Väitös tietoliikenne- ja tietoverkkotekniikan alalta, M.Sc. Yongchao Dang

Väitöskirjan nimi: Machine Learning based GNSS Spoofing Detection and Mitigation for Cellular-Connected UAVs

Tohtoriopiskelija: Yongchao Dang
Vastaväittäjä: Prof. Petri Välisuo, Vaasan yliopisto
Kustos: Prof. Riku Jäntti, Aalto-yliopiston sähkötekniikan korkeakoulu, informaatio- ja tietoliikennetekniikan laitos

Langattomasti yhdistetyt miehittämättömät lentokonetietojärjestelmät (UAV) nähdään osana tulevia 5G-ja sen jälkeisiä matkapuhelinverkkoja tarjoamalla toimitussovelluksia ja hätäviestintää. Matkapuhelinverkon ja globaalin satelliittinavigointijärjestelmän (GNSS) avulla langattomasti yhdistetyt UAV:t voidaan helposti ottaa käyttöön syrjäisillä tai tiheillä alueilla tarpeen mukaan. Kuitenkin siviili-GNSS-palvelu on salakirjoittamaton ja altis huijausiskuille, mikä uhkaa langattomasti ohjattujen UAV:iden turvallisuutta. Siksi 3. sukupolven kumppanuusprojekti (3GPP) on aloittanut joukon tekniikoita ja tukia, jotka mahdollistavat matkapuhelinverkkojen seuraamisen ja tunnistamisen UAV:iden tehostamiseksi matalan korkeuden ilmatilan turvallisuutta. 

Tässä väitöskirjassa tutkimme koneoppimismenetelmien ja 3GPP-strategioiden hyödyntämistä, jotta voidaan tehokkaasti tunnistaa ja vastustaa GNSS-huijauksia, erityisesti GPS-muokkausta. Väitöskirjassa tutkitaan syvien neuroverkkojen ja graafisten neuroverkkojen suunnittelua GPS-huijausten havaitsemiseksi langattomasti yhdistetyille UAV:ille tai UAV-parville sekä 3D-radiohakemiston ja hiukkassuodattimen integrointia UAV:iden sijaintien palauttamiseksi ja GPS-huijauksen lieventämiseksi. 

Ehdotettuja neuroverkkoja voitaisiin ottaa käyttöön 5G-tuetun miehittämättömän ilmajärjestelmän (UAS) kehyksessä GPS-huijausten havaitsemiseksi ja lieventämiseksi. Kokeelliset tulokset viittaavat siihen, että konvoluutioneuroverkot (CNN) ovat suositeltavia huijausten havaitsemiseksi, koska ne voivat tehokkaasti paljastaa keskeiset huijausmallit käsittelemällä aikarakenteen ja tilallisen rakenteen tietoja. Lisäksi graafinen neuroverkko (GNN) voi valvoa UAV-parvia ja havaita GPS-huijaukset sekunnin sisällä. Lisäksi yhdistettynä 3D-radiohakemistoon ja hiukkassuodattimeen se mahdollistaa UAV:ien sijaintien tarkan palauttamisen huijaustapahtumien jälkeen. Näin ollen ehdotetut koneoppimismenetelmät voivat havaita ja lieventää GNSS-huijauksia langattomasti yhdistetyille UAV:ille, varmistaen siten langattomasti yhdistettyjen UAV-toimintojen luotettavuuden ja turvallisuuden.

Linkki väitöskirjan sähköiseen esittelykappaleeseen (esillä 10 päivää ennen väitöstä): https://aaltodoc.aalto.fi/doc_public/eonly/riiputus/

Yhteystiedot:

Katso myös:

Sähkötekniikan korkeakoulun väitöskirjat: https://aaltodoc.aalto.fi/handle/123456789/53