكه عصبي خطاي مكان‌يابي ناشي از فريب بر روي سه مجموعه داده با ميانگين 82 درصد و دامنه تغييرات حدود 2 درصد كاهش مي‌يابد.

In recent years, spoofing is known as a perceived emerging threat to GPS receivers. The spoofing attack result is large navigational solution errors in the unsuspecting user with potentially serious consequences. Since the spoofing signal imitates the authentic one, the receiver cannot detect the presence of that. Therefore, detection and mitigation of spoofing is more difficult than other interferences. In this paper, we try to study all of proposed anti-spoofing approaches for single frequency GPS receivers. At first the general process of each technique is described summarily, then its challenges, advantages and disadvantages are pointed. Finally, a novel and applicable idea based on Neural Network (NN) is introduced for spoofing compensation. In that we use a back propagation algorithm in range domain for estimation and compensation of tracking code and carrier error due to spoofing attack. In this way, by utilizing NNs we can mitigate spoofing error with an average of 82% and a tolerance of 2%.