自動運転/セキュリティ2026/8/12arXiv:2608.11790

高次液体証拠符号化による自動運転向け段階的GNSSスプーフィング検出

High-Order Liquid Evidence Encoding for Gradual GNSS Spoofing Detection in Autonomous Driving

GNSSスプーフィング攻撃を検出するため、物理に基づく残差とその高次変動を液体エンコーダで処理する因果的枠組みを提案した。実データで高いF1スコアを達成した。

詳しい要約

1. どんなもの？

本論文は、自動運転におけるGNSSスプーフィング攻撃、特に徐々に進行する巧妙な攻撃を検出するための、causal high-order liquid evidence frameworkを提案している。物理に基づくGNSSと車両運動の不整合残差を構築し、その残差レベルと1次・2次の離散変化を別々のevidence streamとして扱い、各ストリームをadaptive liquid encoderで処理して、ウィンドウ終端でスプーフィングを予測する。

2. 先行研究と比べてどこがすごい？

既存手法は静的な車両挙動特徴や単一の残差信号に依存し、GNSSと車両運動の不整合が時間とともに徐々に増加する進化を明示的にモデル化していない。提案手法は、残差の高次（1次・2次）の変化を明示的にエンコードし、因果的な枠組みで時間的進化を捉える点が新しい。

3. 技術・手法の肝は？

手法の核は、(1) GNSSから得られる変位とオンボード運動から得られる変位を比較して物理に基づく不整合残差を構築すること、(2) 残差レベルとその1次・2次の離散変化を別々のevidence streamとして形成し、各次数に応じた文脈的手がかりを選択すること、(3) 各ストリームを別々のadaptive liquid encoderで処理し、得られた時間状態を階層的に結合してウィンドウ終端でスプーフィングを予測すること。予測には現在と過去の観測のみを使用する因果的な設計である。

4. どうやって有効だと検証した？

実世界のAV-GPSデータセットの3つのサブセットで実験を行い、評価した時間モデルの中で最高のF1スコアを達成した。Dataset 1で0.9535、Dataset 3で0.9777を記録し、Dataset 3ではラベル付けされたnormal-to-attack遷移の両方を4サンプリングステップ以内で検出した。

5. 議論はある？

要旨からは、提案手法の限界や他のシナリオでの性能、計算コスト、実時間性などに関する議論は不明である。また、Dataset 2での性能が最高でなかった理由や、他のモデルとの比較詳細も要旨からは不明。

6. 次に読むべき論文は？

要旨で参照されているAV-GPSデータセットに関連する研究や、GNSSスプーフィング検出の既存手法（例：残差ベースの検出、機械学習を用いた検出）を読むことが考えられる。具体的には、AV-GPSデータセットを提案した論文や、時間的モデル（例：LSTM, GRU）を用いたスプーフィング検出の研究が挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Muhammad Ayub Sabir, Junbiao Pang, Fatima Ashraf

分類: cs.LG

原文アブストラクト

Accurate Global Navigation Satellite System (GNSS)-based localization is essential for safe and reliable autonomous driving. However, spoofing attacks can manipulate vehicle position estimates. Continuous and subtle attacks are particularly difficult to detect because individual GNSS observations may remain plausible while the inconsistency between GNSS-implied displacement and onboard vehicle motion gradually increases. Existing methods often rely on static vehicle-behavior features or a single residual signal and do not explicitly model this evolution. To address this problem, we propose a causal high-order liquid evidence framework for GNSS spoofing detection. The method first constructs a physics-guided GNSS--motion inconsistency residual by comparing GNSS-implied displacement with onboard-motion-derived displacement. It then forms separate evidence streams for the residual level and its first- and second-order discrete variations, with relevant contextual cues selected according to the evidence order. Each stream is processed by a separate adaptive liquid encoder, and the resulting temporal states are hierarchically coupled to predict spoofing at the window endpoint using only current and past observations. Experiments on three subsets of the real-world AV-GPS dataset show that the proposed method achieves the highest F1-scores among the evaluated temporal models on Dataset~1 and Dataset~3, reaching 0.9535 and 0.9777, respectively. On Dataset~3, it detects both labeled normal-to-attack transitions within four sampling steps. Code and datasets are publicly available at: https://github.com/pangjunbiao/GNSS_Spoofing.git.

arXivで原文を読む →arXiv概要ページ