基于传感器时钟跟踪的ADS-B异常和入侵的检测
paper: ADS-B Anomalies and Intrusions Detection by Sensor Clocks Tracking
一、摘要
自动相关监视广播(ADSB)是一种空中交通管制系统,其中飞机向地面传感器传输其自身信息(身份、位置、速度等),用于监视范围。提出了利用ADSB消息到达时间差来跟踪不同传感器的时钟,以检查ADS-B消息中包含的位置信息的准确性。该方法允许在不使用多分支(或任何其他)定位算法的情况下检测可能的车载异常或恶意注入假消息(入侵)。因此,它不需要对定位问题进行反演(通常是强非线性和不适定的),并且与多面定位相反,它也适用于少于4个传感器。
二、背景
ADS-B系统具有许多优点,例如,易于实现且成本低,位置数据精度高,更新时间短。
它们也有一些重要的缺点,例如:依赖卫星导航系统(可能被破坏、损坏或干扰),以及非常简单的协议,没有加密和任何身份验证。由于这些原因,安全方面可能是这些监视系统的一个重要漏洞。
- Eavesdropping 窃听
- Jamming 干扰
- Message injection (or spoofing) 信息欺骗(信息攻击)
- Message deletionby SSR reply Garbling 通过SSR回复混淆删除消息
- GPS欺骗/干扰产生虚假或错误信息或降低系统可用性。
MLAT Multilateration 多点定位
通过双曲线定位提供飞机的独立位置信息。MLAT的最大缺点是:需要至少4个传感器接收相同的信息,需要反演通常是强非线性和不适定性的定位问题(在解决方案中产生数值不稳定性),以及需要所有传感器共用一个时间,即时间同步。
本文的方法
使用ADS-B消息的测量到达时差(TDOA)来同步(计算与公共参考相关的时间偏移)传感器,然后直接对估计偏移执行一致性测试,而不计算飞机位置。
可以避免与机载位置信息上的错误或虚假位置信息有关的漏洞。
三、模式S传感器偏移量使用ADS-BTRAFFIC进行测量
(一)利用ADS-B信息到达时差测量传感器时钟偏移
s1s_1s1和s2s_2s2表示两个ADS-B接收站,p1p_1p1表示飞机,接收站和飞机的位置为:s1=[s1,x,s1,y,s1,z]Ts2=[s2,x,s2,y,s2,z]Tp1=[p1,x,p1,y,p1,z]Ts_1=[s_{1,x},s_{1,y},s_{1,z}]^T\\\;\\s_2=[s_{2,x},s_{2,y},s_{2,z}]^T\\\;\\ p_1=[p_{1,x},p_{1,y},p_{1,z}]^Ts1=[s1,x,s1,y,s1,z]Ts2=[s2,x,s2,y,s2,z]Tp1=[p1,x,p1,y,p1,z]T飞机和站点之间的范围可表示为:ρ1=∣∣s1−p1∣∣=(s1,x−p1,x)2+(s1,y−p1,y)2+(s1,z−p1,z)2ρ2=∣∣s2−p1∣∣=(s2,x−p1,x)2+(s2,y−p1,y)2+(s2,z−p1,z)2......(1)\rho_1=||s_1-p_1||=\sqrt{(s_{1,x}-p_{1,x})^2+(s_{1,y}-p_{1,y})^2+(s_{1,z}-p_{1,z})^2}\\\;\\ \rho_2=||s_2-p_1||=\sqrt{(s_{2,x}-p_{1,x})^2+(s_{2,y}-p_{1,y})^2+(s_{2,z}-p_{1,z})^2}\\ ......(1)ρ1=∣∣s1−p1∣∣=(s1,x−p1,x)2+(s1,y−p1,y)2+(s1,z−p1,z)2ρ2=∣∣s2−p1∣∣=(s2,x−p1,x)2+(s2,y−p1,y)2+(s2,z−p1,z)2......(1)
两个接收站接受信息的时间分别为t1t_1t1和t2t_2t2,t1=t0+∣∣s1−p1∣∣ct2=t0+∣∣s2−p1∣∣c+Δt2,1......(2)t_1=t_0+\frac{||s_1-p_1||}c\\\;\\ t_2=t_0+\frac{||s_2-p_1||}c+\Delta t_{2,1}\\ ......(2)t1=t0+c∣∣s1−p1∣∣t2=t0+c∣∣s2−p1∣∣+Δt2,1......(2)其中t0t_0t0表示消息传输的时间(这个时间是未知的),Δt2,1\Delta t_{2,1}Δt2,1表示s2s_2s2和s1s_1s1之间的时间偏移(也是不知道的)。所以如果能够测出到达时间,就能得到到达的时间差,就能消除t0t_0t0的影响。t2,1=t2−t1=∣∣s2−p1∣∣−∣∣s1−p1∣∣c+Δt2,1......(3)t_{2,1}=t_2-t_1=\frac{||s_2-p_1||-||s_1-p_1||}c+\Delta t_{2,1}\;\;......(3)t2,1=t2−t1=c∣∣s2−p1∣∣−∣∣s1−p1∣∣+Δt2,1......(3)超过两个接收站,公式可以概括为:ti,1=ti−t1=∣∣si−p1∣∣−∣∣s1−p1∣∣c+Δti,1......(4)t_{i,1}=t_i-t_1=\frac{||s_i-p_1||-||s_1-p_1||}c+\Delta t_{i,1}\;\; ......(4)ti,1=ti−t1=c∣∣si−p1∣∣−∣∣s1−p1∣∣+Δti,1......(4)也就是将传感器S1S_1S1视为参考传感器(所有偏移量均按此偏移量计算)。
如果通过ADS-B的消息知道了飞机位置,可以估计时钟偏移:Δti,1=ti,1−∣∣si−p1∣∣−∣∣s1−p1∣∣c......(5)\Delta t_{i,1}=t_{i,1}-\frac{||s_i-p_1||-||s_1-p_1||}c\;\; ......(5)Δti,1=ti,1−c∣∣si−p1∣∣−∣∣s1−p1∣∣......(5)可以延伸为多飞机Δti,1k=ti,1k−∣∣si−pk∣∣−∣∣s1−pk∣∣c......(6)\Delta t_{i,1}^k=t_{i,1}^k-\frac{||s_i-p_k||-||s_1-p_k||}c\;\;......(6)Δti,1k=ti,1k−c∣∣si−pk∣∣−∣∣s1−pk∣∣......(6)可以进一步概括为两个通用的传感器:Δti,jk=ti,jk−∣∣si−pk∣∣−∣∣sj−pk∣∣c......(7)\Delta t_{i,j}^k=t_{i,j}^k-\frac{||s_i-p_k||-||s_j-p_k||}c\;\;......(7)Δti,jk=ti,jk−c∣∣si−pk∣∣−∣∣sj−pk∣∣......(7)
如果只有一架飞机,那么就直接用(7)式,如果是多架飞机,那么就会测出更多的时间偏移:{Δti,jk(t1),...,Δti,jl(t2),...,Δti,jk(t3),...,Δti,jl(t4)}......(8)\big\{\Delta t_{i,j}^k(t_1),...,\Delta t_{i,j}^l(t_2),...,\Delta t_{i,j}^k(t_3),...,\Delta t_{i,j}^l(t_4)\big\}\;\; ......(8){Δti,jk(t1),...,Δti,jl(t2),...,Δti,jk(t3),...,Δti,jl(t4)}......(8)其中kkk和lll表示同一视图中的不同飞机,t1、t2、t3、t4t_1、t_2、t_3、t_4t1、t2、t3、t4表示测量瞬间。
看图3,可能有的站没有共同的飞机目标,就需要采用“多跳技术”,如果想要同步s1s_1s1和s8s_8s8,则需要测量:
Δt5,11=t5,11−∣∣s5−p1∣∣−∣∣s1−p1∣∣cΔt6,52=t6,52−∣∣s6−p2∣∣−∣∣s5−p2∣∣cΔt8,63=t8,63−∣∣s8−p3∣∣−∣∣s6−p3∣∣c......(9)\Delta t_{5,1}^1=t_{5,1}^1-\frac{||s_5-p_1||-||s_1-p_1||}c\\\;\\ \Delta t_{6,5}^2=t_{6,5}^2-\frac{||s_6-p_2||-||s_5-p_2||}c\\\;\\ \Delta t_{8,6}^3 = t_{8,6}^3-\frac{||s_8-p_3||-||s_6-p_3||}c\\ ......(9)Δt5,11=t5,11−c∣∣s5−p1∣∣−∣∣s1−p1∣∣Δt6,52=t6,52−c∣∣s6−p2∣∣−∣∣s5−p2∣∣Δt8,63=t8,63−c∣∣s8−p3∣∣−∣∣s6−p3∣∣......(9)然后相加Δt8,11,2,3=Δt5,11+Δt6,52+Δt8,63......(10)\Delta t_{8,1}^{1,2,3}=\Delta t_{5,1}^1+\Delta t_{6,5}^2+\Delta t_{8,6}^3\;\;......(10)Δt8,11,2,3=Δt5,11+Δt6,52+Δt8,63......(10)所以可以将所有的偏移参考到同一个传感器。
(二)时钟偏移测量误差评估
知道飞机的近似位置p^k\hat p_kp^k和近似时差t^i,jk\hat t_{i,j}^kt^i,jk,可以得到:Δti,jk=Δt^i,jk+δΔti,jk......(11)ti,jk=t^i,jk+δti,jk......(12)pk=p^k+δpk......(13)\Delta t_{i,j}^k=\Delta \hat t_{i,j}^k+\delta \Delta t_{i,j}^k\;\;......(11)\\\;\\ t_{i,j}^k=\hat t_{i,j}^k+\delta t_{i,j}^k\;\;......(12)\\\;\\ p_k=\hat p_k+\delta p_k\;\;......(13)Δti,jk=Δt^i,jk+δΔti,jk......(11)ti,jk=t^i,jk+δti,jk......(12)pk=p^k+δpk......(13)
使用泰勒一阶展开,(7)式可得Δti,jk=Δt^i,jk+∂Δti,jk∂u∣u^⋅δut......(14)\Delta t_{i,j}^k=\Delta \hat t_{i,j}^k+\frac{\partial \Delta t_{i,j}^k}{\partial u}\big |_{\hat u}\cdot\delta u_t\;\;......(14)Δti,jk=Δt^i,jk+∂u∂Δti,jk∣∣u^⋅δut......(14)这里ui,jk=[pkT,ti,jk]Tu^i,jk=[p^kT,t^i,jk]Tδui,jk=[δpkT,δti,jk]T......(15)u_{i,j}^k=[p_k^T,t_{i,j}^k]^T\;\\\;\\ \hat u_{i,j}^k = [\hat p_k^T,\hat t_{i,j}^k]^T\\\;\\ \delta u_{i,j}^k=[\delta p_k^T,\delta t_{i,j}^k]^T\\\;\\\;\;\;\;\;\;\;......(15)ui,jk=[pkT,ti,jk]Tu^i,jk=[p^kT,t^i,jk]Tδui,jk=[δpkT,δti,jk]T......(15)
这个∂Δti,jk∂u\frac{\partial \Delta t_{i,j}^k}{\partial u}∂u∂Δti,jk可以很容易计算(这里给了一个论文,所以先当他是已知量吧),可以表示为ji,jk=[(aik−ajkc)′,1]......(16)j_{i,j}^k=\Big[\Big(\frac{a_i^k-a_j^k}{c}\Big)^{'},1\Big]\;\;......(16)ji,jk=[(caik−ajk)′,1]......(16)其中aia_iai是传感器iii到ADS-B飞机未知的单位矢量,aja_jaj是传感器jjj到飞机位置的单位矢量,可以写成δΔti,1k=ji,jk⋅δui,jk......(17)\delta \Delta t_{i,1}^k=j_{i,j}^k\cdot \delta u_{i,j}^k\;\;\;......(17)δΔti,1k=ji,jk⋅δui,jk......(17)偏移误差的方差为:σi,j,k2=E((δΔti,jk)⋅(δΔti,jk)T)=E((ji,jk)(δui,jk)(δui,jk)T(ji,jk)T)=(ji,jk)E((δui,jk)(δui,jk)T)(ji,jk)T=(ji,jk)cov(δui,jk)(ji,jk)T......(18)\sigma^2_{i,j,k}=E\big((\delta \Delta t_{i,j}^k)\cdot(\delta\Delta t_{i,j}^k)^T\big)\\=E\Big((j_{i,j}^k)\big(\delta u_{i,j}^k\big)\big(\delta u_{i,j}^k\big)^T(j_{i,j}^k)^T\Big)\\=(j_{i,j}^k)E\Big(\big(\delta u_{i,j}^k\big)\big(\delta u_{i,j}^k\big)^T\Big)(j_{i,j}^k)^T\\=(j_{i,j}^k)cov(\delta u_{i,j}^k)(j_{i,j}^k)^T\;\;\;......(18)σi,j,k2=E((δΔti,jk)⋅(δΔti,jk)T)=E((ji,jk)(δui,jk)(δui,jk)T(ji,jk)T)=(ji,jk)E((δui,jk)(δui,jk)T)(ji,jk)T=(ji,jk)cov(δui,jk)(ji,jk)T......(18)用于计算时钟偏移测量误差。如果飞机的位置误差和时差测量值彼此不相关,则cov(δui,jk)cov(\delta u_{i,j}^k)cov(δui,jk)可以表示为:cov(δui,jk)=[σpk,x20000σpk,y20000σpk,z20000σti,j2]......(19)cov(\delta u_{i,j}^k)=\begin{bmatrix} \sigma_{p_{k,x}}^2 & 0& 0 & 0 \\ 0 & \sigma_{p_{k,y}}^2 &0 &0 \\ 0 & 0 & \sigma_{p_{k,z}}^2& 0 \\ 0 & 0 & 0 & \sigma_{t_{i,j}}^2 \end{bmatrix}\;\;......(19)cov(δui,jk)=⎣⎢⎢⎡σpk,x20000σpk,y20000σpk,z20000σti,j2⎦⎥⎥⎤......(19)否则,矩阵中会出现非对角项。σti,j\sigma_{t_{i,j}}σti,j是时差测量r.m.s误差,与TOA有关:σti,j=σTOA,i2+σTOA,j2=2⋅σTOA......(20)\sigma_{t_{i,j}}=\sqrt{\sigma^2_{TOA,i}+\sigma^2_{TOA,j}}=\sqrt2\cdot\sigma_{TOA}\;\;......(20)σti,j=σTOA,i2+σTOA,j2=2⋅σTOA......(20)
TOA测量误差取决于两个主要因素:接收机硬件和软件(即TOA估计方法;采样周期、接收机带宽、接收机噪声等)和传播效应(即对流层延迟和多次传播)。
四、时钟偏移估计和跟踪
为了改进时钟偏移估计,可以为ADS-B传感器中安装的时钟引入时钟模型,并使用卡尔曼滤波器跟踪偏移。
(一)时钟模型
时钟由振荡器和计数器组成。理想振荡器的输出信号是一个完美的正弦波:V(t)=V0sin(2πf0t)......(21)V(t)=V_0\sin (2\pi f_0t)\;\;\;\;......(21)V(t)=V0sin(2πf0t)......(21)其中f0f_0f0为标称频率,V0V_0V0为标称振幅,ttt为时间。考虑到实际振荡器,由于存在不同的非理想因素,输出变为:V(t)=V0(1+α(t))sin(2πf0t+ϕ(t))......(22)V(t)=V_0(1+\alpha(t))\sin(2\pi f_0t+\phi(t))\;\;\;\;\;\;......(22)V(t)=V0(1+α(t))sin(2πf0t+ϕ(t))......(22)或(忽略振幅变化):V(t)=V0sin(2πf0t+ϕ(t))......(23)V(t)=V_0sin(2\pi f_0t+\phi(t))\;\;\;\;\;\;......(23)V(t)=V0sin(2πf0t+ϕ(t))......(23)真实振荡器遭受频率不稳定性(自发和/或由环境条件引起),即频率偏差。为了表征这些频率波动,通常使用分数频率偏差,其定义如下:y(t)=f(t)−f0f0......(24)y(t)=\frac{f(t)-f_0}{f_0}\;\;......(24)y(t)=f0f(t)−f0......(24)因此,特定时间间隔ttt的时间偏差由以下公式得出:x(t)=∫0ty(t)dt......(25)x(t)=\int^t_0y(t)dt\;\;\;......(25)x(t)=∫0ty(t)dt......(25)
通常,导致时钟具有时间偏差的误差有两个主要组成部分:系统波动和随机波动。系统性波动是导致长期偏离标称时间和标称频率的主要原因,而随机波动是短期内观察到的。随时间的系统偏差可写成(近似于二阶项):xsys(t)=x(0)+y(0)t+0.5Dt2......(26)x_{sys}(t)=x(0)+y(0)t+0.5Dt^2\;\;\;......(26)xsys(t)=x(0)+y(0)t+0.5Dt2......(26)其中,DDD是振荡器的频率漂移:它表示由于老化或生产公差等内部因素的组合而导致的频率系统变化。关于第二方面,五种不同的随机噪声通常影响振荡器,它们被称为:白相位调制(WPM)、闪烁相位调制(FPM)、白频率调制(WFM),其产生相位上的随机游动(RWPM)、闪烁频率调制(FFM)和随机游动频率调制(RWFM)。时钟的动态模型仅考虑系统波动(时间偏移、频率偏移和频率漂移)和两个主要随机分量(WFM、RWFM)。dx1(t)=(x2(t0+μ1)dt+σ1dW1(t)dx2(t)=μ2dt+σ2dW2(t)......(27)dx_1(t)=(x_2(t0+\mu_1)dt+\sigma_1dW_1(t)\\\;\\ dx_2(t)=\mu_2dt+\sigma_2dW_2(t)\;\;\\\;\;\;\;......(27)dx1(t)=(x2(t0+μ1)dt+σ1dW1(t)dx2(t)=μ2dt+σ2dW2(t)......(27)其中,t≥0,x1(0)=c1,x2(0)=c2t\geq 0,x_1(0)=c_1,x_2(0)=c_2t≥0,x1(0)=c1,x2(0)=c2,x1x_1x1表示时间偏差,频率偏差y(t)y(t)y(t)为x1x_1x1,x2x_2x2是时钟频率偏差的一部分,通常称为随机游走分量。常数σ1σ_1σ1和σ2σ_2σ2表示两个噪声分量(WFM和RWFM)的扩散系数,并给出每个噪声的强度。µ1µ_1µ1和µ2µ_2µ2可解释为两个维纳过程的漂移术语,并表示时钟的确定性现象(系统波动)。特别是µ1µ_1µ1与初始频率偏移有关,而µ2µ_2µ2表示通常由频率偏移或频率漂移表示的内容(之前用DDD表示)。最后,c2+µ1=y(0)c_2+µ_1=y(0)c2+µ1=y(0)和µ2=Dµ_2=Dµ2=D。
可导出该模型的迭代解,得到:x1(tk+1)=x1(tk)+(x2(tk)+μ1)τ+μ2τ22+Kk,1x2(tk+1)=x2(tk)+μ2τ+Kk,2......(29)x_1(t_{k+1})=x_1(t_k)+(x_2(t_k)+\mu_1)\tau+\mu_2\frac{\tau^2}2+K_{k,1}\\\;\\ x_2(t_{k+1})=x_2(t_k)+\mu_2\tau+K_{k,2}\\\;\;......(29)x1(tk+1)=x1(tk)+(x2(tk)+μ1)τ+μ22τ2+Kk,1x2(tk+1)=x2(tk)+μ2τ+Kk,2......(29)其中Kk=[Kk,1,Kk,1]TK_k=[K_{k,1},K_{k,1}]^TKk=[Kk,1,Kk,1]T是零均值高斯分布,协方差矩阵等于:Q=[σ12τ+σ22τ33σ22τ22σ22τ22σ22τ]......(30)Q=\begin{bmatrix} \sigma_1^2\tau+\sigma_2^2\frac{\tau^3}3 & \sigma_2^2\frac{\tau^2}2 \\ \sigma_2^2\frac{\tau^2}2 & \sigma_2^2\tau \end{bmatrix}\;\;......(30)Q=[σ12τ+σ223τ3σ222τ2σ222τ2σ22τ]......(30)
在矩阵表示法中,模型变为:
x(tk+1)=Fx(tk)+Bτm+Kk......(31)x(t_{k+1})=Fx(t_k)+B_\tau m+K_k\;\;......(31)x(tk+1)=Fx(tk)+Bτm+Kk......(31)其中,x(tk)=[x1(tk)x2(tk)]F=[1τ01]Bτ=[ττ20τ]mτ=[μ1μ2]......(32)x(t_k)=\begin{bmatrix} x_1(t_k) \\ x_2(t_k) \end{bmatrix}\;\; F=\begin{bmatrix} 1& \tau \\ 0& 1 \end{bmatrix}\;\; B_\tau=\begin{bmatrix} \tau & \frac\tau2 \\ 0& \tau \end{bmatrix}\;\; m_\tau=\begin{bmatrix} \mu_1 \\ \mu_2 \end{bmatrix}\;\;......(32)x(tk)=[x1(tk)x2(tk)]F=[10τ1]Bτ=[τ02ττ]mτ=[μ1μ2]......(32)
(二)基于卡尔曼滤波的偏移量跟踪
卡曼滤波可以看看之前写的另一篇:卡曼滤波,里面也有视频讲解。
卡尔曼滤波器的定义如下:
- 过滤器时间状态tkt_ktk:在(32)中定义的x(tk)x(t_k)x(tk);
- 转移矩阵:在(32)中定义的FFF;
- 过滤过程噪声,使用(30)中给出的协方差矩阵QQQ;
- 测量:z(tk)=Δt1,2(tk)z(t_k)=\Delta t_{1,2}(t_k)z(tk)=Δt1,2(tk);
- 测量矩阵:C=[10]C=[1\;0]C=[10];
- 测量协方差:在(18)中给出的RRR。
对于每个tkt_ktk,卡曼滤波能够计算:
- 最佳滤波器增益GkG_kGk;
- 估计状态x^(tk)\hat x(t_k)x^(tk);
- 下一时刻的滤波器预测xp(tk+1)x^p(t_{k+1})xp(tk+1);
- 估计状态的协方差矩阵σx^,(tk)\sigma_{\hat x,(t_k)}σx^,(tk);
- 预测的协方差矩阵σxp(tk+1)\sigma_{x^p(t_{k+1})}σxp(tk+1)。
如下图所示,蓝色十字表示滤波器位置,红色实线模拟了飞机在9000米高度的飞行。
图5中报告了站点2和站点1之间的估计偏移量:
- 虚线表示时钟偏移量
- 点表示使用ADS-B消息和TDOA进行的偏移量测量
- 连续线表示卡尔曼滤波器估计的时钟偏移量
选择参数值(也不知道为啥选这个值,是因为这些是标准值?还是约定俗成的?):
五、异常/入侵检测
ADS-B声明的位置与实际位置不同;因此,使用声明的位置测量偏移量会导致错误的偏移量估计。
- 预测测量时间的预期传感器时钟偏移;
- 测试测量值是否与预期值足够接近,如果不接近,则发出警报。
可以将滤波器测量残差定义为:r(tl)=z(tl)−Cxp(tl−1)......(33)r(t_l)=z(t_l)-Cx^p(t_{l-1})\;\;......(33)r(tl)=z(tl)−Cxp(tl−1)......(33)其中xp(tl−1)x^p(t_{l-1})xp(tl−1)是给定的tl−1t_{l-1}tl−1的测量值对tlt_ltl的卡曼预测状态。考虑到CCC的定义,状态向量xi,jp(tl−1)x_{i,j}^p(t_{l-1})xi,jp(tl−1)和之前给出的测量值z(tl)z(t_l)z(tl),(33)式可化为:ri,jk(tl)=Δti,jk(t1)−x1,i,jp(tl−1)......(34)r_{i,j}^k(t_l)=\Delta t_{i,j}^k(t_1)-x_{1,i,j}^p(t_{l-1})\;\;\;......(34)ri,jk(tl)=Δti,jk(t1)−x1,i,jp(tl−1)......(34)
这是测量的偏移量(通过使用声明的ADS-B位置)与预测偏移量之间的差值。在(34)中,iii和jjj表示传感器,kkk表示被测飞机,tlt_ltl表示测试时间,tl−1t_{l-1}tl−1表示使用相同或任何其他飞机对站iii和jjj之间的偏移进行最后测量的时间。
关于目标位置的卡尔曼滤波,只有当同一目标的连续位置之间存在阶跃(或快速过渡)时,它才可以很容易地用于检测错误的飞机位置。
- 真实的飞机在覆盖范围内,入侵者正在发射假位置;
- 转发器在传输位置产生异常,从一条信息逐步过渡到另一条信息。
六、结论
提出并评估了一种在未来空中交通监控系统中检测异常和入侵者的方法。
结果表明,在不解决双曲型反演问题的情况下,可以检测到错误的ADS-B位置信息(该问题通常具有与不良几何、病态等相关的缺点)。
此外,所提出的方法可用于同步ADS-B传感器网络(或改进已经同步的网络的同步性能),使MLAT能够在非ADS-B模式S目标上进行,而无需任何额外成本。
基于传感器时钟跟踪的ADS-B异常和入侵的检测相关推荐
- 基于Matlab创建跟踪场景、模拟目标运动和模拟雷达检测仿真(附源码)
目录 一.模拟移动对象及其属性 1.1 创建具有移动目标的跟踪方案 1.2 可视化并运行跟踪方案 二.使用雷达传感器生成检测 2.1 对雷达传感器进行建模并模拟其检测 2.2 创建塔和雷达 2.3 为 ...
- 【论文笔记2】基于梯形面积估计的大规模网络异常检测几何面积分析新技术
Novel Geometric Area Analysis Technique for Anomaly Detection Using Trapezoidal Area Estimation on L ...
- Spark数据挖掘-基于 K 均值聚类的网络流量异常检测(1): 数据探索、模型初探
Spark数据挖掘-基于 K 均值聚类的网络流量异常检测(1): 数据探索.模型初探 1 前言 分类和回归是强大易学的机器学习技术.需要注意的是:为了对新的样本预测未知的值, 必须从大量已知目标值的样 ...
- 物联网传感器_基于传感器的物联网预测性维护,为什么必须对机器进行数字信号处理...
物联网传感器 The industrial plants consist of several types of assets. Sensor based IoT is employed for as ...
- R语言基于可视化进行多变量离群(Mulltivariate outliers)点检测识别:散点图可视化多变量离群点、模型平滑多变量异常检测、使用平行坐标图查看钻石数据集中的异常值
R语言基于可视化进行多变量离群(Mulltivariate outliers)点检测识别:散点图可视化多变量离群点.模型平滑多变量异常检测.使用平行坐标图查看钻石数据集中的异常值 目录
- 使用Ptrace跟踪进程收到的异常信号(信号SIGTRAP是通过traceme后wait得到的)
2019独角兽企业重金招聘Python工程师标准>>> 以下是使用Ptrace跟踪进程收到的异常信号的正文内容,本文是网友投稿或本站会员创作,不代表本站观点: 最初的想法,我们在调试 ...
- 基于ABP的应用执行Update-Database出现异常的解决办法
基于ABP的应用执行Update-Database出现异常的解决办法 参考文章: (1)基于ABP的应用执行Update-Database出现异常的解决办法 (2)https://www.cnblog ...
- 基于自适应巡视算法的工业物联网异常行为检测
[摘 要]针对当前物联网节点易受攻击的问题,提出一种基于自适应巡视算法的工业物联网异常行为检测方法.根据数据包完整性.数据包传输率和传输延迟等异常行为动态更新物联网节点信誉度,结合信誉阈值自适应调整 ...
- 温度补偿 matlab,基于传感器温度补偿方法的双指数函数模型的温度补偿算法设计...
描述 0 引言 目前基于传感器的温度补偿方法主要分为模拟硬件设计和数字信号处理两种方法.模拟硬件通常采用PTAT 和CTAT 等技术来设计读出电路.数字信号处理方法通常包括线性拟合.最小二乘多项式 拟 ...
最新文章
- We can all choose freedom over a job
- RocketMQ:Consumer概述及启动流程与消息拉取源码分析
- SpringMVC学习01之回顾Servlet
- sql语句字符串处理大全
- 【今晚9点】:对话刘连响——web流媒体开发新变化
- 属于服务器操作系统的是,属于服务器操作系统的是
- 2043. 简易银行系统
- OpenCASCADE 麻花钻头造型实例分析
- [220208] Add Digits
- mysql 集群操作系统_mysql集群部署
- digester java_commons-digester 升级到 commons-digester3 的坑
- 半监督学习在金融文本分类上的探索和实践
- u大师u盘装系统win7_使用U盘安装Win7/Win8/Win10系统完美教程
- 2016阿里巴巴校招内推offer (by 伟伯)
- python从入门到精通-张子夜-专题视频课程
- MPEG-TS封装格式
- 深度讲解VIEWPORT和PX是什么
- JAVA面向对象(OOP)-类和对象
- 如何查看电脑CPU的核心个数
- oracle开放查询表权限_Oracle创建用户并给用户授权查询指定表或视图的权限
热门文章
- 目标检测框架网络模型分析(二 双塔奇兵)
- 团队八种角色缺乏_缺乏信任会对团队造成什么影响
- 基于iSensor的MT9M001C12STM传感器调试总结
- oracle分页排序查询,Oracle分页查询中排序与效率问题解决方法详解
- CQHMI品牌NR系列HMI人机界面在纺织机械设备行业中的应用
- PCA针对TE过程(田纳西伊斯曼过程)数据的故障监测处理
- shell命令使用sed从JSON中提取指定的值
- 使用python代码给手机发短信详解(twilio的使用)
- python截取视频_python使用ffmpeg截取视频段
- 萨鲁曼的军队 Saruman‘s Army(挑战程序设计竞赛)