Thema
Verbesserung der GNSS-Robustheit und Spoofing/Jamming-Detektion mittels Spiking Neural Networks
Beschreibung
Ausgangslage / Problemstellung
Moderne GNSS-Empfänger basieren auf Kalman‑Filtern zur Zustandsschätzung. Konventionelle Ansätze verwenden jedoch häufig statische oder heuristische Kovarianzmodelle, was zu einer reduzierten Genauigkeit und Zuverlässigkeit in komplexen Umgebungen wie Multipath- oder Non‑Line‑of‑Sight‑Szenarien führt. Darüber hinaus sind GNSS‑Systeme zunehmend Angriffen durch Spoofing und Jamming ausgesetzt, die die Positionsbestimmung erheblich beeinträchtigen oder verfälschen können.
Diese Arbeit untersucht einen neuartigen Ansatz, bei dem Spiking Neural Networks zur adaptiven Bestimmung der Messkovarianz sowie zur Detektion von Anomalien in GNSS‑Metadaten eingesetzt werden, die auf Spoofing oder Jamming hinweisen können. Das Konzept ermöglicht eine erhöhte Robustheit, Sicherheit und Energieeffizienz und kann als externe Erweiterung bestehender GNSS‑Empfänger implementiert werden.
Ziel
Ziel ist die Untersuchung und Validierung eines neuartigen Ansatzes zur Verbesserung der GNSS‑Zustandsschätzung sowie zur Detektion von Spoofing‑ und Jamming‑Angriffen unter Einsatz von Spiking Neural Networks (SNNs). Der Fokus liegt auf der adaptiven Schätzung der Messkovarianz sowie der Anomalieerkennung basierend auf GNSS‑Metadaten, um Robustheit, Zuverlässigkeit und Sicherheit unter schwierigen und adversarialen Bedingungen zu erhöhen.
Hauptaufgaben
* Literaturrecherche zu GNSS‑Zustandsschätzung, Spoofing-/Jamming‑Detektion, Kalman‑Filterung und SNNs (Erhebung des State of the Art).
* Analyse von GNSS‑Metadaten (z. B. DOP, Innovation, Signalqualitätsindikatoren) im Hinblick auf Anomalieerkennung.
* Untersuchung charakteristischer Muster von Spoofing- und Jamming‑Szenarien.
* Entwicklung eines Konzepts zur Simulation von GNSS‑Angriffsszenarien und zur Generierung synthetischer Trainingsdaten.
* Entwurf eines vereinfachten SNN-Modells zur adaptiven Kovarianzschätzung und/oder Anomalieerkennung.
* Implementierung der Simulations‑ und Verarbeitungspipeline in Python oder MATLAB.
* Validierung der Detektionsfähigkeit und Robustheitsverbesserung gegenüber Referenzmethoden.
* Dokumentation der Methoden, Annahmen und Ergebnisse.
Erforderliche Qualifikationen Und Fähigkeiten
* Starkes Interesse an GNSS, Signalverarbeitung und Machine Learning.
* Grundkenntnisse in Kalman‑Filterung und Schätztheorie.
* Erfahrung in Python, MATLAB oder C/C++.
* Kenntnisse im Bereich neuronaler Netze (idealerweise SNNs oder neuromorphe Ansätze).
* Interesse an Cybersecurity oder Signalintegrität von Vorteil.
* Kommunikationsfähigkeit, Zuverlässigkeit und Flexibilität.
Beginn: ab sofort
Dauer: 3 – 6 Monate
Der erfolgreiche Abschluss der Masterarbeit wird mit € 3.000,- honoriert.
Kontakt: Wolfgang Brückler, E-Mail: wolfgang.brückler@kapsch.net
#J-18808-Ljbffr