JayantOlhyan/SpoofSentinel-GNSS
GitHub: JayantOlhyan/SpoofSentinel-GNSS
一个基于物理原理的混合AI系统，结合XGBoost与时序Transformer检测GNSS导航欺骗攻击。
Stars: 0 | Forks: 0
# 🛰️ SpoofSentinel-GNSS
[](https://www.python.org/downloads/)
[](https://opensource.org/licenses/MIT)
[](https://github.com/JayantOlhyan/SpoofSentinel-GNSS)
**SpoofSentinel-GNSS** 是一个高性能、基于物理原理的 AI 系统，旨在检测 GNSS（全球导航卫星系统）欺骗攻击。该系统结合了 **XGBoost** 的可解释性与 **Temporal Transformers** 的序列智能，能够实时识别微妙的信号操纵。
## 📊 最终性能结果
| Model Component | Weighted F1 Score | Status |
| :--- | :---: | :--- |
| **XGBoost (Cross-Validation)** | **0.9102** | ✅ Baseline |
| **Temporal Transformer** | **0.7845** | ✅ Seq. Intelligence |
| **Hybrid Ensemble (Best)** | **0.8326** | 🚀 **Production Ready** |
## 🏗️ 系统架构
我们的混合架构同时利用了瞬时信号特性和时间依赖性。
```
graph TD
A[Raw GNSS Signals] --> B[Physics-Grounded Feature Engineering]
B --> C[XGBoost Classifier]
B --> D[Temporal Transformer]
C --> E{Logistic Stacking Meta-Learner}
D --> E
E --> F[Threshold Tuning]
F --> G[Timestamp Aggregation]
G --> H[spoof_predicted.csv]
```
## 🔬 核心创新：特征工程
我们不只使用原始数据，而是基于 GNSS 信号的物理原理来设计特征：
* **⚡ 相关器对称性**：计算公式为 `(EC - LC) / (PC + 1e-9)`。真实信号是对称的；欺骗信号通常会扭曲相关峰值。
* **📡 多普勒方差**：追踪 `Carrier_Doppler_hz` 的突变，这对于真实卫星来说在物理上是不可能的。
* **⏱️ 时间残差**：将 `RX_time` 与卫星 `TOW`（周内时间）进行交叉参考。显著的漂移表明存在欺骗性时钟操纵。
* **🔗 相位跳变检测**：监视 `Carrier_phase` 的不连续性，以此揭示“跟踪-欺骗”攻击。
* **🌀 Z-Score 异常**：用于标记跨 PRN（伪随机噪声码）异常值的统计特征。
## 🤖 混合模型细节
1. **XGBoost (Tabular)**：捕捉信号功率、相关器输出和多普勒频移之间的瞬时相关性。使用 SMOTE 处理类别不平衡。
2. **Temporal Transformer (Sequential)**：利用多头注意力机制分析每个 PRN 的 **10 步滑动窗口**，以检测细微的漂移模式。
3. **Stacked Ensemble**：一个 Logistic Regression 元学习器优化了两个模型之间的权衡，并针对 **Weighted F1 Score** 进行了调整。
## 📈 可解释性 (SHAP 分析)
我们优先考虑 **Explainable AI (XAI)**，以了解信号被标记的*原因*。
| Feature Importance | Beeswarm Impact |
| :---: | :---: |
|  |  |
## 💻 快速开始
### 1. 安装
```
git clone https://github.com/JayantOlhyan/SpoofSentinel-GNSS
cd SpoofSentinel-GNSS
pip install -r requirements.txt
```
### 2. 训练
将您的 `train.csv` 放入 `data/` 文件夹并运行：
```
python train.py
```
### 3. 推理
生成您的竞赛提交文件：
```
python predict.py --test_path data/test.csv --submission_path data/submission_format.csv
```
### 4. 实时仪表板
启动交互式 Streamlit 仪表板：
```
streamlit run dashboard.py
```
## 📁 仓库结构
```
SpoofSentinel-GNSS/
├── data/ # Raw and processed datasets (git-ignored)
├── src/ # Modular implementation
│ ├── feature_eng.py # Physics-grounded logic
│ ├── models/ # XGBoost & Transformer modules
│ └── utils.py # Helper functions
├── outputs/ # Saved models (.pkl, .pt) & SHAP plots
├── notebooks/ # Exploratory Data Analysis (EDA)
├── train.py # Main training pipeline
├── predict.py # Submission generation script
└── dashboard.py # Streamlit interactive UI
```
## 🛡️ 许可证
基于 **MIT License** 分发。更多信息请参阅 `LICENSE`。
**为 GNSS 反欺骗 AI 黑客马拉松 (Kaizen 2026) 开发**
标签：GNSS欺骗检测, Kubernetes, Python, SHAP可解释性, XGBoost集成学习, 人工智能, 信号处理, 凭据扫描, 卫星导航安全, 反欺骗系统, 异常检测, 数据科学, 无后门, 时序分析, 时空Transformer, 深度学习, 混合模型, 物理特征工程, 用户模式Hook绕过, 网络安全, 资源验证, 赛博物理系统, 逆向工具, 配置审计, 配置错误, 隐私保护, 黑客马拉松项目