【技术实现步骤摘要】
本专利技术涉及船舶欺骗源检测的，尤其是涉及一种基于船舶ais数据的广域gnss欺骗检测方法。
技术介绍
1、目前越来越多的行业领域表现出对全球导航卫星系统(gnss)的高度依赖性，比如江河海洋上行驶的船舶，同时gnss的安全性也成为人们日益关注的问题。gnss的最大威胁之一来自非法的欺骗源，它通过伪造gnss信号，使受干扰的接收机误认为是真实的卫星信号，解算出错误的位置、速度或时间信息。当gnss欺骗源发生在广阔海域时，受干扰船舶则更不易察觉。gnss欺骗源的隐蔽性与危害性给国际海域的航行和领海安全带来严峻挑战。如何通过海上态势感知对广域范围的欺骗源检测成为亟待解决的难题。
2、目前，调查海上gnss欺骗事件的起因通常是由于船员上报的船舶自动识别系统(automatic identification system，ais)异常。ais是一种自动追踪系统，安装在船舶上，用于与邻近船舶、ais岸台和卫星等交换电子数据。它提供了船舶的实时位置、航行状态等信息，并有助于减少船舶碰撞的风险，提高航行安全性。然而，ais的正常运行依赖于gnss接收，因此从ais的时空大数据中提取、检测和分析gnss欺骗源信息变得至关重要。总的来说，gnss欺骗事件对于航运安全构成了重大威胁，而ais数据的分析和监测成为应对这一威胁的重要手段。通过有效地从海量数据中提取、检测和分析gnss欺骗源信息，我们可以更好地理解和对抗这一威胁，提高航运的安全性。
3、基于ais的时空数据进行海上船舶运动行为的研究，主要方向是轨迹异常行为检测与船
4、轨迹异常分析方法主要采用机器学习技术，包括神经网络和聚类，这些方法将单个船只视为跟踪监测对象，关注特定区域内的轨迹偏差作为异常特征，并通常需要大量的正常和异常标签数据进行底层模型训练。然而，在进行广域的gnss欺骗源监测时，这些共性可能引发一系列实际应用问题。例如，受gnss欺骗影响的船舶表现出轨迹异常，但并非所有轨迹异常都是由gnss欺骗源引起的，因此可能导致gnss欺骗检测的虚警率很高。此外，针对单艘船只的轨迹监测在广域检测中的计算效率可能无法满足需求。由于现实中异常船舶数据稀缺，且人工标记工作量大，通过监督训练模型变得困难。最后，针对特定区域的检测方法需要重新训练才能应用于其他区域。
5、综上，现有的船舶ais数据的广域gnss欺骗检测方法面对广域的检测效率低，需要人工标记数据，且无法适用于不同区域，模型训练的复杂度和成本高。
技术实现思路
1、本专利技术的目的就是为了降低海上欺骗源检测模型的复杂度和训练成本而提供的一种基于船舶ais数据的广域gnss欺骗检测方法。
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种基于船舶ais数据的广域gnss欺骗检测方法，方法包括：
4、s1、设置监测区域和监测时间窗口；
5、s2、对监测区域和监测时间窗口内的ais数据进行预处理和分组，得到多组ais数据，一组ais数据由一条船的时序多变量数据ship组成，第n条船舶的一组ais数据为：
6、shipn{[time1,lat1,lon1,speed1],……,[timem,latm,lonm,speedm]}
7、其中，m为第n条船舶的一组ais数据的历元，time表示时间戳，lat表示纬度，lon表示经度，speed表示航速；
8、所述分组的规则为：不同的船舶的ais数据分为不同的组，同一船舶的数据基于更新时间间隔分为不同的组；
9、s3、对监测区域栅格化为网格，将s2中得到的多组ais数据中的纬度和经度转化为网格的序号，对于由m个历元，也就是由m条同一船舶的时序多变量数据的组成的每组ais数据，对每组ais数据中纬度对应的北向距离、经度对应的东向距离和航速进行差分，并进行降维编码，获得实际小尺度特征序列，对小尺度特征序列最大值采样获得实际大尺度特征序列；
10、s4、设置基于多维卷积结构的变分自编码器-解码器网络，分别将不存在欺骗的小尺度特征序列和不存在欺骗的大尺度特征序列输入两个变分自编码器-解码器网络，训练得到小尺度欺骗检测模型和大尺度欺骗检测模型；
11、s5、将实际大尺度特征序列输入大尺度欺骗检测模型，大尺度欺骗检测模型输出大尺度检测结果，若检测结果中不存在异常标签，则执行s7，反之，执行s6；
12、s6、将异常标签对应的实际小尺度特征序列输入小尺度欺骗检测模型，小尺度欺骗检测模型输出小尺度检测结果，若小尺度检测结果中不存在异常标签，则执行s7，反之，记录对应的坐标，该坐标对应的船只，以及欺骗源干扰范围，然后执行s7；
13、s7、更新监测区域和监测时间窗口，返回s2。
14、进一步地，s3的具体步骤为：
15、对zkm x zkm的监测区域栅格化为yxy的网格，将多组ais数据中的纬度lat和经度lon转化为网格的北向序号numn和东向序号nume，因此一组ais数据转化为：
16、{[time1,numn1,nume1,speed1],……,[timem,numnm,numem,speedm]}
17、对于一组ais数据的第m个历元，计算纬度对应的北向距离、经度对应的东向距离和航速的差分，将差分的结果填充至m-1历元所处网格内，重复上述步骤直至遍历ais数据中所有历元，再次重复上述步骤直至遍历所有组的ais数据；
18、通过加和平均的方式进行降维处理，对于网格内没有填充的部分进行填充；
19、基于填充完的网格获取3维特征数据，所述3维特征数据为实际小尺度特征序列；
20、将网格划分为单元，对每个单元内的3维特征数据取最大值，整合所有单元内的最大值得到实际大尺度特征序列。
21、进一步地差分的结果具体包括北向距离的差分结果、东向距离的差分结果和航速的差分结果，其中：
22、第m-1个历元的北向距离的差分δnm-1具体为：分别计算第m个历元的北向距离与第m-1个历元和第m-2个历元的北向距离之差，并计算两差之和的平方，得到δnm-1；
23、第m-1个历元的东向距离的差分δem-1具体为：分别计算第m个历元的东向距离与第m-1个历元和第m-2个历元的东向距离之差，并计算两差之和的平方，得到δem-1；
24、第m-1个历元的航速的差分δsm-1具体为：分别计算第m个历元的航速与第m-1个历元和第m-2个历元的航速之差，并计算两差之和的平方，得到δsm-1。
25、进一步地，实际小尺度特征序列包括本文档来自技高网...
【技术保护点】
1.一种基于船舶AIS数据的广域GNSS欺骗检测方法，其特征在于，方法包括：
2.根据权利要求1所述的一种基于船舶AIS数据的广域GNSS欺骗检测方法，其特征在于，S3的具体步骤为：
3.根据权利要求2所述的一种基于船舶AIS数据的广域GNSS欺骗检测方法，其特征在于，差分的结果具体包括北向距离的差分结果、东向距离的差分结果和航速的差分结果，其中：
4.根据权利要求3所述的一种基于船舶AIS数据的广域GNSS欺骗检测方法，其特征在于，实际小尺度特征序列包括区域纬度特征、区域经度特征和区域航速特征，其中：
5.根据权利要求4所述的一种基于船舶AIS数据的广域GNSS欺骗检测方法，其特征在于，将网格划分为单元，对每个单元内的3维特征数据取最大值，整合所有单元内的最大值得到实际大尺度特征序列的具体步骤为：
6.根据权利要求1所述的一种基于船舶AIS数据的广域GNSS欺骗检测方法，其特征在于，小尺度欺骗检测模型和大尺度欺骗检测模型的训练过程为：
7.根据权利要求6所述的一种基于船舶AIS数据的广域GNSS欺骗检测方法
8.根据权利要求6所述的一种基于船舶AIS数据的广域GNSS欺骗检测方法，其特征在于，将实际大尺度特征序列输入大尺度欺骗检测模型，大尺度欺骗检测模型输出大尺度检测结果的具体步骤为：
9.根据权利要求1所述的一种基于船舶AIS数据的广域GNSS欺骗检测方法，其特征在于，同一船舶的数据基于更新时间间隔分为不同的组的具体步骤为：
10.根据权利要求1所述的一种基于船舶AIS数据的广域GNSS欺骗检测方法，其特征在于，预处理包括清洗和插值。
...【技术特征摘要】
1.一种基于船舶ais数据的广域gnss欺骗检测方法，其特征在于，方法包括：
2.根据权利要求1所述的一种基于船舶ais数据的广域gnss欺骗检测方法，其特征在于，s3的具体步骤为：
3.根据权利要求2所述的一种基于船舶ais数据的广域gnss欺骗检测方法，其特征在于，差分的结果具体包括北向距离的差分结果、东向距离的差分结果和航速的差分结果，其中：
4.根据权利要求3所述的一种基于船舶ais数据的广域gnss欺骗检测方法，其特征在于，实际小尺度特征序列包括区域纬度特征、区域经度特征和区域航速特征，其中：
5.根据权利要求4所述的一种基于船舶ais数据的广域gnss欺骗检测方法，其特征在于，将网格划分为单元，对每个单元内的3维特征数据取最大值，整合所有单元内的最大值得到实际大尺度特征序列的具体步骤为：
6.根据权利要求1所述的一种基于船舶ais数据的广域gnss欺骗检测方法，其...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。