一种基于零欺骗样本的列车卫星定位无监督欺骗检测方法

1.一种基于零欺骗样本的列车北斗定位无监督欺骗检测方法，其特征在于，包括：采集列车卫星定位的数字中频信号，构建不包含任何欺骗干扰的“零欺骗样本”训练数据集与“零欺骗样本”验证数据集，并通过注入欺骗信号，生成包含欺骗干扰的测试特征数据集；提取卫星信号相关统计特征，以时间为维度构建卫星信号特征时序图，利用卫星信号特征时序图生成无标签“零欺骗”训练特征样本集、无标签“零欺骗”验证特征样本集以及测试特征样本集；构建适用于轨道交通领域应用的无监督欺骗干扰检测任务的扩散重构网络，利用所述无标签“零欺骗”训练特征样本集对所述扩散重构网络进行训练，利用所述验证特征样本集和测试特征样本集对所述扩散重构网络进行验证，采用均方误差和结构相似性指标来量化所述扩散重构网络的重构误差，得到训练好的扩散重构网络；列车在途运行过程中，实时接收卫星数字中频信号，提取卫星信号相关统计特征并生成信号特征时序图，将所述信号特征时序图输入到训练好的扩散重构网络，所述扩散重构网络输出模型重构图，计算出重构误差指标值，基于所述重构误差指标值的大小判断列车是否受到欺骗攻击。 2.根据权利要求1所述的方法，其特征在于，所述的采集列车卫星定位的数字中频信号，构建不包含任何欺骗干扰的“零欺骗样本”训练数据集与“零欺骗样本”验证数据集，并通过注入欺骗信号，生成包含欺骗干扰的的测试特征数据集，包括：在列车运行于特定线路过程中，利用列车位置参考系统采集定位数据，生成列车运行轨迹文件，搭建卫星导航信号模拟与采集环境，将所述列车运行轨迹文件注入模拟系统，重现列车运行场景，采集一定时长的卫星定位数字中频信号，生成不包含任何欺骗干扰的“零欺骗样本”训练数据集与“零欺骗样本”验证数据集；在所述列车运行场景复现过程中，按预定时间窗口在所述不包含任何欺骗干扰的“零欺骗样本”训练数据集与“零欺骗样本”验证数据集中注入欺骗干扰信号，采集对应时段的卫星定位数字中频信号，生成包含欺骗干扰的测试特征数据集。 3.根据权利要求1所述的方法，其特征在于，所述的提取卫星信号相关统计特征，以时间为维度构建卫星信号特征时序图，利用卫星信号特征时序图生成无标签“零欺骗”训练特征样本集，包括：将采集的列车的卫星定位数字中频信号送入软件接收机进行处理，依据捕获、跟踪环路的处理流程，以频率f 1 提取所述卫星定位数字中频信号的信号功率特征、信号相关峰特征和信号跟踪稳定性特征：(1)采用载波噪声功率谱密度C/N 0 作为信号功率特征，该信号功率特征反映了解调前信号功率C与噪声功率谱密度N 0 之间的比值：其中，P C 表示载波信号的功率，P N 是通带内的噪声功率；(2)信号相关峰特征包括Delta指标、Ratio指标、ELP指标和Q通道指标；Delta指标的计算公式为：其中，I E (t),I L (t),I P (t)分别表示早码、晚码、即时码相关器的同相分量输出；Ratio指标的计算公式为：ELP指标的计算公式为：其中，Q E (t),Q L (t)分别为早码、晚码相关器的正交分量输出；Q通道指标的计算公式为：m SQM 指标通过测量正交通道异常能量来识别欺骗信号的注入，若正交通道能量异常高，说明信号调制结构或相位一致性被破坏；在设定固定窗口长度的基础上，对不同类型的特征量分别计算其滑动均值与滑动方差，滑动均值和滑动方差的计算公式分别为：其中，μ x (n)表示特征x在第n个滑动时间步的均值， 表示特征x在第n个滑动时间步的方差，n表示滑动窗口的数量，L表示滑动窗口的大小，x(i)表示第i个时刻的特征值，Delta指标、Ratio指标、ELP指标以及Q通道指标在第n个滑动时间步的均值分别表示为μ Delta (n)、μ Ratio (n)、μ ELP (n)和 在第n个滑动时间步的方差分别表示为 和 (3)信号跟踪稳定性特征包括码跟踪环和载波跟踪环，码环鉴别器的输出表示码相位跟踪误差，通过下式计算：其中，I E 和I L 分别表示早码、晚码相关器的同相分量输出，Q E 和Q L 分别表示早码、晚码相关器的正交分量输出；载波环鉴别器的输出表示载波相位跟踪误差，通过下式计算：其中，I P 和Q P 分别表示即时码相关器的同相和正交分量输出；在第n个滑动时间步的码相位跟踪误差和载波相位跟踪误差均值分别表示为μ dllDiscr (n)和μ pllDiscr (n)，方差分别表示为 和 所提取的信号功率特征、信号相关峰特征和信号跟踪稳定性特征共包含19个具体的特征指标，将瞬时特征的采样频率设置为与滑动窗口更新间隔一致 在时间步t的信号统计特征向量fv表示为：将所提取的各类特征按照时间维度进行对齐，并依据预设的欺骗检测频率f 3 ，构建特征时序图，在时刻T的特征时序图F T 表示为：其中，卫星信号特征时序图的大小为(f 2 /f 3 )×19，(f 2 /f 3 )表示特征时序图所包含的时间点数量，19表示特征维度，利用卫星信号特征时序图生成无标签“零欺骗”训练特征样本集。 4.根据权利要求1所述的方法，其特征在于，所述的构建适用于轨道交通领域应用的无监督欺骗干扰检测任务的扩散重构网络，利用所述无标签“零欺骗”训练特征样本集对所述扩散重构网络进行训练，包括：基于卫星信号特征时序图的时序-特征二维结构，对扩散模型结构中的噪声预测网络进行了优化改进，在U-Net的编码器和解码器部分引入残差网络ResNet模块，以替代卷积块，引入通道注意力ECA模块，设计了一维时间卷积下/上采样模块，分别嵌入到编码器和解码器中进行时间维度的特征学习，网络中编码器的下采样模块与解码器中对应的上采样模块通过跳跃连接相连，构建适用于轨道交通领域应用的无监督欺骗干扰检测任务的扩散重构网络；利用所述无标签“零欺骗”训练特征样本集对所述扩散重构网络进行训练，训练过程包括如下步骤：(1)初始化训练数据：对所述无标签“零欺骗”训练特征样本集进行标准化处理；(2)定义模型训练的关键超参数：包括扩散过程的最大时间步数T、噪声调度函数、学习率、优化器类型、训练轮数epochs和批次大小batch size；噪声调度函数设置为线性缩放，表示为：其中， 表示 和 之间均匀生成T个数，β t 表示第t个时间步的噪声强度，β start 和β end 分别是噪声强度的起始值和终止值；(3)所述扩散重构网络的训练过程是一个以去噪为目标的马尔可夫建模过程，训练过程包括：正向扩散过程和反向去噪过程，训练完成后，扩散重构网络基于反向采样策略实现对特征时序图的重建与生成：其中，x t 表示时间步t的加噪特征时序图，ε θ (x t ,t)表示模型预测的噪声分量，σ t 表示该时间步t采样的噪声幅度，x t-1 表示去噪后前一时刻的特征时序图，该过程在t＝T→0的全时间域迭代执行，重构出“零欺骗”特征时序图 5.根据权利要求1所述的方法，其特征在于，所述的采用均方误差和结构相似性指标来量化所述扩散重构网络的重构误差，得到训练好的扩散重构网络，包括：分别计算原始特征时序图x 0 和重构特征时序图 之间的重构误差，该重构误差包括MSE和SSIM，MSE的数学表达式为：其中，D表示为样本中总的像素点， 表示原始特征时序图第j个像素点的值， 表示重构特征时序图第j个像素点的值；SSIM的数学表达式为：其中， 和 是图像x 0 和 的平均亮度， 和 是图像x 0 和 的方差， 是图像x 0 和 的协方差，C 1 和C 2 是用于稳定计算的常数，C 1 ＝(K 1 L) 2 和C 2 ＝(K 2 L) 2 ，其中L是像素值的动态范围；所述无标签“零欺骗”验证特征样本集中第i个样本的重构误差表示为 整个无标签“零欺骗”验证特征样本集重构误差的均值μ val 和标准差σ val 分别为：其中，N val 表示“零欺骗”验证特征样本数量；按照所述无标签“零欺骗”验证特征样本集中第i个样本的重构误差表 的计算过程，计算出测试特征数据集中第j个测试特征样本的重构误差表示为 对应的Z分数为：其中，Z (j) 反映第j个测试特征样本的Z分数；以Z分数作为异常检测评分指标，结合测试特征数据集中样本的真实标签构建ROC曲线，通过遍历不同的Z-score阈值，计算在该阈值下的假阳性率FPR和真阳性率TPR：通过积分法或数值计算方式获得ROC曲线下的面积AUC值：当所述AUC值与阈值1之间的差值小于设定的数值范围，则判断所述扩散重构网络的训练过程结束，得到训练好的扩散重构网络。 6.根据权利要求1所述的方法，其特征在于，所述的列车在途运行过程中，实时接收卫星数字中频信号，提取卫星信号相关统计特征并生成信号特征时序图，将所述信号特征时序图输入到训练好的扩散重构网络，所述扩散重构网络输出模型重构图，计算出重构误差指标值，基于所述重构误差指标值的大小判断列车是否受到欺骗攻击，包括：列车在途运行过程中，实时接收卫星数字中频信号，提取信号相关统计特征并生成卫星信号特征时序图，调用训练完成的扩散模型并得到模型重构图，计算均方误差、结构相似性等重构误差指标，基于重构误差指标值的大小判断列车是否受到欺骗攻击。列车在途运行过程中，实时接收卫星数字中频信号，将卫星定位数字中频信号送入软件接收机进行处理，提取卫星数字中频信号的信号功率特征、信号峰值特征和信号跟踪稳定性特征，得到时刻T的信号特征时序图F T ，表示为： 将信号特征时序图F T 输入到训练好的扩散重构网络，计算得到包括均方误差和结构相似性的重构误差指标，以“零欺骗”验证特征样本集为基准，计算当前重构误差的Z分数指标，将Z分数值与预选设定的阈值τ * 进行比较，当Z分数值大于阈值τ * 时，则判断在当前时刻列车受到欺骗攻击；当Z分数值不大于最佳阈值τ * 时，则判断在当前时刻列车没有受到欺骗攻击。