Maschinelle Übersetzung, nicht von einem Muttersprachler geprüft. Englisch ist die maßgebliche Fassung.

Seiten zu den SzenariotypenAuf GitHub bearbeitenQuelle: docs/kinds/by-kind/spoof-detect.md

spoof-detect (Szenarioart)

Szenarioart der Engine v0.40.0, Familie Jamming, spoofing and the spectrum. Hinweis (beratend): Analyseausgabe eines Forschungs- und Engineering-Werkzeugs, keine typzugelassene Navigationsausrüstung und kein Safety-of-Life-Dienst. Jede Bezeichnung hier stammt von der Engine oder der Verifikationsmatrix; eine Szenarioart ist MODELLED, sofern die Matrix nichts anderes sagt (wie eine Bezeichnung erworben wird: der Abschnitt Evidence der README).

Was es tut#

Kombinierter HF-/Messungs-Spoof-Detektor (Multi-SV-RAIM-Konsistenz + AGC + SQM, fusioniert) gegen einen parametrierten Angriff (Leistungsvorteil, Trägerphasenausrichtung, Zeit-/Positionsversatz; TEXBAT-artig).

Ein Lauf von scenarios/spoof-detect.toml fasst sich zusammen als: Szenario e046ee4ca90a | spoof-detect | 8 SVs, +1,5 dB | Positionsversatz | fusionierter Score 0,70 (Schw. 0,50) | SPOOF DETECTED (fusioniert) — Schichten: RAIM+SQM

Eingaben#

Aus dem Schema (kshana kinds --json):

  • Erforderliche Felder: attack
  • Optionale Felder: satellites, detector

Das Beispiel scenarios/spoof-detect.toml setzt unter anderem:

Feld Wert Einheit
attack.carrier_aligned false Flag
attack.el_imbalance 0.12 1
attack.num_biased 3 Anzahl
attack.power_advantage_db 1.5 dB
attack.push position Text
attack.push_magnitude_m 75 m
detector.agc_margin_db 3 dB
detector.fusion_threshold 0.5 nicht angegeben
detector.raim_p_fa 0.001 nicht angegeben
detector.sat_power_dbm -130 dBm
detector.sigma_m 5 m
detector.sqm_tolerance 0.1 nicht angegeben

Ausführen#

kshana scenarios/spoof-detect.toml

2 mitgelieferte Szenarien verwenden diese Art; die anderen sind in scenarios/.

Was es liefert#

Die skalaren Ergebnisse dieses Laufs, mit den Einheiten, die die Engine angibt:

Ergebnis Wert Einheit
attack.carrier_aligned false Flag
attack.el_imbalance 0.12 1
attack.num_biased 3 Anzahl
attack.power_advantage_db 1.5 dB
attack.push position Text
attack.push_magnitude_m 75 m
decision.agc_excess_db 1.5 dB
decision.fused.alert true Flag
decision.fused.layers.agc false Flag
decision.fused.layers.raim true Flag
Das Diagramm, das die Engine für scenarios/spoof-detect.toml schreibt, Szenarioart spoof-detect

Nachweise#

MODELLED: die Zeilen der Verifikationsmatrix, die diese Art nennen.

Die Zeilen, die der Lauf selbst ausgeübt hat, mit der unabhängigen Referenz, die die Matrix jeder gibt (die öffentlichen Quellen sind dort genannt):

  • MODELLED Uhrengestütztes χ², RAIM, AGC, SQM, fusioniert zu einer Sicherheits-Gütezahl je Epoche. Unabhängige Referenz (ExternalDataset): TEXBAT-Szenarioparameter (Humphreys 2012) – Charakterisierung, keine festgelegten Vektoren. 0,30 externer Vergleich, ein Befund (bleibt MODELLED): bei JammerTest 2024 (Bleik; GPL-3.0-Daten) lösten die Monitore auf Beobachtungsebene (uhrengestütztes Chi-Quadrat, RAIM, Lösungsausfall) innerhalb von 10 s bei keinem der 8 auswertbaren veröffentlichten Spoofing-Einsätze Alarm aus (wo das Fenster vor dem Einsatz sauber war, kam der erste Alarm 10,2 bis 39 s nach dem pu
  • MODELLED Deterministisch, szenario-gehasht, SBOM- und plattformübergreifende Golden-Gates. Unabhängige Referenz (ExternalDataset): SBOM-Übereinstimmung mit dem offiziellen CycloneDX-1,5-JSON-Schema (+ gültige SPDX-Kennungen) — ein externer veröffentlichter Standard, null Validierungsfehler über den gesamten Abhängigkeitsgraphen; der Teil FoM-Determinismus / Byte-Reproduzierbarkeit bleibt eine festgelegte Selbstkonsistenzprüfung, daher bleibt die Zeile MODELLED
  • PARTNER Nicht bereitgestellt — Kshana modelliert Signalleistung, keine Nutzlast- oder Antennenhardware. Unabhängige Referenz (NoneKind): keine: eine Disziplin im Besitz des Partners, absichtlich ohne Modul und ohne Test

Einschränkungen#

Was der eigene Bericht des Laufs als nicht modelliert oder nicht validiert nennt:

  • Spoofing-Erkennung ist MODELLED, nicht validiert: eine Teilaussage ist extern geprüft, aber die gesamte Fähigkeit setzt sich aus modellierten Teilen zusammen, daher bleibt die Fähigkeit modelliert. (Verifikationsmatrix (docs/MODELLED-RATIONALE.md))
  • Reproduzierbarkeit und Software-Assurance ist MODELLED, nicht validiert: Eine Teilbehauptung ist extern geprüft, aber die gesamte Fähigkeit setzt sich aus modellierten Teilen zusammen, daher bleibt die Fähigkeit modelliert. (Verifikationsmatrix (docs/MODELLED-RATIONALE.md))

Siehe auch#