How machine learning algorithms can mitigate the growing problems of spoofing and jamming affecting EGNSS

Several are the applications relying on Global Navigation Satellite Systems (GNSS), ranging from street navigation to safety related usages such as aircraft landing applications. As GNSS importance increases, its integrity is required to ensure reliable positioning starting by critical services. GNSS signals can be degraded in multiple ways, particularly jamming - GNSS signal disruption - and spoofing - counterfeit GNSS signal transmission. The purpose of the study is analysing Machine Learning (ML) solutions as detection mechanisms against spoofing. A modular procedure has been followed for the study. After an initial approach to freely available jamming and spoofing detection analysis to comprehend the two phenomena structure, JRC Ispra jamming dataset "Jammertest 2024" has been analysed by the creation of a MATLAB code to identify main monitoring parameters highlighting interferences. In second instance, the focus shifted to "TEXBAT" and "OAKBAT", open-source binary IQ files affected by spoofing. In this case via Python, the similarities with jamming were confirmed and the most suitable ML algorithms for spoofing detection were selected. The considered algorithms were selected following an analysis of the main ML models, their training approaches and suitability to spoofing detection applications. Particularly, analysed were: Decision Tree, Random Forest, Gradient Boosting Trees, XGBoost, Light GBM, CatBoost, AdaBoost, multiple K-Nearest Neighbours and Logistic Regression family algorithms variants, Multi-Layer Perceptron, Support Vector Machine, Naive Bayes and Linear Discriminant Analysis (LDA). At last, the spoofing simulated dataset provided by JRC Ispra was analysed via MATLAB and Python. Particularly, an ad-hoc Python code was written implementing the ML models for spoofing detection and performance metrics for its evaluation. From the spoofing detection analysis, most promising performances were demonstrated by the Light Gradient Boosting Machine (Light GBM). The algorithm is a variant of the classical Gradient Boosting model, improving memory usage and training speed. Compared to its traditional variant, it has an innovative tree-based structure in which the elements are denominated histograms. The predictive accuracy is above 99.9\% per each satellite in view, sustaining in this way its optimality for spoofing detection purposes. In the latter part of the thesis, weak points and improving lines for the model are defined. Spoofing is an increasing problem in today's society, in particular for war purposes. Avoiding spoofing is not always possible. However, its early detection can surely mitigate the danger caused by its threats. ML is versatile in many applications, and in particular Light GBM guarantees high accuracy detection against interference.

Nella società odierna, sempre più servizi si basano sull'utilizzo dei sistemi di navigatione satellitare. I suoi utlizzi spaziano dalla navigazione su strada, fino ad applicazioni relative alla sicurezza quali sistemi di atterraggio per aeromobili. A questo scopo, l'integrità dei servizi deve essere mantenuta a livelli elevati in maniera tale da garantire un corretto posizionamento a partire da servizi di natura critica. Diversi fenomeni possono interferire con la corretta funzionalità dei sistemi satellitari, ma in particolare, tra i più dannosi riconosciamo jamming - atto alla totale distruzione del segnale trasmesso - e spoofing - dedito all'invio di falsi segnali satellitari. Il corrente studio ha lo scopo di analizzare e confermare le capacità di rilevare attacchi spoofing tramite algoritmi di Machine Learning (ML). Un processo modulare è stato seguito per lo studio. In prima istanza, la struttura di attacchi jamming e spoofing è stata analizzata mediante l'accesso a ricerche disponibili online. A seguire, i dati jamming di "Jammertest 2024", provvisti da JRC Ispra, sono stati analizzati mediante codice MATLAB allo scopo di identificare i principali parametri per il monitoraggio dell'interferenza. Successivamente, l'attenzione si è spostata sui set di dati spoofing "TEXBAT" e "OAKBAT", file binari IQ accessibili online. In questo caso i set di dati sono stati analizzati mediante uno script Python in modo da confermare somiglianze con jamming e per selezionare gli algoritmi ML più adatti ai fini del rilevamento spoofing. Gli algoritmi considerati ai fini della ricerca sono stati selezionati a seguito di un'analisi sui principali modelli ML, del loro processo di addestramento e della loro idoneità in applicazioni di rilevamento spoofing. In particolare, i modelli ML analizzati sono: Decision Tree, Random Forest, Gradient Boosting Trees, XGBoost, Light GBM, CatBoost, AdaBoost, numerose varianti di K-Nearest Neighbours e molteplici algoritmi di Logistic Regression, Multi-Layer Perceptron, Support Vector Machine, Naive Bayes e Linear Discriminant Analysis (LDA). In conclusione, il set spoofing provvisto da JRC Ispra è stato analizzato mediante MATLAB e Python. In particolare i modelli ML sono stati implementati in Python per il rilevamento di interferenza spoofing e, mediante indici di performance, le capacità dell'algoritmo sono state rilevate. Tra i risulati conseguiti dal rilevamento spoofing, i migliori risultati sono stati registrati per Light Gradient Boosting Machine (Light GBM). Il modello è una variante del tradizionale Gradient Boosting atto a migliorare l’utilizzo di memoria e la velocità di apprendimento dell’algoritmo. In maniera similare, il modello, adotta una struttura ad alberi, in questo particolar caso denominati istogrammi. L’algoritmo ha registrato accuratezza nelle predizioni sempre al di sopra del 99.9\% per ogni satellite in vista. In tal modo, è stata dimostrata l’ottimalità di questo nel rivelare attacchi spoofing. Nella parte conclusiva della tesi, punti deboli e conseguenti linee di miglioramento per l’algoritmo sono introdotte. L'interferenza spoofing è un fenomeno in continua crescita nella società moderna, e in particolare in scenari di guerra. Evitare attacchi spoofing non è sempre possible, però rilevare l'intereferenza il prima possibile può avere forti benefici nella sua mitigazione. Soluzioni ML sono versatili in molteplici campi, e in particolare Light GBM è in grado di mantenere un'elevata accuratezza nella corretta rilevazione degli attacchi spoofing.