Leveraging orbital dynamics with RF signal features for satellite multi-orbit proximity threat detection
Notice bibliographique
Résumé
Proximity-based interference is a growing threat to satellite communications, driven by dense multi-orbit constellations and increasingly agile adversarial maneuvers. We propose a hybrid simulation framework that integrates orbital maneuver modeling with RF signal degradation analysis to detect and classify suspicious proximity operations. Using the open-source Maneuver Detection Data Generation (MaDDG) library from MIT Lincoln Laboratory, we generate labeled datasets combining impulsive maneuver profiles with radio-frequency (RF) impacts across a range of behavioral intents—routine station-keeping, covert shadowing, and overt jamming. Our approach fuses kinematic features such as range, velocity, acceleration, and Time of Closest Approach (TCA), with RF metrics including Received Signal Strength Indicator (RSSI), throughput, and Jammer-to-Signal Ratio (JSR). These features are further enhanced with temporal derivatives and rolling-window statistics to capture subtle or transient interference patterns. A Random Forest classifier trained on this fused feature set achieves 94.67% accuracy and a macro F1 score of 0.9471, outperforming models using only kinematic or RF inputs. The system is particularly effective in detecting covert threats, such as surveillance or intermittent jamming, that evade RF-only methods.
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.
Comment cette classification a été obtenuedéplier
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».