Une étude intitulée « Detecting GNSS Spoofing using Deep Learning » par Parisa Borhani-Darian, Haoqing Li, Peng Wu & Pau Closas Show viens d’etre publiée.
Elle traite de la vulnérabilité des systèmes de navigation par satellite (GNSS) aux attaques de spoofing.
Les auteurs proposent un algorithme basé sur l’apprentissage profond pour détecter ces attaques, incluant un modèle de réseau neuronal pour la classification et un algorithme de regroupement pour estimer le nombre et les paramètres des signaux de spoofing.
Cette méthode s’avère plus performante que les solutions existantes, en particulier dans des ratios signal-bruit modérés à élevés.
Le document discute également de la structure et de l’entraînement des réseaux neuronaux, de la méthode de détection de signaux probabilistes, et des méthodes d’estimation du nombre de signaux de spoofing.
La méthode technique décrite dans le document se concentre sur la détection de spoofing des signaux GNSS à l’aide de l’apprentissage profond. Elle implique les étapes suivantes :
1. Signal et Modèles de Spoofing GNSS :
Le document explique les modèles de signaux GNSS et comment les signaux de spoofing affectent leur acquisition.
2. Détection de Spoofing Basée sur les Données :
L’algorithme propose une architecture de réseau neuronal profond (DNN) pour classifier les signaux GNSS comme légitimes ou spoofés. Cette classification est effectuée en utilisant des sous-images obtenues en glissant sur la grille de retard/Doppler.
3. Structure et Formation des Réseaux Neuronaux Profonds :
Le modèle utilise des réseaux neuronaux convolutionnels (CNN) pour traiter les images CAF (Cross Ambiguity Function) et apprend à identifier les signaux spoofés.
4. Détection de Signal Probabiliste et Estimation du Nombre de Signaux :
Le modèle intègre une approche probabiliste pour la détection des signaux et utilise une méthode de clustering basée sur le modèle de mélange gaussien (GMM) pour estimer le nombre de signaux de spoofing.
Le document démontre que cette approche améliore significativement la détection de spoofing en comparaison avec les méthodes traditionnelles, en particulier dans des situations avec un rapport signal sur bruit modéré à élevé.
L’étude en question :
https://lnkd.in/eM7QeQuK
Je profite de ces quelques lignes pour souligner à quel point le système horaire est vulnérable, étant grandement dépendant du GPS / GNSS.
Une attaque sur ce système aurait des répercussions critiques sur de nombreux domaines vitaux tels que les systèmes de santé, la finance, l’énergie, le transport et d’autres.
Nous avons exploré des solutions pour la synchronisation temporelle et je rappelle l’existence de ces solutions sécurisé pour la distribution du temps que nous avons étudiés et préconisons : https://www.gorgy-time.com
Ces alternatives offrent une fiabilité accrue pour la distribution du temps, essentielle à la stabilité de nombreux systèmes critiques.
Nouvelle Percée en Détection de Spoofing GNSS : L’Approche Révolutionnaire Basée sur l’Apprentissage Profond
