مقاله هوش مصنوعی مولد برای سنجش فشرده کم‌مصرف و آگاه از تداخل سیگنال‌های GNSS بر روی Google Edge TPU

روش‌های سنتی طبقه‌بندی سیگنال‌های اختلال‌گر ماهواره‌های ناوبری جهانی (GNSS) معمولاً شامل پردازش پس از داده‌های خام یا طیفی است که نیازمند انتقال پیچیده و پرهزینه داده‌ها به سیستم‌های طبقه‌بندی تداخل مبتنی بر ابر است. در مقابل، رویکرد پیشنهادی ما جریان‌های داده GNSS را مستقیماً در گیرنده سخت‌افزاری فشرده کرده و همزمان حملات اختلال‌گر و فریب‌دهنده را در زمان واقعی طبقه‌بندی می‌کند. با توجه به شیوع فزاینده اختلال‌گرهای GNSS، نیاز مبرمی به راه‌حل‌های زمان واقعی مناسب برای محیط‌های با محدودیت توان وجود دارد. این مقاله روشی نوین برای فشرده‌سازی و طبقه‌بندی تهدیدات اختلال‌گر GNSS با استفاده از هوش مصنوعی مولد (GenAI)، به ویژه رمزگذار-رمزگشای خودکار متغیر (VAEs)، که بر روی واحدهای پردازش تنسور لبه گوگل (TPUs) مستقر شده‌اند، معرفی می‌کند. این مطالعه معماری‌های مختلف رمزگذار-رمزگشای خودکار (AE) را برای فشرده‌سازی و بازسازی سیگنال‌های GNSS ارزیابی می‌کند و بر حفظ ویژگی‌های تداخل در حین به حداقل رساندن حجم داده در نزدیکی سخت‌افزار گیرنده تمرکز دارد. این خط لوله مدل‌های AE در مقیاس بزرگ را برای TPUs لبه گوگل از طریق کوانتیزاسیون ۸ بیتی تطبیق می‌دهد تا استقرار انرژی کارآمد را تضمین کند. آزمایش‌ها بر روی داده‌های خام فاز درونی و فاز بیرونی (IQ)، داده‌های تبدیل فوریه سریع (FFT) و ویژگی‌های دست‌ساز نشان می‌دهد که سیستم به فشرده‌سازی قابل توجهی (>۴۲ برابر) و طبقه‌بندی دقیق تقریباً ۷۲ نوع تداخل بر روی سیگنال‌های بازسازی شده (امتیاز F2 ۰.۹۱۵) دست می‌یابد که به طور نزدیکی با سیگنال‌های اصلی (امتیاز F2 ۰.۹۲۳) مطابقت دارد. رویکرد GenAI با محوریت سخت‌افزار نیز هزینه‌های انتقال سیگنال اختلال‌گر را به طور قابل توجهی کاهش می‌دهد و راه‌حلی عملی برای کاهش تداخل ارائه می‌دهد. مطالعات انحرافی بر روی VAEهای شرطی و فاکتوریزه شده (یعنی FactorVAE) به بررسی جداسازی ویژگی‌های نهفته برای تولید داده می‌پردازد و تفسیرپذیری مدل را افزایش داده و اعتماد به راه‌حل‌های یادگیری ماشین (ML) را برای کاربردهای حساس تداخل تقویت می‌کند.

Traditional methods for classifying global navigation satellite system (GNSS) jamming signals typically involve post-processing raw or spectral data streams, requiring complex and costly data transmission to cloud-based interference classification systems. In contrast, our proposed approach efficiently compresses GNSS data streams directly at the hardware receiver while simultaneously classifying jamming and spoofing attacks in real time. Given the growing prevalence of GNSS jamming, there is a critical need for real-time solutions suitable for power-constrained environments. This paper introduces a novel method for compressing and classifying GNSS jamming threats using generative artificial intelligence (GenAI), specifically variational autoencoders (VAEs), deployed on Google Edge tensor processing units (TPUs). The study evaluates various autoencoder (AE) architectures to compress and reconstruct GNSS signals, focusing on preserving interference characteristics while minimizing data size near the receiver hardware. The pipeline adapts large-scale AE models for Google Edge TPUs through 8-bit quantization to ensure energy-efficient deployment. Tests on raw in-phase and quadrature-phase (IQ) data, Fast Fourier Transform (FFT) data, and handcrafted features show the system achieves significant compression (>42x) and accurate classification of approximately 72 interference types on reconstructed signals (F2-score 0.915), closely matching the original signals (F2-score 0.923). The hardware-centric GenAI approach also substantially reduces jammer signal transmission costs, offering a practical solution for interference mitigation. Ablation studies on conditional and factorized VAEs (i.e., FactorVAE) explore latent feature disentanglement for data generation, enhancing model interpretability and fostering trust in machine learning (ML) solutions for sensitive interference applications.