Detection and Mitigation of GNSS Spoofing Attacks in Maritime Environments Using a Genetic Algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Due to the high reliance of daily activities on the Global Navigation Satellite System (GNSS), its security is one of the major concerns for research and industry. Most navigation and mobile-driven location-based services use GNSS to render services. Due to the low power and easy access of GNSS signals, these signals are vulnerable to spoofing and other types of attacks. Recently many GNSS spoofing attacks have been identified in road- and maritime-based environments. This study provides a technique to detect and counter the GNSS spoofing attack in the maritime environment. This technique uses the Receiver Autonomous Integrity Monitoring (RAIM) model with Least Square Estimation (LSE) and Proportional Integral Derivative (PID) Control to detect the spoofing attack. The proposed technique is based on the concept of a genetic algorithm and navigation devices, such as inertial sensors and pilot options for the ship. A case study using the AIS dataset and simulation using MATLAB and NS3 is provided to validate the performance of the proposed approach. Nine different voyages from the AIS dataset were considered to check the accuracy and performance of the proposed algorithm. The accuracy of the proposed technique was analyzed using the correctly identified attack. The result shows that the proposed technique identifies spoofing attacks with an average value of 90 percent. For result analysis the considered nine routes were traversed multiple times. Root mean square error is used to calculate the positional mismatch (error rate). Based on the combined results analysis, the average value of RMSE is 0.28. In a best-case scenario, the proposed approach provides an RMSE value of 0.009.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle