Д.Г. Волошин

МЕТОДИКА ПРОТИВОДЕЙСТВИЯ УГРОЗАМ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ ТИПА «СПУФИНГ GPS СИГНАЛА» ДЛЯ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ ЛЕГКОГО КЛАССА

Резюме: В статье решается задача обеспечения информационной безопасности беспилотных летательных аппаратов (БПЛА) лёгкого класса массой до 30 кг в условиях спуфинга сигнала глобальной навигационной спутниковой системы. Предложена комплексная методика противодействия спуфингу навигационной спутниковой системы, объединяющая в бортовом контуре реального времени три функциональных блока. Первый блок – модуль интеллектуальной детекции атак на основе гибридной нейросетевой архитектуры, сочетающей свёрточные сети, двухслойную долгосрочную кратковременную память, механизм внимания и градиентный бустинг, реализует пятиэтапную обработку навигационно-телеметрических данных: формирование временных окон методом скользящего окна, свёрточное извлечение признаков, рекуррентную обработку последовательностей, взвешивание значимых фрагментов и итоговую классификацию. Второй блок – модуль верификации физического поведения БПЛА по данным инерциальных датчиков на основе трансформерной модели с восьмиголовым механизмом самовнимания и классификационным токеном выявляет скрытые дрейфовые атаки. Третий блок – модуль адаптивной коррекции траектории, активируемый по совместному решению первых двух модулей, переводит аппарат в режим автономной инерциальной навигации с двойным интегрированием ускорений, комплементарной фильтрацией дрейфа и пропорционально-интегрально-дифференциальным регулированием отклонения от эталонного маршрута. Экспериментальная апробация на наборах данных, взятых из открытых источников, показала точность детекции 99,18%, точность верификации 97,45%, отклонение траектории не более 15 метров за 60 секунд автономного полёта и задержку обнаружения менее 0,1 с.

Ключевые слова: Беспилотный летательный аппарат, информационная безопасность, спуфинг GPS, кибератака, машинное обучение, гибридные нейронные сети, трансформерная модель, инерциальная навигация, обнаружение аномалий, киберустойчивость, адаптивное управление

D.G. Voloshin

METHODOLOGY FOR COUNTERING «GPS SIGNAL SPOOFING» INFORMATION SECURITY THREATS FOR LIGHT-CLASS UNMANNED AERIAL VEHICLES

Summary: this paper addresses the problem of ensuring the information security of light-class unmanned aerial vehicles (UAVs) with a maximum takeoff weight of up to 30 kg under conditions of Global Navigation Satellite System (GNSS) signal spoofing. A comprehensive methodology for countering navigation satellite system spoofing is proposed, integrating three functional modules within the onboard real-time control loop.

The first module, an intelligent attack detection unit based on a hybrid neural network architecture combining convolutional neural networks, a two-layer Long Short-Term Memory (LSTM) network, an attention mechanism, and gradient boosting, performs five-stage processing of navigation and telemetry data: time-window generation using a sliding-window approach, convolutional feature extraction, recurrent sequence processing, weighting of significant fragments, and final classification.

The second module, a UAV physical behavior verification unit utilizing inertial sensor data and a transformer model with an eight-head self-attention mechanism and a classification token, detects concealed drift attacks.

The third module, an adaptive trajectory correction unit activated upon the joint decision of the first two modules, switches the UAV to autonomous inertial navigation mode using double integration of acceleration measurements, complementary drift filtering, and proportional–integral–derivative (PID) control to minimize deviations from the reference route.

Experimental validation on datasets obtained from open sources demonstrated a detection accuracy of 99.18%, a verification accuracy of 97.45%, a trajectory deviation of no more than 15 meters during 60 seconds of autonomous flight, and a detection latency of less than 0.1 seconds.

Keywords: Unmanned aerial vehicle, information security, GPS spoofing, cyberattack, machine learning, hybrid neural networks, transformer model, inertial navigation, anomaly detection, cyber resilience, adaptive control.

DOI: 10.34219/2078-8320-2026-16-3-164-175