基于随机森林的GNSS欺骗检测算法源码项目说明.zip

# GNSS 欺骗检测 主要的GNSS：GPS（全球性）、北斗（中国）、GLONASS（俄罗斯）、Galileo（欧盟） ## 数据集——comma2k19 - 包含来自u-blox和Qcom的实时和原始导航卫星系统数据 > - u-blox：一家瑞士公司，专注于提供全球定位系统（GPS）和无线通信技术解决方案。 > - Qcom：高通，一家美国的半导体和通信技术公司。产品和技术被广泛应用于物联网、汽车技术领域 - 数据构成： - 维度 - 经度 - 速度 - utc时间戳 - 高度 - 方位角数据 - 数据处理： - 插值处理：在GNSS的两个最近观测值之间对CAN和IMU（惯性测量单元，用于测量和跟踪物体的加速度、角速度和方向）进行插值 - 去除数据重复值 - 将GNSS IMU CAN的不同数据合并 - 选择输入特征： - GNSS的维度、经度 - CAN的速度 - 转向角度数据 - IMU的前进加速度 - 预测值——下一时刻与当前时刻的距离 - 若距离误差超过阈值，则遭遇GNSS欺骗攻击 ## 随机森林模型 - 数据集的随机采样：有放回抽样，得到多个不同的训练子集 - 特征的随机选择：对每个训练子集，随机选择一部分特征作为决策树的候选特征 - 构建决策树： - 使用选定的 特征 和 训练子集 来构造 多个决策树模型 - 采用递归分割，根据特征的值进行划分，使得同一类别的样本最多 - 整合预测结果： - 本实验是回归问题——平均多个决策树的预测值，得到最终结果 - > 分类问题——通过投票的方式，选择多数决策树预测的类别作为最终结果 ##### 优点 - 减少了过拟合的风险 ## LSTM模型（长短期记忆网络） - 一种循环神经网络（RNN）的变体，用于处理序列数据 - 引入门控机制和记忆单元，克服传统RNN中的梯度消失和梯度爆炸 - 组成部分： - 记忆单元 - 负责存储和更新信息； - 通过一个内部状态保持信息流动，并在每个时间步长中更新状态 - 输入门 - 根据当前输入和先前的状态 计算一个介于0和1之间的值 - 决定是都将当前输入信息添加到记忆单元中 - 遗忘门 - 根据当前输入和先前的状态 计算一个介于0和1之间的值 - 决定是否从记忆单元中删除某些信息 - 输出门 - 根据当前输入和先前的状态 计算一个介于0和1之间的值 - 决定是否从记忆单元中输出信息 - 优化模型参数的方法：反向传播算法和梯度下降 - 可以根据给定的状态序列预测下一个状态 ## 模型组合 - 将随机森林和LSTM进行线性加权组合： - $Y=w_1 * X_1+(1-w_1)*X_2+\lambda/2n * \sum ^n _{i=0}w^2$ - 此处将权重w1初始化为0.5，训练步长初始化为0.05 - $\lambda$为损失因子，n为输入数据集的总数 ##### 评估性能指标——RMSE均方根误差 MSE：计算每个样本预测值与真实值的 差值的平方--> 求平均数（ ÷ 样本总数） RMSE：对MSE开根号 - 对异常值敏感，如果数据中存在离群点或异常值，平方操作会放大异常值的影响 ## 实验结果 ##### 模型RMSE均值对比 | RF | LSTM | 模型组合 | | ------ | ------ | -------- | | 0.1922 | 0.1958 | 0.178 | ##### 损失函数——MAE平均绝对误差 将单模型与组合模型在相同的测试集上进行测试并绘制图像，用 真实距离和 预测距离之间的差值来衡量预测准确性 <img src="./image/comparison.png" alt="image-20230530005726259" style="zoom: 80%;" />