基于VBGMM-DCNN的列車衛星定位欺騙干擾檢測方法

王思琦, 劉 江,2,3, 蔡伯根,3,4, 趙 陽

(1. 北京交通大學電子信息工程學院, 北京 100044;2. 北京交通大學智慧高鐵系統前沿科學中心, 北京 100044;3. 北京市軌道交通電磁兼容與衛星導航工程技術研究中心, 北京 100044;4. 北京交通大學計算機與信息技術學院, 北京 100044;5. 中國鐵道科學研究院集團有限公司通信信號研究所, 北京 100081)

0 引言

基于全球導航衛星系統(global navigation satellite system, GNSS)的列車定位不僅可以提高列車運行控制系統車載設備的高度自主性、靈活性,還可以大幅簡化軌旁設備,降低維護成本,提高經濟效益[1-3]。然而,考慮到GNSS固有的脆弱性以及龐大鐵路網內復雜多變的運行環境,衛星定位在鐵路關鍵裝備及服務中的實際運用仍存在一定的潛在威脅[4-5],其中,信號干擾會為列車衛星定位帶來信息安全層面的風險。蓄意欺騙攻擊作為一種典型的干擾形式,旨在誘騙車載衛星定位終端解算出錯誤的位置和時間信息,會對列車定位信息用于監測、控制等決策帶來直接危害。為此,考慮到列車運行控制系統對列車定位的特定安全需求,亟需引入針對衛星定位欺騙攻擊的主動防御機制,強化列車衛星的自主防護能力,在實施防護的過程中,如何有效檢測欺騙干擾攻擊的存在,是實施防御的前提。

目前,衛星定位欺騙檢測與防護技術的研究相對成熟。根據在用戶接收機信號處理中檢測欺騙攻擊的位置不同,可將欺騙攻擊檢測手段分為:1)射頻前端方案,根據欺騙攻擊信號來向單一、信號功率普遍高于真實信號的特點,采用多天線陣列[6]、信號到達角[7]、自適應增益控制器輸出功率[8]等方法,可以實現對不同欺騙攻擊的較高檢測成功率;2)基帶信號處理端方案,通過檢測捕獲階段二維時頻搜索峰值或跟蹤環路的自相關函數畸變,判定是否受到欺騙攻擊,如捕獲峰值多峰檢測[9]、基于信號質量檢測(signal quality monitoring, SQM)的相關峰失真檢測[10]、碼和載波相位聯合一致性檢測[11]等;3)定位解算端方案,利用輔助傳感器冗余信息[12]或接收機自主完好性監測(receiver autonomous integrity monitoring, RAIM)機制[13]對特定特征參數進行一致性檢測。近年來,機器學習、深度學習以及深度強化學習等人工智能領域前沿技術的引入,為衛星定位欺騙檢測提供了新的思路[14-16]。然而,現有方法尚缺乏適用于列車衛星定位場景的專用設計,不斷涌現的新型學習建模方法也為列車定位應用提供了有效途徑。為此,本文針對列車定位解算端的欺騙檢測問題,提出了基于變分貝葉斯高斯混合模型-深度卷積神經網絡(variational Bayesian Gaussian mixture model-deep convolutional neural network, VBGMM-DCNN)的檢測方法,主要的創新工作包括:

1)考慮軌跡欺騙、時間欺騙和偽距欺騙攻擊對定位觀測的顯著影響,設計了基于衛星量測偏差的欺騙檢測方案,根據其在欺騙攻擊前后的不同分布特性實施檢測;

2)提出了完整的基于VBGMM-DCNN模型的列車衛星定位欺騙干擾檢測方法,使用VBGMM模型擬合特征參數的概率密度分布,DCNN模型通過提取分布特征來決策系統是否受到欺騙攻擊;

3)針對同一欺騙攻擊下不同衛星對欺騙攻擊響應的差異,所提算法適應每顆衛星響應的差異性,并對單顆衛星是否受到欺騙攻擊做出決策。

1 欺騙攻擊下列車衛星定位性能影響分析

導致衛星定位脆弱性的原因包括自然環境、無意人為干擾和蓄意攻擊等,其中,蓄意攻擊往往主觀上以衛星定位性能下降或定位失效為目的,其可操作性使衛星定位面臨嚴重威脅。蓄意攻擊主要包括壓制和欺騙兩類。壓制攻擊通過傳輸大功率干擾信號使接收機失去對衛星信號的鎖定,導致接收機無法定位;欺騙攻擊使目標接收機被迫跟蹤與合法衛星信號具有相似結構的欺騙信號,從而產生錯誤的位置或時間信息,故而在不損害定位連續性的情況下更具誤導性。對列車衛星定位系統實施欺騙攻擊,欺騙者需要采取一定的技術手段跟蹤列車的實時運行狀態,據此產生調制了錯誤測量信息的偽信號;或轉發真實衛星信號,通過增加信號傳輸延時,使列車衛星定位接收機解算錯誤定位信息。列車運行過程中,若受到生成式/轉發式欺騙攻擊,均會導致列車解算出帶有顯著偏移的錯誤位置信息,如圖1所示。欺騙攻擊可能引發定位失準,若在列車控制系統處理邏輯未采用針對性防護措施,則可能直接影響列車控制功能的正常執行,甚至可能對行車安全造成影響。

衛星定位通過測量信號從衛星到接收機天線端的傳播時間,得到各可視衛星偽距、多普勒頻移等觀測量,結合衛星星歷/歷書,通過狀態估計解算空間位置、速度。欺騙信號與真實信號存在相對碼相位時延和多普勒頻率偏移,故而,欺騙攻擊最終將在偽距、偽距率、時鐘偏差等觀測信息中體現為一定偏差[17-18]。以偽距、偽距率和載波相位為例,受欺騙攻擊作用下的觀測方程為

δts)+I+T+ερ+δρSp

(1)

(2)

δts)-I+T+λNφ+εφ+λδφSp

(3)

=(HTH)-1HTZAu+(HTH)-1HTδZSp

(4)

2 列車衛星定位欺騙干擾檢測方案

考慮到欺騙干擾檢測可以視為一種典型的二分類問題,且基于深度學習方法對解決二分類問題的潛在優勢,本文提出了一種基于變分貝葉斯高斯混合模型-深度卷積神經網絡(VBGMM-DCNN)的列車衛星定位欺騙干擾檢測方案,其總體框架如圖2所示?？梢钥吹?該框架分為離線建模和在線檢測兩個部分,每個部分都包括基于VBGMM的衛星特征參數擬合和基于DCNN的衛星信號分類決策兩個環節:在離線建模中,采集列車運行目標線路所有可見衛星的觀測數據,建立列車衛星定位無干擾和欺騙干擾數據庫,通過對數據的詳細分析建立欺騙干擾檢測模型,通過模型訓練和驗證,使模型滿足預期性能;在在線檢測中,車載衛星定位終端采集可見衛星觀測數據,實時計算并更新可見衛星觀測特征,并將每顆衛星的觀測特征輸入至該衛星對應的已經訓練所得欺騙干擾檢測模型,判定是否受到欺騙攻擊。

圖2 基于VBGMM-DCNN的列車衛星定位欺騙干擾檢測方案框架Fig.2 Spoofing detection scheme framework for satellite-based train positioning based on VBGMM-DCNN

離線建模和在線檢測的具體操作如下:

首先,設置滑動窗口,即取當前時刻及其前(N-1)個定位周期列車衛星定位特征參數,包括每顆可見衛星的偽距殘差、偽距率殘差、載波相位殘差、衛星鐘差和衛星鐘漂,針對每顆衛星觀測通道構造一個特征參數矩陣(矩陣大小為N×5);其次,將標準化的特征參數矩陣進行主成分分析(principal component analysis, PCA)特征降維至兩維,輸入VBGMM模型,通過參數初始化、變分推斷和自適應調整高斯混合分量個數等操作求解各個高斯分量的參數,計算二維高斯混合概率密度函數,對其進行等間隔采樣得到二維概率密度圖;最后,采用灰度化處理,將概率密度圖轉為灰度圖,并輸入至DCNN模型中,模型進行有監督分類,以判斷是否受到欺騙攻擊。離線建模和在線檢測的主要區別在于輸入模型的數據不同,離線建模將列車衛星定位歷史數據輸入至模型中,進行模型的訓練和調整;在線檢測則將實時定位數據輸入至已經訓練的模型中,實時檢測欺騙攻擊。

3 基于VBGMM-DCNN的欺騙干擾檢測方法

3.1 特征參數

本文選取衛星偽距殘差、偽距率殘差、載波相位殘差、衛星時鐘誤差及衛星時鐘漂移構建干擾檢測特征量。

(5)

式中,(xs,ys,zs)為衛星三維空間坐標。

(6)

(7)

4)衛星時鐘誤差:衛星時鐘在觀測時間為t時的衛星鐘差Δts為

Δts=af0+af1(t-toc)+af2(t-toc)2

(8)

式中,af0,af1,af2以及參考時間toc均由衛星導航電文的第一數據塊給出。

衛星時鐘總的校正量還包括相對論效應的校正量Δtr和群波延時校正量TGD,即

δts=Δts+Δtr-TGD

(9)

(10)

3.2 基于VBGMM-DCNN的建模檢測方法

(11)

則協方差矩陣為

(12)

計算協方差矩陣的特征值為λ1,λ2,…,λ5,且λ1>λ2…>λ5,取最大的λ1和λ2對應的特征矢量β1和β2,組成轉換矩陣A=[β1,β2],利用下式得到降維后的數據V。

V=ATX

(13)

高斯混合模型(Gaussian mixture model, GMM)采用對多個高斯分量的線性組合來描述復雜數據的概率分布,廣泛用于解決分類和密度估計問題。GMM模型的概率密度函數可以表示為

(14)

其中,v是使用PCA降維后的二維特征矢量;K為高斯分量的總數;Θk為第k個高斯分量的隱變量,均值為μk;方差矩陣為Λk;πk(πk≥0且∑kπk=1)是混合系數,表示高斯分量的權重;Φ(v|μk,Λk)為第k個高斯分量的概率密度函數。

本文使用變分推斷(variational inference, VI)求解模型參數。將某一觀測特征矢量v*代入VBGMM模型,預測其概率分布,結果為

q(Θ*|π)q(π,μk,Λk|v)dπdμkdΛk

(15)

變分推斷通過循環執行變分E步和變分M步來更新均值、協方差矩陣和混合系數,直至算法收斂[19],最終,得到混合學生t分布,即所求概率密度函數

p(v*|v)=

(16)

卷積神經網絡(convolutional neural networks, CNN)是一種包含卷積操作的前饋神經網絡,是深度學習的典型算法之一,被廣泛應用于計算機視覺、自然語音處理等領域?；谏疃染矸e神經網絡(deep convolutional neural networks, DCNN)的分類算法是一種有效的分類方式,通過多層卷積和池化操作提取學習大規模數據的復雜特征,提高分類準確度。DCNN的核心是卷積層,由一組卷積核(也稱為卷積濾波器)組成。卷積操作的本質是相關濾波,卷積核按照預設步長的滑動窗口在輸入信號上移動,并與截取的相同大小的張量做點乘,添加偏置求和,不斷重復上述過程直至遍歷輸入信號,最終得到一個特征圖。一般在卷積層后緊跟池化層和激活函數,池化層對卷積層提取的特征圖進行降維,改善過擬合現象,激活函數用于增加網絡的非線性。在對DCNN模型進行訓練時,采用交叉熵損失函數衡量預測的分類結果與真值的差距,通過反向傳播更新網絡參數?；贙L散度可推導交叉熵損失函數

=-Υ(P)+Υ(P,Q)

(17)

其中,p(x)為樣本真實的概率密度函數;q(x)為模型擬合的概率密度函數;Ω為整個概率密度空間;Υ(P) 為樣本真實分布P的信息熵;Υ(P,Q)為樣本真實分布與模型預測分布Q的交叉熵;KL散度具有非負特性,使得最小化KL散度等價于最小化交叉熵。

基于上述思想的列車衛星定位欺騙干擾檢測可視為一種有監督二分類問題,為引入深度卷積神經網絡并發揮其建模描述能力的優勢提供了契機。運用DCNN模型檢測確認是否受到欺騙攻擊,主要分為以下幾個步驟:

Step 1:離線建模時,根據式(5)～(10)計算衛星觀測特征矢量,采用PCA進行降維,得到v。

Step 2:采用VBGMM模型估計v的概率密度函數,進行二維等間隔采樣,得到二維概率密度分布圖Sn,關聯相應的特征標簽。

Step 3:將二維概率密度分布圖Sn視為單通道圖片信號,輸入構建好的DCNN網絡中,網絡進行迭代訓練,計算交叉熵損失函數,使用誤差反向傳播算法更新網絡參數,多次迭代訓練后得到優化的欺騙檢測模型。

Step 4:列車運行中,調用DCNN網絡對實時衛星觀測特征的二維概率密度圖進行二分類,若模型判決存在欺騙干擾,向列車定位應用端輸出告警并實施欺騙防護;若模型判決未受到欺騙攻擊,將衛星定位解算結果用于列車測速定位決策。

結合上述思路,本文提出的列車衛星定位欺騙干擾檢測流程如圖3所示。該方法可以監測每顆衛星的觀測狀態,若判定當前觀測衛星受到欺騙攻擊,可直接在列車測速定位決策處理中隔離該衛星定位通道,防止受到欺騙干擾的影響,或運用額外的欺騙攻擊抑制手段恢復真實的導航衛星量測信息用于解算及定位決策處理,在保持衛星定位運用的條件下主動消除欺騙攻擊的影響。本文所提方法的應用約束有:算法的欺騙檢測性能與欺騙攻擊的類型和強度有關;算法的檢測性能與深度學習模型的深度有關;所提算法為數據驅動方式,需要大量的欺騙數據樣本支持來進一步提升算法的優勢。

圖3 基于VBGMM-DCNN的列車衛星定位欺騙干擾檢測流程Fig.3 Spoofing detection process for satellite-based train positioning based on VBGMM-DCNN

4 驗證與分析

4.1 數據采集

采用2021年7月在青藏鐵路公司管轄內哈木線(哈爾蓋-木里)現場采集的列車衛星定位數據對本文提出的欺騙干擾檢測方法性能進行驗證。在現場采集中,為滿足使用真實現場數據構建基礎測試場景的需求,需確保衛星定位可用且具有較優定位性能,選擇較為開闊的線路區段,使用NovAtel SPAN-FSAS高精度組合定位參考系統定位輸出結果用于列車運行場景構建,在干擾測試中通過疊加特定類型欺騙信號模擬欺騙干擾攻擊,實現信號級干擾仿真測試。圖4顯示了實驗室內搭建的欺騙干擾測試環境。

圖4 實驗室搭建的欺騙干擾測試環境Fig.4 Spoofing test environment built in the laboratory

欺騙干擾測試環境由Spirent GSS 9000型導航衛星信號模擬器(含SimSAFE干擾套件)、受測接收機(Ublox M8)及相應控制軟件組成。根據現場采集的列車運行數據,提取列車三維空間位置、速度信息制作列車軌跡文件,導入實測數據采集當天的星歷,通過配置指令在不同的觀測量注入欺騙場景事件。受測接收機通過射頻天線接收模擬器產生的受干擾的衛星信號,并實施定位觀測解算。

基于上述環境,實施了4種場景的測試檢驗,包括無干擾場景、軌跡欺騙場景、時間欺騙場景以及偽距欺騙場景。圖5顯示了每種場景模擬過程中8顆可持續跟蹤衛星的天頂視圖,實驗設置真實衛星信號的強度為-130 dBm,欺騙衛星信號的強度為-125 dBm。無干擾場景:模擬器僅根據真實列車運行軌跡模擬真實衛星信號;軌跡欺騙場景:模擬器導入的欺騙軌跡相比于真實列車運行軌跡在ECEF坐標系下X軸添加了30 m偏差;時間欺騙場景:設置欺騙信號的時間參數為時鐘偏移 af0=4×10-5s、時鐘漂移 af1=10-9s/s、時鐘漂移率 af2=10-15s/s2;偽距欺騙場景:模擬器根據真實列車運行軌跡模擬欺騙衛星信號,欺騙衛星偽距添加50m偏差。每種場景下列車運行時長2 900 s,受測接收機采樣頻率設置為10 Hz,4種場景共記錄時長11 600 s,即116 000 條衛星定位觀測數據。滑動窗口長度設置為10 s。在每一種場景下,針對每顆可視衛星可以構建28 900 例樣本(特征矩陣),欺騙場景的樣本標簽為“1”,表示欺騙樣本,無干擾場景的樣本標簽為“0”,表示真實樣本。每種場景每顆衛星的樣本劃分為訓練集(50%)、驗證集(30%)和測試集(20%),用于建模與檢驗。

4.2 方法驗證

為檢驗欺騙干擾檢測算法的性能,首先,設置不同的DCNN網絡模型,分析不同網絡模型的適用性;其次,與常規有監督分類算法用于欺騙檢測的性能進行對比分析,驗證所提出VBGMM-DCNN建模檢測策略的有效性。

本文選擇3種DCNN網絡模型用于模型對比,模型均由卷積層、批量歸一化層、池化層、全連接層和激活函數混合構建,3種模型深度逐漸增加,網絡參數設置如下:

1) DCNN-1模型:Conv(50, 11×11, 3);Bn();Relu();Mp(11×11, s=4);Fc(50);Relu();Fc(2);Softmax()。

2) DCNN-2模型:Conv(50, 11×11, 2);Bn();Relu();Conv(100, 12×12,2);Bn();Relu();Conv (50, 12×12, 2);Relu();Fc(50);Relu();Fc(2);Softmax()。

3) DCNN-3模型:Conv(10, 3×3, 2);Bn();Relu();Mp(11×11);Conv(100, 11×11);Bn();Relu();Mp(11×11);Conv(50, 11×11);Bn();Relu();Conv(10, 4×4, 2);Bn();Relu();Fc(50);Relu();Fc(2);Softmax()。

其中,Conv (numFilters,filterSize,stride)表示卷積層,濾波器數量為numFilters,濾波器大小為filterSize,步長為stride,默認步長為1;Bn()表示批量歸一化層;Relu()表示Relu激活函數;Mp(filterSize,stride)表示最大池化;Fc(outputSize)表示全連接層,輸出outputSize個神經元;Softmax()表示Softmax激活函數。3種模型迭代次數均設置為50次,學習率為0.001,批量大小為100,優化函數為Adam()。

DCNN-1、DCNN-2和DCNN-3模型的參數量分別為96.3×103,1.4×106和742.7×103,在相同的硬件平臺下,三種模型經過50輪訓練耗時分別為188.97 s, 1 115.95 s和1 094.30 s。圖6以PRN2號衛星通道數據為例顯示了DCNN-3模型的訓練過程。隨著迭代次數的增加,模型在訓練集和驗證集的準確率逐漸增加超過90%,模型損失逐漸減小至0.1附近。采用經典的分類算法評價指標,包括準確率、精準率、召回率和F1值,評價3種模型的性能。圖7、圖8和圖9分別統計了3種模型在訓練集、驗證集和測試集的評價指標結果,圖中橫坐標表示3種模型的4個評價指標,縱坐標表示不同衛星通道,矩形顏色深淺量化表示了評價指標值的區別?？傮w來看,針對不同數據集,隨著模型深度的增加,評價指標值越大,欺騙干擾檢測性能越優,且不同衛星通道運用相同網絡模型架構進行模型訓練和檢測,其檢測性能存在差異,其原因在于隨著衛星空間分布不同,不同衛星對同一欺騙攻擊的響應程度不一致,具體體現在所選5維觀測特征參數的變化存在差異,使得相同網絡模型所得訓練參數不一致,導致不同的檢測效果。為了定量分析模型性能,對不同衛星觀測的性能評價指標求算術平均(結果如表1),結果表明,DCNN網絡這一類方法能夠有效實現對干擾特征的建模并支持干擾檢測識別,在所采用的3種模型中,DCNN-3模型在多個評價指標和多個數據集上能夠獲得總體更優性能,相對DCNN-1、DCNN-2,模型深度的增加有助于提高欺騙干擾檢測性能。

圖6 DCNN-3模型的訓練過程Fig.6 Training process of DCNN-3 model

圖7 訓練集評價指標統計Fig.7 Statistics of evaluation indexes of training set

圖8 驗證集評價指標統計Fig.8 Statistics of evaluation indexes of validation set

圖9 測試集評價指標統計Fig.9 Statistics of evaluation indexes of testing set

表1 三種DCNN模型的欺騙檢測性能評價指標統計

本文選擇偽距欺騙場景來驗證DCNN-3模型對不同程度欺騙攻擊的檢測性能。設置11種偽距欺騙場景,欺騙衛星添加20～200 m偽距偏差。表2列出了在測試集上不同觀測衛星的性能評價指標的算術平均值。整體來看,隨著欺騙信號偽距偏差的增加,四個檢測性能評價指標出現增加趨勢,當偽距偏差達到90 m時,各個檢測性能評價指標已接近100%。因此,隨著欺騙程度的增加,所提模型的檢測性能具有一定的提升。

表2 不同偽距欺騙程度下DCNN-3模型的檢測性能評價指標統計

本文選擇了3種經典的有監督分類算法作為參照來進一步對比分析所提算法的檢測性能,包括決策樹(DT)、支持向量機(SVM)、包含單隱藏層的感知機(MLP),使用文本選擇的5維衛星定位觀測特征參數組成的特征矢量進行模型訓練和測試。圖10顯示了包括本文所用策略(DCNN網絡配置為DCNN-3)在內的4種方法的測試集性能統計結果。圖中,縱坐標顯示了不同衛星通道4種評價指標的算術平均值,并根據標準差添加了誤差線。具體來看,本文所提出的方法的準確度相比于對比方法分別提升了0.88%(DT),2.32%(SVM)和17.36%(MLP);精確度相比于SVM算法提升了2.50%,相比于DT和MLP算法分別降低了0.21%、5.36%;召回率相比于對比方法分別提升了4.88%(DT),5.32%(SVM)和92.96%(MLP);F1值分別提升了2.25%(DT),4.17%(SVM)和44.68%(MLP)?？傮w來看,測試驗證中所設置的欺騙干擾場景所致衛星觀測特征與無干擾條件相比存在較明顯異化,所選用的3種參照方法能夠達到一定的欺騙干擾檢測性能,本文所提出的方法充分發揮了VBGMM-DCNN策略的優勢,達到了量化更優且更為穩定的檢測性能,對于確保列車定位的欺騙干擾檢測能力并驅動主動防護具有積極意義。

圖10 對比算法的評價指標統計Fig.10 Statistics of comparison algorithm evaluation index

綜上所述,本文所提出欺騙干擾檢測方法針對不同的深度卷積網絡模型配置策略、不同空間分布下的衛星定位觀測通道,其欺騙干擾檢測性能存在差異,隨著網絡模型深度的增加,檢測性能能夠得到提升;分別在所建立的欺騙干擾數據集上實施本文方法和典型有監督分類算法,對比驗證了所選用的衛星觀測特征參數集的合理性和可用性,進一步驗證了本文提出整體方案的檢測性能和應用潛力。

5 結論

針對列車衛星定位的欺騙干擾檢測防護需求,面向衛星定位解算域,提出一種基于VBGMM-DCNN的欺騙干擾檢測方法,該方法采用VBGMM模型擬合衛星定位觀測特征矢量的概率密度函數,等間隔采樣得到二維概率密度圖,并將其輸入至DCNN模型中進行二分類判決。論文結合欺騙干擾測試環境實施了測試驗證,結論如下:

(1)構建了無干擾、偽距欺騙、軌跡欺騙和時間欺騙4類欺騙干擾模式的樣本數據集,對不同的DCNN網絡模型進行了測試,結果顯示,不同衛星通道對同一欺騙攻擊的響應有所區別,導致相同DCNN模型的欺騙干擾檢測性能存在差異;整體而言,隨著DCNN網絡模型深度的增加,欺騙干擾檢測性能能夠得到提升。

(2)將所提出的方法與典型有監督分類算法進行對比,結果顯示,本文所選用的衛星定位觀測特征參數集能夠充分體現欺騙干擾對定位解算的影響。綜合各類性能指標來看,VBGMM-DCNN建模檢測策略的引入能夠達到更優的整體性能。

(3)基于VBGMM-DCNN的欺騙干擾檢測能夠適應測試驗證中運用的列車運行特征及定位觀測條件,所達到的檢測性能較高,且針對每顆可視衛星建立獨立的神經網絡模型,如果檢測出衛星受到欺騙攻擊,可以通過簡單的排除該衛星通道,使其不參與最終衛星定位解算,從而簡單地實現欺騙干擾的防護。