خانه » وبلاگ » مقابله با سیگنال فریب در گیرنده های GPS

مقابله با سیگنال فریب در گیرنده های GPS

ارائه روش های هوشمند برای آشکارسازی و مقابله با سیگنال فریب در گیرنده های

 

GPS

امروزه فریب از مهمترین و خطرناکترین تهدیدهای پیش روی گیرنده های GPS است که اطلاعات نادرست به گیرنده میدهد و مشکلاتی را در محاسبات زمانی و مکانی ایجاد میکند. مقابله با فریب از امور مهم در تحقیقات حوزه GPS میباشد.

در این مقاله دو روش برای آشکارسازی و جبران اثر سیگنال فریب ارائه میشود. ابزارهای پیش بینی شده برای رسیدن به هدف، فیلتر کالمن و شبکه عصبی بازگشتی می باشند که از تخمین گرهای ساده و قابل پیاده سازی روی پردازنده های ارزان قیمت به حساب می آیند. الگوریتم های پیشنهادی همچنین از یک ضریب کاهشی تطبیقی برای جبران اثر فریب استفاده می نمایند. نتایج شبیه سازی روی داده های واقعی استخراج شده از یک گیرنده  GPS نشان می دهند که الگوریتم های پیشنهادی مبتنی بر فیلتر کالمن و شبکه عصبی بازگشتی در آشکارسازی وقوع فریب کاملاً موفق میباشند و میتوانند اثر فریب را، به ترتیب به میزان ۴۵ و۶۵ درصد جبران نمایند. نظر به این که داده های دریافتی هر یک ثانیه به روز میشوند، هر دو الگوریتم به صورت بلادرنگ عمل مینمایند.
واژه های کلیدی: سیگنال فریب، شبه فاصله، شبکه های عصبی، فیلتر کالمن ، GPSتفاضلی

۱٫    مقدمه
امروزه گیرنده های GPS ، کاربردهای نظامی و غیرنظامی بسیاری دارند و به طور روزمره در بسیاری از وسایل مورد استفاده
قرار می گیرند، از این رو بررسی تهدیدهای احتمالی و رفع آن ها از مهم ترین موارد پیشرو است. استفاده از گیرنده های GPS در حوزه های گوناگون نظامی و غیرنظامی موجب شده تا تحقیقات زیادی در زمینه های انحصاری نمودن و سوءاستفاده از این سیستم در کشورهای مختلف انجام شود. ایجاد مانع در مسیر سیگنال
GPS اختلال و فریب سه نمونه از این تلاش ها می باشند.
از بین حملات ذکرشده در بند پیشین، فریب به دلیل  پنهانی بودن ماهیتش، خطرناک ترین حمله به شمار می رود. سیگنال فریب امروزه از مهمترین تهدیدهای پیش روی گیرنده های GPS می باشد که مشکلاتی در محاسبه GPS ایجاد می کند. این سیگنال میتواند برای منحرف کردن گیرنده های دشمن و نیز ایجاد اختلال در آن ها، به کار گرفته شود. بنابراین، تشخیص و مقابله با چنین سیگنالی، چه در دفاع و چه در حمله امری بسیار مهم می باشد.
به طور کلی روش های مقابله با سیگنال فریب به دو دسته روش های رمزنگاری و روش های غیررمزنگاری تقسیم می شوند. روش های رمزنگاری پیچیده بوده و عمدتاً نیاز به تغییر ساختار GPSدارند. از این رو به کارگیری این روش ها با مشکلات بسیاری همراه است. اما روش های غیررمزنگاری نسبت به روش های رمزنگاری ساده تر می باشند.
این روش ها کاه عبارت اند از آشکارسازی سیگنال نشانه، شکل دهی پرتو چندآنتنه و بررسی صحت استقلال گیرنده، نیاز به تغییر ساختار GPS ندارند و صرفا بر اساس مشخصات سیگنال دریافتی ،به آشکارسازی و جبران اثر فریب می پردازند.
عدم نیاز به تجهیزات گران قیمت ویژگی دیگر روش های غیر رمزنگاری می باشد. اما سه روش ذکر شده در بالا به ترتیب از کاستی هایی نظایر پیچیدگی پردازش، نیاز به گیرنده های  چند آنتنه و نیاز به گیرنده های دوفرکانسه رنج می برند .

از متداول ترین ابزارهای پیش بینی، می توان به فیلتر کالمن و شبکه عصبی  اشاره کرد. این ابزارها علاوه بر دارا بودن خاصیت پیش بینی، خودتصحیح نیز می باشند و از این رو ابزارهای مناسبی برای آشکارسازی و جبران سیگنال فریب به شمار می روند. به دلیل ویژگی های ذکرشده در بالا و نیز قابلیت پیاده سازی الگوریتم های مبتنی بر فیلتر کالمن و شبکه عصبی روی پردازنده های دیجیتال ارزان قیمت، در این مقاله دو الگوریتم آشکارسازی و جبران سیگنال فریب مبتنی بر این دو ابزار پیش نهاد شده است. این الگوریتم ها از داده های شبه فاصله یک سیستم مبتنی بر GPS تفاضلی بهره می گیرند.
ساختار مقاله پیش رو به این صورت است که در ادامه و در بخش بعد، مفاهیم مرتبط با GPS شرح داده می شوند. بخش های بعدی نیز به ترتیب به بررسی سیگنال فریب، معرفی روش های مقابله با فریب، بحث پیرامون فیلتر کالمن، شبکه های عصبی بازگشتی، ارائه الگوریتم های پیشنهادی برای حل مسئله و نتایج شبیه سازی اختصاص خواهند داشت. در پایان نیز، نتیجه گیری بیان خواهد شد.

۲٫    مفاهیم مرتبط با GPS
در الگوریتم های پیشنهادی )برای آشکارسازی و جبران فریب( از مفاهیمی چون شبه فاصله و GPSتفاضلی، بهره گرفته شده است. از  آنجایی که آشنایی با این مفاهیم برای درک بهتر بخش های آتی ضروری می باشد، این بخش به معرفی مفاهیم شبه فاصله و GPS تفاضلی می پردازد.

۱٫۲ شبه فاصله
در بخش های بعدی، شبه فاصله را به عنوان مرجع آشکارسازی فریب به کار خواهیم برد، لذا آشنایی با طریقه محاسبه آن لازم و ضروری است. فاصله بین ماهواره و گیرنده را که به کمک اندازه گیری تاخیر در دریافت سیگنال به دست می آید، شبه فاصله گویند. روش اندازه گیری بدین صورت است که ماهواره، کد شبه تصادفی را تولید و ارسال می کند. گیرنده نیز کد مشابهی را تولید می نماید. اندازه گیری تاخیر Δt
کدهای شبه تصادفی )گیرنده و ماهواره( توسط یک آشکارساز همبسته انجام می گیرد. به محض انطباق کدهای گیرنده و فرستنده، تأخیر حلقه اندازه گیری، محاسبه شده و با ضرب کردن آن در سرعت نور، شبه فاصله به دست می آید. یک قاعده کلی برای دقت اندازه گیری در روش شبه فاصله، ۱% دوره تناوب کد دریافتی است. در شکل ۲ چگونگی محاسبه شباه فاصاله، به نمایش گذاشته شده است.

۲٫۲ GPS تفاضلی
برای مقابله با برخی از خطاها و بالا بردن دقت سیستم وقعیت یابی، می توان از روش GPS تفاضلی استفاده کرد. در این روش که در شکل ۲ ساختار آن به نمایش گذاشته شده است، یک گیرنده در نقطه ای با موقعیت دقیق و معلوم قرار می گیرد. این گیرنده با استفاده از سیگنال های دریافتی از ماهواره، موقعیت خود را به دست آورده و با موقعیت واقعی مقایسه می کند.
با این کار، خطای سیستم به دست می آید و به دنبال آن، اطلاعات لازم برای تصحیح خطا در این نقطه محاسبه و برای دیگر گیرنده های GPS موجود در محل، ارسال می گردد. گیرنده ها نیز با دریافت سیگنال تصحیح، محاسبات خود را اصلاح می کنند. با این روش می توان دقت موقعیت یابی ساکن و نیز دقت موقعیت یابی متحرک را بهبود بخشید.

۳٫    فریب در GPS
اعلام گزارشی در سال ۲۰۰۱ از سوی وزارت حمل ونقل آمریکا مبنی بر آسیب پذیری زیرساخت حمل ونقل این کشور به تهدیدهای سیستم های ناوبری سبب جلب توجه بیش از پیش محققان به مسئله فریب در سیستم های ناوبری، شد. در آن زمان تحقیقات کمی در این حوزه انجام شده بود. بدین ترتیب این مسئله سبب شد که آزمایشگاه هایی در چند دانشگاه معتبر دنیا به صورت تخصصی در زمینه فریب و روشهای مقابله با آن، مشغول به تحقیق شوند.
”فریب و گمراهی “ هر دو از جمله حملات فعال محسوب میشوند. فریب از نوع حملات فعال نقاب دار، و گمراهی )گونه خاصی از فریب( از نوع حملات فعال بازخوانی است. درحمله گمراهی، سیگنال های ناوبری تسخیر شده و دوباره روی فرکانس دریافت شده ارسال می شوند که این عمل سبب اختلال در گیرنده شده و در نتیجه، مختصات اشتباه به گیرنده داده می شود. درحالی که فریب )مطابق شکل۳ ( ارسال سیگنال هایی با ساختار مشابه با سیگنال های ناوبری اصلی برای تحت کنترل گرفتن حلقه ردیابی گیرنده است .
در میان انواع حمله ها، فریب به عنوان خطرناک ترین دخالت عمدی در نظر گرفته شده است که به موجب آن، گیرنده GPS با ردیابی سیگنال های جعلی فریب می خورد. حمله فریب از حمله جمینگ خطرناک تر است، زیرا گیرنده نمی تواند حمله فریب را تشخیص بدهد. فریب به دلیل این که مخفیانه می باشد، حمله ای بسیار ظریف تر نسبت به حملاتی نظیر ایجاد مانع در برابر سیگنال و یا جمینگ است. به طور کلی، فریب حمله ای پنهانی است که در آن فریب دهنده با تولید سیگنالی جعلی شبیه به سیگنال اصلی، گیرنده را در اندازه گیری مکانی و زمانی گمراه می کند. مطالعات در مورد واکنش انواع گیرنده های GPS در مقابل تهدیدهای سیگنال فریب  نشان می دهد که چنین حمله ای بر اندازه گیری های گیرنده، اثرات بسیار مخربی دارد.
حملات فریب به سه دسته اصلی ساده، متوسط و پیچیده تقسیم بندی می شوند. در حملات ساده، یک شبیه ساز سیگنال های ناوبری، سیگنال های جعلی را با توان بالا به سمت گیرنده هدف ارسال می کند. شناسایی این حمله به راحتی امکان پذیر است چرا که هیچ همزمانی بین سیگنال های جعلی و سیگنال های اصلی وجود ندارد. در حملات سطح متوسط، فریب دهنده سیگنال های جعلی را به صورت همزمان شده با سیگنال های اصلی ارسال می کند. مسئله همزمانی موجب می شود که امکان شناسایی این حمله کاهش یابد.
در حملات سطح پیچیده، حمله شامل شبکه ای از فریب دهنده ها میگردد. این عمل سبب می شود هم محتویات سیگنال های ناوبری دوباره ارسال شوند و هم اینکه حمله توزیع فضایی داشته باشد و از طریق آنتن های چندگانه قابل شناسایی نباشد. از آنجایی که تا کنون حملات سطح متوسط، عملکرد موفقی داشته اند، امروزه اکثر تحقیقات در حوزه این دسته از حملات بوده و توجه کمتری به حملات پیچیده می شود. شکل ۳ نمونه ای از نحوه اعمال فریب متوسط را به نمایش گذاشته است.

۱٫۳ آشکارسازی و مقابله با سیگنال فریب
متاسفانه به دلیل پیچیدگی نحوه ایجاد سیگنال فریب و هوشمند بودن آن، روش های خیلی زیادی برای مقابله با آن وجود ندارد و روشهای مقابله، به دو دسته روش های رمزنگاری و روش های غیررمزنگاری محدود می شوند.
روش های رمزنگاری تکیه بر کدهای امنیتی غیرقابل پیش بینی دارند که در سیگنال های ناوبری قرار داده می شوند. برای حمله به گیرنده های تجهیزشده با این روش ها، فریبنده یا باید بتواند کد
امنیتی را پیش بینی کند و یا اینکه سیگنال ها را ذخیره و دوباره ارسال نماید. سه روش ضد فریب مبتنی بر رمزنگاری وجود دارد: نخست، روش کد های امنیتی طیف گسترده( (SSSC  که در آن، کدهای امنیتی در میان کدهای L1C ارسال مای شوند. هنگام ردگیری کدهای L1C گیرنده میتواند زمان ارسال SSSC ، بعدی را پیش بینی کند، ولی نمی تواند دنباله و محتویات آن را پیش بینی نماید.
با دریافت یک SSSC گیرنده نمونه های پیش روی آن را در ، حافظه ذخیره می کند. بعد از مدتی کلید های رمزنگاری همراه با پیامهای ناوبری ارسال می شوند. گیرنده با دریافت کلید SSSC ، را رمزگشایی می کند و از آن و نمونه های ذخیره شده همبستگی میگیرد. اگر همبستگی از یک مقدار آستانه پایین تر باشد، یک حمله فریب را شناسایی می کند. روش دوم، روش اعتبارسنجی پیام های ناوبری NMA)) است که در این روش، از امضای دیجیتال بر روی پیام ناوبری غیرنظامی (CNAV) استفاده می شود. ساختار پیام های
CNAV قابل گسترش هستند. از این رو نیازی به تغییر شکل پیام ها نمی باشد.  روش سوم، همبستگی کد P(Y) گیرنده های دوگانه  میباشد که در آن، یک گیرنده در محل ایمنی قرار می گیرد و کدهای C/A  و L1  را دنبال مینماید.
این گیرنده از رابطه فاز و زمان بین کدهای C/A و  P(Y) استفاده می کند تا کدهای P(Y)  را ایزوله و نمونه های خام یا تخمینی از کدهای W رمزشده را روی یک شبکه ایمن ارسال نماید. گیرنده دوم که هدف، حفاظت از آن است، همبستگی P(Y) استخراج شده را با نمونه ها یا کدهای W دریافت شده از گیرنده اول محاسبه  می کند و اگر زیر یک آستانه مشخص باشد یک حمله فریب شناسایی میشود.
در روش های غیررمزنگاری، نه از کدهای امنیتی و نه از یک ارتباط جانبی استفاده می شود. این روش ها عموماً تکیه بر مشاهده تغییرات ویژگی های مختلف سیگنال دریافتی دارند. برخی از روش های غیررمزنگاری بر اساس به کارگیری دو یا چند آنتن بنا نهاده شده اند.
به کارگیری آنتن های متعدد، هزینه های سیستم را افزایش میدهد. از این رو روش هایی که تکیه بر یک آنتن دارند، بیشتر مورد توجه قرار می گیرند. به طور کلی اجرای یک یا چند مورد از اقدامات زیر برای آشکارسازی سیگنال های GPS مشکوک به حمله فریب ، لازم است :

مشاهده توان سیگنال GPS: این اقدام شامل مشاهده و ثبت مقدار متوسط توان سیگنال می باشد. مقدار مشاهده شده با مقدار مورد انتظار مقایسه می شود. اگر مقدار اندازه گیری در سیگنال مشاهده شده از حد آستانه ای از پیش تعیین شده تجاوز کند، زنگ خطری از فریب برای کاربر به صدا در می آید.
مشاهده تغییرات توان سیگنال GPS: در این اقدام، مقدار توان سیگنال دریافتی گیرنده، در هر زمان اندازه گیری و ثبت شده و با مقدار ثبت شده در زمان قبل مقایسه می شود. تغییرات زیاد در این اندازه ها می تواند نشان دهنده وجود فریب باشد. بدین ترتیب به کاربر هشداری در رابطه با احتمال وقوع فریب داده میشود.
مشاهده تغییرات شبه فاصله : در گیرنده های GPS ، شبه فاصله برای مکان یابی به کار می رود، هرگونه تغییرات بزر و پیش بینی نشده در اندازه آن میتواند دلیل بر وجود فریب باشد.
ثبت اختلاف زمانی: گیرنده های GPS ساعت های نسبتا دقیقی دارند. با استفاده از اطلاعات زمانی میتوان از صحت سیگنال های دریافتی اطلاع پیدا کرد. در صورت وجود اختلاف زمانی زیاد بین ساعت گیرنده و ساعت ماهواره، می توان احتمال وجود فریب را داد، اما این مسئله باید با دقت بیشتر بررسی گردد
مشاهده کدهای شناسایی ماهوار ه و تعداد سیگنال ماهوارههای دریافتی: مشاهده هرگونه اختلاف در کد ماهواره ها یا مشاهده ماهواره مشکوک می تواند دلیل بر وجود فریب باشد.روش های اشاره شده در بالا به همراه روش های دیگر غیررمزنگاری و همچنین روش های رمزنگاری برای آشکارسازی و مقابله با فریب به کار می روند. اما انتخاب روش مناسب بستگی به زمان در اختیار، مقدار هزینه قابل قبول، حجم پردازش قابل قبول و البته داده های در دسترس برای پردازش، دارد. این مقاله تغییرات شبه فاصله را به عنوان شاخص وجود فریب برمی گزیند و از ابزارهای فیلتر کالمن و شبکه عصبی بازگشتی برای آشکارسازی فریب به کمک این شاخص و جبران اثر فریب بر شبه فاصله، بهره میگیرد.
۴٫    فیلتر کالمن
یکی از شناخته شده ترین و پرکاربردترین ابزارهای ریاضی موجود، که می توان از آن در تخمین و محاسبه فرآیندهای اتفاقی در اندازه گیری های محیط های نویزی استفاده کرد، ابزاری است که تحت عنوان فیلتر کالمن شناخته می شود. نام فیلتر کالمن پس از آن که رادولف کالمن مقاله مشهور خود، که یک راه حل بازگشتی برای مسئله فیلترینگ خطی داده های گسسته بود را منتشر کرد، بر این ابزار نهاده شد. فیلتر کالمن مجموعه ای از معادلات و روابط ریاضی است که به عنوان یک تخمین گر بهینه با خاصیت پیش بینی و تصحیح عمل می کند و این عمل با کمینه کردن کوواریانس خطا انجام می شود. از مازیت هاای این فیلتر، آن است که محاسبه را برای حالت های مختلف زمانی اعم از گذشته، حال و آینده امکان پذیر می سازد. در فیلتر کالمن معادلات حالت سیستم و مقادیر اندازه گیری در اختیار می باشند و از دو دساته معاادله باه نام
معادلات به هنگامسازی زمانی و به روزرساانی اندازه گیری استفاده می شود. شیوه کار فیلتر کالمن در شکل ۵ آمده است.  فیلتر کالمن یک فرآیند را با استفاده از بازخورد )فیدبک( کنترلی تخمین می زند. فیلتر، حالت فرآیند را در یک زمان پیش بینی و سپس بازخورد را به صورت یک اندازه گیری )از نوع نویز دار( دریافت می کند. معادلات به هنگام سازی زمانی را می توان به صورت معادلات پیش بینی کننده نیز در نظر گرفت. این درحالی است که معادلات به روزرسانی اندازه گیری به عنوان معادلات تصحیح گر در نظر گرفته
می شوند. مشخص است که الگوریتم تخمین نهایی، یک الگوریتم پیش بینی- تصحیح برای حل مسئله های عددی است و فیلترکالمن با استفاده از معادلات به هنگامسازی زمانی و به روزرسانی اندازه گیری، تخمینی بهینه از حالت بعدی به ما می دهد. بعد از هر بار بههنگام سازی زمان و اندازه گیری، فرآیند با استفاده از تخمین حالت پسین قبلی تکرار می شود. بازگشتی بودن، یکی از بهترین ویژگی های فیلتر کالمن است. این موضوع پیاده سازی عملی این فیلتر را بسیار امکان پذیرتر از پیاده سازی فیلتری که بر روی تمام داده ها به صورت مستقیم برای هر مرحله تخمین اجرا می شود، می گرداند. در این حالت، فیلتر کالمن به صورت بازگشتی تمام تخمین و پیش بینی کانونی را تنها با استفاده از اطلاعات حالات قبلی انجام می دهد.
۵٫     شبکه های عصبی بازگشتی
یک شبکه عصبی هوشمند شامل مجموعه ای از نرون ها )گره ها( است که به یک شکل خاص به هم متصل شده اند. هر گره، حاصل سیگنالهای رسیده به خود را به شکل وزن دار جمع می کند و یک وزن خروجی را به دیگر گره ها می برد. اتصال و جهت بین لایه های مختلف، نوع شبکه را مشخص می کند و در نتیجه، به روش آموزش مناسب اشاره می نماید. در میان معماری های موجود، می توان شبکه پرسپترون چندلایه (MLP) شبکه های مبتنی بر توابع پایه ای  شعاعی (RBF) و شبکه های بازگشتی را مثال زد .

شبکه MLP معمول ترین شبکه عصبی است که روش آموزش ساده و پیاده سازی مستقیمی نیز دارد. برای شبکه های  MLP سیگنال ها از لایه ورودی به سمت خروجی ها در یک جهت پخش میشوند. بنابراین عمل های حافظه ای یا شبکه های پویا را نمایش نمی دهد.
RBF شبکه را میتوان به عنوان یک شبکه مستقیم در نظر گرفت که از عمل های پایه ای در لایه های پنهان خود در مقایسه با فعال سازی Sigmoid در شبکه های معمولیMLP استفاده میکند.
هر گره خروجی وزن های جمع شده از همه نرون های پنهان را جمع میکند. بنابراین نرون های پنهان فقط به شکل غیرخطی ورودی ها را از فضای ورودی به یک فضای جدید با یک پارامتر ثابت تبدیل، نگاشت می دهند. شبکه های عصبی بازگشتی )مطابق شکل۶ (، دارای یک یا چند فیدبک از یک لایه مشخص هستند و برخلاف شبکه های MLP معمولی، می توانند الگوهای موقتی را به خاطر عمل حافظه ای متن ورودی ها تشخیص دهند. از این رو برای حل مسئله پیش بینی مناسب می باشند. روش انتخاب ورودی ها و تابع های هدف در این شبکه ها، بر سرعت پاس دهی شبکه، تاثیر چشم گیری دارد و به صورت کاملا دلخواه وابسته به اولویتبندی )دقت یا سرعت( می باشد. با توجه به ویژگی های فوق، در این مقاله، شبکه عصبی بازگشتی برای حل مسئله پیش بینی و به منظور آشکارسازی و جبران سیگنال فریب به کار گرفته شده است .

۶٫    الگوریتمهای آشکارسازی و جبران فریب
در بحث مقابله با سیگنال فریب، ابتدا باید وجود فریب را آشکار کنیم و در مرحله بعد در صورت وجود فریب، آن را جبران نماییم. در این مقاله با استفاده از ابزارهایی به نام های فیلتر کالمن و شبکه عصبی بازگشتی که در بخش های قبل به تفصیل به آن پرداخته شد،  میخواهیم روشی برای آشکارسازی و جبران سیگنال فریب ارائه نماییم. روش های پیشنهادی بر پایه بهره گیری از داده های شبه فاصله یک سیستم مبتنی بر GPS تفاضلی بنا نهاده شده اند.
ایستگاههای GPS تفاضلی برای افزایش دقت و کاهش خطای گیرنده ها به وجود آمده اند.   ایستگاه های GPS تفاضلی با فرستادن سیگنال تصحیح، به افزایش دقت گیرنده کمک می کنند. اگرGPS تفاضلی مورد حمله سیگنال فریب قرار بگیرد، کیفیت سیگنال تصحیح کاهش پیدا خواهد کرد. از آنجایی که مکان ایستگاه های GPS تفاضلی شناخته شده و ثابت می باشند، معمولاً گیرنده های محدوده تحت پوشش آن ها مورد حمله های فریب قرار می گیرند. در این مقاله فرض بر این است که یک گیرنده مبتنی بر GPS
تفاضلی مورد حمله فریب قرار گرفته است.
اساس کار این مقاله بر مقایسه مقدار شبه فاصله اندازه گیری شده و اطلاعات محاسبه شده GPS تفاضلی است که به عنوان ورودی ابزار پیشبینی )فیلتر کالمن یا شبکه عصبی بازگشتی( عمل می کند. در این مرحله، وظیفه ابزار پیش بینی، آشکارسازی وجود فریب است. در صورتی که وجود فریب تشخیص داده شود در مرحله جبران سازی، شبه فاصله جبران شده محاسبه خواهد شد. در شکل ۷ شمایی کلی از الگوریتم پیشنهادی، قابل مشاهده است.

در مرحله آشکارسازی، با شبه فاصله و مفاهیم مربوط به آن سروکار داریم. بنابراین ابتدا نگاهی به روابط این حوزه می اندازیم و سپس نحوه بهره برداری از این روابط را برای آشکارسازی وجود فریب، شرح میدهیم. شبه فاصله در حالت کلی مطابق رابطه ۱ بیان میشود.
ρ k = r (k) + cB (k) + I( k) + T (k) + w( k)                                                                                                                   (۱)

که در این رابطه ، r (k) مبین فاصله بین ماهواره تا گیرنده  B (k) مبین خطای ساعت گیرنده ، c مبین سرعت نور ، I( k) مبین تاخیر خطای یونیسفر T (k) مبین خطای تروبسفر می باشند. w( k)نیز بیانگر نویز اندازه گیری گیرنده و از نوع نویز سفید گاؤسی است. نرخ تغییرات شبه فاصله را می توان با استفاده از مقایسه شبه فاصله در دو بازه زمانی متوالی به دست آورد:
δρ k = ρ k − ρ k – ۱                                                                                                                                              (۲)
ρδ k = δr (k) + δcB( k) + δI( k) + δT (k) + δw(k)                                                                                                  (۳)

اگر سیگنال GPS مورد فریب قرار گیرد ، در مقدار شبه فاصله، تغییر ایجاد می شود. این تغییر در نرخ تغییرات شبه فاصله اثر میگذارد. اگر فواصل زمانی بین اندازه گیری ها به اندازه کافی کم باشد، خطاهای یونسفری، تروپسفری و ساعت گیرنده قابل چشم   پوشی هستند. از آنجایی که ایستگاه GPS تفاضلی، اطلاعات درست مکانی ایستگاه و مدار ماهواره را در اختیار دارد، می تواند فاصله بین ماهواره و گیرنده را محاسبه کند. اکنون شاخص z(k) را مطابق رابطه (۴) تعریف می کنیم :
z (k) ≅ δρ (k) – δr( k)                                                                                                                                         (۴)

z (k)  = δρ k − (|Rs k − Ru(k) | − |Rs (k – ۱)                                                                                                        (۵)

− Ru (k − ۱) |)

که در آن Rs مبین بردار مکان ماهواره ، Ru  مبین بردار مکان گیرنده است. در حالت عدم حضور فریب، با چرخش ماهواره به دور محور زمین، مقدار شبه فاصله و بردار مکان ماهواره تغییر می کند. اگر مکان گیرنده را در محل ایستگاه و آن را ثابت فرض کنیم، مقدار z (k)   تقریبا نزدیک صفر خواهد شد. حال اگر به سیستم، سیگنال فریب اعمال شود، این نظم در سیستم از بین می رود و مقدار z (k)   مخالف صفر می گردد. در این مقاله از این ایده و روند برای تشخیص زمان اعمال سیگنال فریب و مقدار آن استفاده می کنیم؛ به این ترتیب که z (k) را به عنوان ورودی شبکه عصبی در نظر می گیریم. بعد از تعلیم این شبکه و با توجه به اینکه از این شبکه برای پیش بینی حالت بعد استفاده می کنیم، مقدار z(k) پیش بینی شده در خروجی شبکه عصبی ظاهر می شود. حال کافیست با تعیین یک مقداری خاص برای z(k) که آن را حد آستانه می نامیم، زمان وقوع و  مقدار سیگنال فریب را تعیین نماییم.
اما برای فیلتر کالمن، معادلات حالت و اندازه گیری را با فرض اینکه حرکت کاربر حرکت شتابدار با شتاب ثابت باشد، مینویسیم:

در روابط فوق Xk مبین بردار حالت فرآیند وA مبین ماتریس ، انتقال حالت است که از نوشتن معادلات حرکت شتابدار ثابت به دست می آید. Δ مبین فاصله زمانی بین دو اندازه گیری است.Wk و Vk  نیز به ترتیب مبین بردارهای نویز حالت و نویز اندازه گیری بوده و H  مبین ماتریس ارتباط ایده آل بین بردار اندازه گیری و حالت معادل،[۱ ۰  ۰]  می باشد. حال با داشتن معادلات حالت و اندازه گیری میتوانیم حلقه کالمن را تشکیل دهیم و یک پارامتر جدید به عنوان خروجی برای آشکارسازی فریب تعریف نماییم. این پارامتر را که باقیمانده شبه فاصله می نامیم به صورت رابطه۸۵ ) تعریف می کنیم:

تغییرات شبه فاصله ناشی از حرکت ماهواره ها در v باقی می ماند.و از این رو می توان یک حد آستانه آشکارسازی فریب تعیین کرد. این حد آستانه ب صورت تجربی به دست می آید. اگر مقدار vاز حد آستانه
بیشتر باشد نشان می دهد که فریب وجود دارد.
پس از انجام مرحله آشکارسازی اگر به وجود فریب پی برده شود باید جبران سازی صورت پذیرد. همان طور که مشاهده شد، اگر گیرندهای تحت حمله فریب قرار گیرد، نرخ تغییرات شبه فاصله اش افزایش می یابد. این نرخ تغییرات می تواند با استفاده از اختلاف بین مقدار اندازه گیریشده و مقدار پیش بینی شده در فیلتر کالمن یا شبکه عصبی جبران گردد. در واقع این اختلاف همان اثری است که سیگنال فریب بر سیستم گذاشته است و برابر است با:

که در آن α ،ضریبی است که به صورت تجربی به دست آمده است. این ضریب متناسب با خطای شبه فاصله، تغییر می کند. از آنجایی که فیلتر کالمن و شبکه عصبی بازگشتی نمی توانند تغییرات زیاد )به ویژه در مدت زمان طولانی( را دنبال کنند، در الگوریتم های پیشنهادی برای حذف و کاهش اثر فریب، قبل از اعمال الگوریتم، این ضریب تضعیف را درنظر گرفتیم تا به کمک فیلتر کالمن و شبکه عصبی آمده و به کاهش اثر فریب بپردازد.

۷٫    نتایج شبیه سازی
جمع آوری داده های مورد نیاز برای شبیه سازی به وسیله یک گیرنده تکفرکانسه GPS و یک گیرنده GPS برنامه محور، انجام شد.
داده های استخراج شده، شامل اندازه گیری شبه فاصله، فاز حامل و مکان دوازده ماهواره می باشند. فریب نیز به صورت هوشمند برای مثال به داده های ۵۰۰ تا ۹۰۰ اعمال گردید. همان طور که قبلاً ذکر شد، فریب نوع متوسط با ایجاد تأخیر در سیگنال دریافتی گیرنده ایجاد می شود. اثر این تأخیر در ماهواره های شناسایی شده در بخش رهیابی )مطابق شکل ۵( و نیز در مقادیر شبه فاصله ظاهر می شود. همان طور که در شکل ۵ مشاهده می شود، پس از اعمال فریب، سه ماهواره معتبر کنار رفته و یک ماهواره نامعتبر افزوده شده است. نحوه اعمال فریب، به این صورت بود که ابتدا یک مقدار معین به شبه فاصله اولین داده هدف، افزوده شد و سپس این مقدار، متناسب با تغییرات شبه فاصله افزایش و یا کاهش یافت. در روشی دیگر می
توان به جای افزایش پلهای مقدار شبه فاصله اولین داده هدف، افزایش تدریجی شبه فاصله را جایگزین نمود.
پس از شبیه سازی الگوریتم های پیشنهادی، مشاهده شد که این الگوریتم ها علاوه بر اینکه بلادرنگ عمل میکنند )با توجه به بهروز رسانی داده های دریافتی در هر یک ثانیه(، در فاز آشکارسازی نیز کاملاً موفق عمل می نمایند. بر اساس توضیحات داده شده در بخش قبل، در این مرحله از رابطه ۸ بهره گرفته شد و نمودار مقدار v بر حسب زمان ترسیم گردید که این نمودار در شکل ۹ آمده است. از روی شکل ۹ میتوان دریافت که در فاصله بین داده های ۵۰۰ تا ۹۰۰، یعنی زمان اعمال فریب، نمودار دارای آشفتگی بیشتری
میباشد که آشکار کننده وجود فریب است. لازم به ذکر است که به دلیل تشابه نتایج این بخش برای هر دو روش پیشنهادی، به نمایش یک نمودار اکتفا شده است.

دلیل تشابه نتایج این بخش برای هر دو روش پیشنهادی، به نمایش یک نمودار اکتفا شده است. برای بررسی اثربخشی الگوریتم های جبران سازی، مقدار موثر خطای شبهفاصله به عنوان معیار ارزیابی ، قبل و بعد از جبران سازی محاسبه شد. نتایج نشان میدهند که الگوریتم مبتنی بر فیلتر کالمن توانسته اثر فریب را به میزان ۴۵ درصد جبران نماید. شکل های ۱۰،۱۱،۱۲ به ترتیب شبه فاصله بدون فریب، شبه فاصله ، های
فریب داده شده و شبه فاصله جبران شده را بر حسب زمان و با حفظ رابطه زمانی نشان میدهند. همانطور که در شکل ۱۰ مشاهده می  شود، برای حالتی که فریبی اعمال نشده است، در نمودار تغییرات شبه فاصله بر حسب زمان، هیچ گونه شکستگی و یا پرشی وجود ندارد؛ در حالی که مطابق با شکل ۱۱ ، برای حالتی که فریب اعمال شده است، نمودار تغییرات شبه فاصله بر حسب زمان، یک جهش پل های در لحظه اعمال فریب را به نمایش میگذارد. نتایج حاصل از اعمال الگوریتم مبتنی بر شبکه عصبی بر روی سیگانال فاریب خاورده، حااکی از جبران ۶۵ درصدی اثر فریب میباشد. بنابراین، روش دوم نسبت به روش نخست، کارایی نسبتا بهتری در فاز جبران سازی از خود نشان می دهد. اندازه گیری های شبه فاصله برای حالات عادی، فریب دادهشده و جبران شده برای الگوریتم مبتنی بر شبکه عصبی در شکل ۱۳ قابل مشاهده می باشد.
همانطور که از نتایج شبیه سازی برمی آید ویژگی الگوریتم های ارائه شده در این مقاله این است که مستقل از شناسایی یا عدم شناسایی فریب در بخش های رهیابی و ردیابی گیرنده، صرفاً با کمک داده های شبه فاصله به آشکارسازی و جبران فریب میپردازد.

۸٫    نتیجه گیری
در این مقاله ابتدا مسئله فریب و روش های مقابله با آن شرح داده شد. سپس فیلتر کالمن و شبکه عصبی بازگشتی به عنوان دو ابزار کارا برای حل مسائل پیش بینی مورد بررسی قرار گرفتند. از آنجایی که این ابزارها در عین سادگی، کارایی قابل قبولی در حل مسئله پیش بینی دارند، برای استفاده در الگوریتم مقابله با فریب، مورد توجه قرار داده شدند. الگوریتم های پیشنهادی این مقاله، علاوه بر داشتن قابلیت به کارگیری هم زمان برای چندین ماهواره، میتوانند در تولید کد تصحیح ایستگاه های GPS تفاضلی نیز به کار روند. این الگوریتم ها که از اطلاعات شبه فاصله برای آشکارسازی و جبران استفاده می کنند، دارای سرعت پاس دهی بالایی بوده و با توجه به به روزرسانی داده ها در هر یک ثانیه، به صورت بلادرنگ عمل مینمایند. هم چنین الگوریتم های پیشنهادی، قابل پیاده سازی روی پردازنده های ارزان قیمت می باشند. نتایج شبیه سازی اعمال این الگوریتم ها به داده های واقعی، نشان دهنده موفقیت کامل آن ها در آشکارسازی فریب و قابلیت جبران ۴۵ درصدی و ۶۵ درصدی اثر فریب، به ترتیب برای روش های مبتنی بر فیلتر کالمن و شبکه
عصبی هستند.

نویسندگان:
سید محمدرضا موسوی *، محمدجواد رضائی ، نیما حسینزاده ، سید رامینعلی کیاامیری

0/5 (0 Reviews)
0/5 (0 Reviews)

بازدیدها: 850

لینک کوتاه این مطلب برای انتشار: https://iranradyab.com/leE1s

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد.