该研究针对自动驾驶汽车（AV）依赖 GNSS 定位而易受欺骗攻击的问题，提出了一种基于小语言模型（SLM）的 GNSS 欺骗检测与分类框架。与以往直接分析原始信号或车辆状态的方法不同，该框架将来自 GNSS 和其他传感源（如惯性测量单元、摄像头等）的独立驾驶状态转换为结构化语义叙事，并输入给 SLM 进行欺骗检测和攻击分类。研究比较了多种 SLM 与在大语言模型（LLM）上的表现，LLM 在相同训练数据和测试集上进行微调。实验涵盖五类场景：无攻击、超调攻击、停车攻击、逐步转向攻击和错误转向攻击。结果表明，所评估的 SLM 在平均准确率（96.99%）、精确率（99.05%）、召回率（95.59%）和 F1 分数（97.18%）上与 LLM 相当，但在推理延迟和 GPU 内存占用上更优，适合部署在资源受限的车载计算平台上。此外，研究还使用美国南卡罗来纳州克莱姆森地区采集的地理上未见过的现场数据验证了框架的泛化能力，证明了其跨地域有效性。该框架能够实时检测和分类 GNSS 欺骗攻击，同时保持较低的计算和内存需求，为自动驾驶安全提供了一种轻量级、高效的解决方案。对于关注车载系统安全、GNSS 欺骗防护和轻量级 AI 模型部署的研究者和工程师，该论文具有参考价值。

该研究针对无人机蜂群协同 GNSS 欺骗检测中一个被忽视的结构性盲点。常见的协同防御机制会利用机间距离/几何测量来交叉验证各无人机报告的 GNSS 位置, 但本文通过规范自由度论证指出: 如果攻击者对蜂群施加一个共同且缓慢变化的刚性平移 (RigidShift), 所有机间距离保持不变, 因此任何仅依赖相对几何的检测器 (如距离验证、半定可行性检查) 都从根本上无法观测到这种欺骗。作者在模拟中对这些基线检测器进行了验证, 确认其完全失明; 同时明确指出机载惯性/GNSS 监测器虽然可以发出异常警报, 却不能恢复蜂群的真实绝对位置。为了量化外部绝对参考 (锚) 对可观测性的恢复作用, 作者推导了校准锚残差检测器在漂移速率 γ、采样周期 T 和检测时延 t_s 下的检测下限 2γ/(1-t_s/T), 并通过实验测得噪声斜率 2.66 与理论预测 2.67 高度吻合。在此基础上, 提出了一种集中式锚定恢复管线: 先从机间距离观测重建蜂群几何, 再利用 Byzantine 鲁棒拟合将几何与可信锚点子集对齐, 从而恢复所有非锚定无人机的绝对坐标; 此外, 当不存在干净时间片标签时, 设计了一种分段估计器联合估计锚漂移、攻击速率和攻击起始时刻。实验覆盖统计模拟、ArduPilot 软件在环 (SITL) 和带渲染视觉锚的 Gazebo 仿真: 在约 10.1 m 的 GNSS 漂移下, 非锚定无人机位置恢复的中位误差为 0.39 m (20 次随机种子); 在带渲染视觉锚的多 SITL 设置中, 中位误差降至 7.1 cm (5 次种子)。文章还明确了若干限制: 非共线锚几何、锚覆盖范围、极小观测间隔导致的漂移混叠, 以及多数锚被攻陷时的失效模式。所有评估均为仿真, 未使用射频欺骗硬件或物理蜂群。该工作揭示了相对测量防御的固有盲区, 并给出可实操的绝对锚定恢复框架, 对无人机蜂群导航安全具有重要理论价值。

该论文针对自动驾驶汽车（AV）依赖全球导航卫星系统（GNSS）进行定位和导航，易受欺骗攻击（如轨迹重定向、急停等）的问题，提出了首个基于视觉-语言模型（VLM）的GNSS欺骗检测框架。方法创新地融合了前置摄像头视觉数据与车载传感器读数（速度、加速度、偏航率），并与GNSS导出的机动行为进行对比。作者设计了三阶段微调流程：首先对齐视觉线索，然后在共享语义空间中校准传感器数据，以检测在三种攻击场景下预测机动与GNSS导出机动之间的差异。为验证模型跨区域泛化能力，团队在阿拉巴马州塔斯卡卢萨县公共道路上采集了实车数据集（含时间同步的GNSS、IMU和相机日志），并生成了智能欺骗攻击样本，包括带道路网络匹配的轨迹镜像（错误转弯攻击）、位置冻结（过冲攻击）和漂移生成（停车攻击）。实验表明：零样本VLM基线F1分数仅为23%-32%，而微调后的模型F1分数达到94%-95%；错误转弯和停车攻击分类准确率100%，过冲攻击准确率88%-93%。此外，引入自适应推理策略将VLM调用次数降至14%（计算量减少约86%），每4秒窗口处理时间为65-73毫秒，证明了该方法作为实际道路上补充信号级完整性检查的防御层的可行性。

该论文提出了一种基于3GPP标准的GNSS欺骗检测框架，专门针对时分双工（TDD）移动网络。TDD网络要求严格的同步精度（±1.5μs，依据3GPP TS 38.104），而GNSS驯服的grandmaster时钟是主要的定时源。GNSS欺骗已成为一种已文档化的运营威胁，能够破坏所有下游基站的定时，但当前的3GPP管理框架（SA5）和安全框架（SA3）均未提供标准化的检测或报告机制。本文提出的检测和监控框架运行在现有3GPP管理结构内，主要贡献包括：引入与TS 28.111和TS 28.552一致的GNSS定时告警和性能计数器；一种拓扑感知关联机制，通过分组gNB-DU（由同一grandmaster服务）来分类异常；以及一个安全事件桥接机制，将故障管理与SECHAND事件处理（TR 33.894）联系起来。蒙特卡洛模拟表明，在良好配置的PTP网络条件下，当漂移率高于0.5 ns/s时，检测概率超过95%，假阳性率低于1%。该框架无需新接口，与代际无关，并通过场景分析验证了其区分欺骗与信号丢失、设备故障和维护瞬态的能力。论文还讨论了该框架在5G及未来6G网络中的适用性。

本文研究了全球导航卫星系统（GNSS）欺骗攻击对车联网（V2X）通信的威胁。GNSS为V2X提供关键的定位、导航和授时（PNT）服务，用于生成合作感知消息（CAM）以保障网络可靠性和车辆安全。然而，GNSS信号易受欺骗攻击，攻击者发送伪造的卫星信号，诱使接收器计算错误位置。作者提出了一种使用低成本软件定义无线电（SDR）实施物理欺骗的方法，包括基于Haversine公式的距离计算、时间离散化模拟恒定速度、以及线性插值生成高保真GPS基带信号的坐标生成流程。通过HackRF One在真实的Commsignia车载单元（OBU）和路侧单元（RSU）设备上，对90 km/h、145 km/h和200 km/h三种稳定速度的合成轨迹进行了实验验证。主要贡献在于证明了V2X通信未得到安全保护，易受GNSS欺骗攻击，且攻击会导致服务质量下降而不被检测。该研究揭示了V2X安全的重大漏洞，对智能交通系统（ITS）的安全部署具有警示意义。