Робастна Гібридна Модель Машинного Навчання Для Виявлення Атак Gps-спуфінгу
Year: 2025
Type: article
Abstract: У роботі розглянуто проблему виявлення атак підміни координат, що становить одну з ключових загроз для безпілотних навігаційних систем. Метою дослідження є підвищення надійності класифікації атак за рахунок синтезу гібридної моделі машинного навчання, яка поєднує глибинні нейронні мережі та енсемблеві алгоритми. Запропонована архітектура CNN–LSTM–XGBoost інтегрує згортковий шар для вилучення локальних, рекурентний блок для моделювання часових залежностей і бустинговий класифікатор для підвищення робастності до шуму та дисбалансу даних. Методологія дослідження передбачала використання відкритого набору AV-GPS-Dataset, що містить 44 параметри навігаційних сигналів у нормальному режимі та під час GPS-спуфінгу. Дані були очищені, нормалізовані, збалансовані та подані у вигляді ковзних вікон для навчання моделей. Для порівняння ефективності проведено експерименти з трьома архітектурами: базовою LSTM, гібридом LSTM+XGBoost та запропонованою CNN–LSTM–XGBoost. Моделі навчалися на підмножині виділеній з датасету і тестувалися на незалежних наборах із різними характеристиками шуму та руху. Наукова новизна роботи полягає у створенні збалансованої гібридної архітектури, що поєднує здатність нейронних мереж до вилучення просторово-часових ознак із високою узагальнювальною здатністю бустингових алгоритмів. На відміну від відомих підходів, модель забезпечує стійкість до варіацій сигналу та демонструє високу точність класифікації. Висновки підкреслюють, що CNN–LSTM–XGBoost показала стабільну збіжність і відсутність перенавчання, зберігаючи ефективність за змін умов збору даних. Водночас відзначено потенційні обмеження, пов’язані з обчислювальною складністю та доменною залежністю. Зокрема зазначено важливість подальших досліджень, що охоплюють використання геометричних класифікаторів, адаптивне навчання для нових доменів і створення тестового середовища для оцінки моделі в реальному часі.
Institution: Sumy State University
Language: Ukrainian
Subfield: Aerospace Engineering
Field: Engineering
Domain: Physical Sciences
Open Access status: hybrid
OpenAlex ID: W7129044530