GPS(Global Positioning System) 시스템은 총 24개의 인공위성으로 이루어진 위성군과 위성을 제어하는 지상 제어국, 위성으로부터 신호를 수신하는 사용자부로 구성된다. GPS 위성군은 총 24개의 위성으로 구성되어 있어 지구상 어느 위치에서나 GPS 수신기는 기상에 관계없이 4개 이상의 위성을 관측할 수 있도록 설계되었다.[1]
GPS 수신기는 상용과 군용 시스템에 기본적으로 사용되는 필수장치이다. 이러한 GPS 수신기를 무력화하는 GPS 재머는 최근들어 항공기, 선박, 차량, 통신 등에 매우 심각한 위협이 되고 있다. 이러한 피해가 미국, 영국 등에서도 빈번히 발생하고 있다. 최근들어 그 피해 양상이 무인자율주행 시스템을 마비시키고 드론을 포획하는데 까지 확대되고 있다.
GPS 수신기가 GPS 재밍에 취약한 이유는 GPS 수신기와 위성간 거리가 GPS 수신기와 재머간 거리보다 훨씬 멀기 때문이다. 이러한 거리차는 신호세기 측면에서 재머신호 세기가 GPS 위성신호세기보다 매우 크므로, GPS 수신기가 처리이득을 고려하더라도 재머에 취약할 수밖에 없다. GPS 위성은 항법정보를 대역확산하여 송신한다. 대역확산된 신호는 신호세기 측면에서 매우 미약하여 저피탐 확률(LPI : Low Probability of Intercept) 특성으로 탐지는 어렵지만 송신 주파수와 대역폭이 이미 알려져 있어 GPS 위성신호보다 상대적으로 신호세기가 매우 큰 재머에 취약하다.[2][3]
이러한 취약점을 개선하기 위해 민간과 국방 분야에서 GPS 재밍탐지 방법과 국방 분야에서는 GPS 재밍내성을 확보하는 방법이 개발되었다. 국방분야의 재밍내성으로는 군용 항재밍 안테나(CRPA : Controlled Reception Pattern Antenna), 안테나 전자부(AE : Antenna Electronics), EGI(Embedded GPS&INS) 수신기가 사용된다. CRPA와 AE는 안테나 널링(Nulling)을 통해 잡음재밍에 대한 내성을 보유하며, SAASM(Selective Availability Anti Spoofing Module)이 장입된 EGI 수신기는 기만재밍에 대한 내성을 보유한다.[4][5]
민간 및 국방분야에서는 GPS 재밍 취약점에 그대로 노출되어 있고 매우 심각한 위협이 되고 있다. 그동안 GPS 재밍을 탐지하기 위한 많은 방법들이 제시되어 왔다. 첫째, 대표적인 방법이 정밀한 고정 측량점의 위치와 현재 계산된 위치를 비교하여 재밍을 탐지하는 DGPS(Differential GPS)이다. 하지만 상용 GPS 수신기를 사용하는 DGPS는 고정 측량점 위치와 현재 계산된 위치의 차이가 발생하면 기만재밍은 탐지할 수 있다. 하지만 잡음재밍으로 좌표가 소실될 경우는 GPS 위성/수신기 상태불량인지, 장애물 등으로 전파 장애가 발생하는 경우인지 단독으로 판단하는데 한계가 있다. 또한 DGPS의 단점중 하나는 운영거리가 제한적이고, 이동 플랫폼에 탑재할 수 없다는 것이다. 고정형 정밀측량점과 위치오차를 실시간 전파할 경우 데이터링크 등 별도 H/W가 소요된다.[6][7]
둘째, GPS 수신기 내부에서 수신되는 신호의 특성을 측정하여 재밍을 판단하는 방법이다. 신호 세기를 측정하여 미약한 GPS 위성신호 세기보다 현저히 큰 잡음신호가 입력되거나, GPS 위성신호의 도플러 변화량, 위성 궤도력의 급격한 변화(점프)를 탐지하여 기만재밍으로 판단할 수 있다. 하지만 기만재밍으로 이미 포획된 경우 기만신호에 대해 재밍을 탐지하지 못한다.[8][9][10]
셋째, ELINT(Electronic Intelligence) 등 고감도 광대역 수신기를 이용하여 GPS 재밍신호를 탐지하는 방법이다. GPS 신호도 LPI 특성을 갖지만 재밍신호 또한 약해도 재밍 효과가 있기 때문에(특히 기만 재밍의 경우) GPS 재밍신호의 세기도 LPI 특성을 갖는 경우가 있다. 고감도 수신기의 수신감도 이하로 인가된 GPS 재밍신호는 고감도 수신기가 탐지할 수 없다.[11]
강한 잡음을 인가하거나 C/A 코드를 모의하는 기만 재밍신호는 결국 GPS 수신기로 유입되어 GPS 수신기가 영향을 받는다. 고감도 수신기는 C/A 코드 대역만큼 대역폭을 열다보니 수신감도가 떨어져 미약한 GPS 재밍신호를 수신하고 싶어도 못한다. GPS 수신기는 수신하기 싫어도 원치 않게 수신하며 재밍에 따른 증상이 나타난다. 다시말해 GPS 수신기가 고감도 수신기보다 더 감도가 좋은 가장 최적화된 GPS 재밍신호 수신 및 탐지 수신기라는 것이다. 이에 GPS 내성이 다른 이동형태의 상용, 군용 그리고 Hybrid의 다중 GPS 채널을 구성하면 재밍에 따른 다른 품질의 출력 경위도 좌표 분포를 이용해 GPS 재밍을 탐지할 수 있는 방법이 가능할 수 있다. 본 논문은 이러한 가능성으로부터 출발하였다.
본 논문의 최종 목표는 이동 플랫폼에 탑재하여 독립적으로 GPS 재밍의 종류와 신호세기를 탐지하는 것이다. 본 논문에서 제안하는 방법은 첫째, GPS 재밍에 대한 내성이 서로 다른 3중의 GPS 수신기 채널을 구성하는 것이다. 1번 채널은 상용 GPS 안테나와 상용 GPS 수신기로 구성된다. 2번 채널은 군용 CRPA 안테나, AE와 상용 GPS 수신기로 구성된다. 3번 채널은 군용 CRPA 안테나, AE와 군용 SAASM인 적용된 EGI 수신기로 구성된다. 1번 채널은 순수하게 상용 채널이고, 3번 채널은 순수하게 군용 채널이며, 2번 채널은 상용과 군용이 혼합된 Hybrid 채널이다. CRPA, AE는 GPS 잡음재밍에 대한 내성이 있으며, SAASM 즉 P(Y) 코드가 적용된 EGI는 기만재밍에 대한 내성을 갖는다. 이러한 하드웨어 구성을 통해 GPS 재밍시 3개의 채널에서는 품질이 서로 다른 경위도 좌표가 출력될 것이다. 3개의 채널중 가장 안정적인 3번 채널을 기준으로 1번과 3번 채널 경위도 좌표와의 상대좌표를 계산하여 도출된 거리를 r1이라 하고, 2번과 3번 채널 경위도 좌표와의 상대좌표를 계산하여 도출된 거리를 r2라고 하자. 그러면 r1과 r2의 분포를 2차원 평면에 도시할 경우, 재밍의 종류와 세기에 따라 서로 다른 영역에 분포하게 된다. 본 논문은 GPS 재밍의 상황이라는 물리적 현상을 간략히 2차원 평면에 표시할 수 있도록 하드웨어를 구성하였다.
둘째, 이렇게 계산된 r1, r2의 2차원 평면 영역에 대해 기계 학습(Machine Learning)으로 학습과 시험을 수행할 수 있는 AB(Adaptive Boosting)과 SVM(Support Vector Machine) 기계 학습을 적용하였다. 이동형 H/W로 구현할 수 있기 위해서는 많은 양의 데이터와 처리시간이 소요되고 고성능의 H/W가 필요한 딥러닝 대신 적은 양의 데이터와 처리시간, 낮은 사양의 H/W에서도 구현 가능한 머신 러닝을 선택하였다. 머신 러닝중 AB와 SVM은 데이터의 직각 분류와 곡선 분류에 용이한 특성을 갖는다. AB는 가중치와 중요도가 적응적으로 학습하도록 알고리즘을 코드화하였고, SVM은 서포트 벡터를 찾기 위해 매트랩에서 제공하는 최적화 함수 seqminopt를 적용하여 코드화하였다.
다중 상황(클래스)을 학습하는 방법은 1 vs 1 방식, 1 vs all 및 all vs all 방식이 있다. all vs all 방식의 학습기는 매우 복잡하므로 논외로 한다. 다중 클래스 학습의 기본개념은 2진 학습기를 확장하는 것이다. 1 vs 1 방식의 경우 N 클래스에 대해 학습하려면 2진 학습기가 NC2개 필요하다. NC2개 학습기로 학습함에 따라 시간과 계산량이 증가하며, 시험시에도 NC2개 학습기를 모두 돌려 가장 많이 출현한 클래스로 식별하려면 모호성이 발생할 수 있다. 본 논문에서는 이동형 탐지기에 부합된 1 vs all 방식의 다중 학습기를 구현하였다. 물론 이 방법은 더 많은 모호성이 발생할 수 있고 데이터의 빈도수 등 기준에 따라 어느 클래스로 판정해야한다. 본 논문은 이동형에 맞게 단순 계산으로 모호성을 해결하기 위해 kNN(k Nearest Neighbors) 최근접 이웃 분류 방법을 적용하였다. 재밍종류와 신호세기에 따라 GPS 재밍실험을 수행하였고, 수행결과중 50%는 기계 학습에 50%는 시험에 적용하였다. 시험결과를 분석하여 AB와 SVM의 정확도를 계산하였고, 모호성의 경우 kNN 알고리즘을 적용하여 정확도를 개선하였다.

The Global Positioning System(GPS) consists of a satellite group consisting of 24 satellites, a ground control station that controls the satellite, and a user department that receives signals from the satellite. The GPS satellite family consists of 24 satellites, so the GPS receiver is designed to observe more than four satellites from any location on Earth, regardless of weather conditions.
GPS receivers are essential devices that are used primarily in commercial and military systems. GPS jammers, which disable these GPS receivers, have become a very serious threat to aircraft, ships, vehicles, and communications in recent years. The damage is also frequent in the United States and Britain. In recent years, the damage has expanded to paralyze the unmanned self-driving system and capture drones.
The reason why GPS receivers are vulnerable to GPS jamming is because the distance between GPS receivers and satellites is much longer than the distance between GPS receivers and Jammers. This distance difference is very large in terms of the signal power, so even when the GPS receiver considers processing gains, it is inevitably vulnerable to jammers. GPS satellites transmit navigation information by spread spectrum. The spreaded signal is very weak in terms of the signal power, making it difficult to detect due to the low probability of intercept(LPI) characteristic, but the transmission frequency and bandwidth are already known in public.
To improve this weakness, GPS jamming detection methods have been developed in the commercial and defense sectors and GPS jamming tolerance in the defense sector. Jamming tolerance in the defense sector is used by military anti-jamming antennas(CRPA: Controlled Receipt Antenna), antenna electronics(AE: Antenna & Electronic), and EGI(Embedded GPS&INS). The CRPA and AE have tolerance to noise jamming through antenna nulling, and EGI has tolerance to deception jamming through select availability Anti Spoofing Module(SAASM).
The Commercial sector remains vulnerable to GPS jamming. There have been many ways to detect GPS jamming. First, the typical method is DGPS(Differential GPS), which detects jamming by comparing the precise fixed station location and the current calculated position. However, the DGPS, which uses commercial GPS receivers, can detect deception jamming if there is a difference between the fixed station location and the currently calculated location. However, if coordinates are lost due to noise jamming, it is limited to judging whether GPS satellite/receiver condition is poor or if there is interference due to obstacles. Also, one of the disadvantages of DGPS is that it has a limited range of operations and cannot be mounted on a mobile platform. If a fixed precision measuring point and location error are propagated in real time, separate H/W such as datalink is required.
Second, the method of determining jamming is used by measuring the characteristics of signals received inside the GPS receiver. The signal power can be measured and determined as jamming by inputting a noise signal significantly greater than the weak GPS satellite signal strength. The Doppler change and the rapid change in satellite orbit can be determined as deception jamming. However, if GPS receiver has already been captured by deception jamming, it cannot detect the deception jamming.
Third, GPS jamming signals are detected using high-sensitivity broadband receivers such as ELINT(Electronic Intelligence). GPS signals also have LPI characteristics, but the power of GPS jamming signals can also be LPI characteristics because the weak power jamming signals also have a jamming effect(especially in the case of deception). GPS jamming signals that are received below the reception sensitivity of the high-sensitivity receiver cannot be detected by the high-sensitivity receiver.
The jamming signal that either transmits a strong noise or a deceptive C/A code eventually enters the GPS receiver and affects the GPS receiver. Although the high-sensitivity receiver opens the bandwidth of the C/A code, it can’t receive a weak GPS jamming signal. The GPS receiver receives unwanted jamming signal and the symptoms of jamming occurs. In other words, the GPS receiver is the most optimized GPS jamming signal receiving and detection receiver with better sensitivity than the high sensitivity receiver. If multiple GPS channels of commercial, military and hybrid channel with different GPS tolerance are configured, GPS jamming can be detected using output coordinate distribution of different quality according to jamming. This paper originated from this possibility.
The final objective of this paper is to independently detect the type and signal power of GPS jamming on a mobile platform. The method proposed in this paper is to construct a triple GPS receiver channels with different tolerance to GPS jamming. Channel 1 consists of a commercial GPS antenna and a commercial GPS receiver. Channel 2 consists of a military CRPA antenna, AE and commercial GPS receiver. Channel 3 consists of a military CRPA antenna, AE and an EGI receiver applied with a military SAASM. Channel 1 is purely a commercial channel, Channel 3 is a purely military channel, and Channel 2 is a hybrid channel with a mix of commercial and military system. CRPA, AE, is tolerant to GPS noise jamming and EGI with SAASM is tolerant to deception jamming. This hardware configuration will also result in coordinates output for the three channels of varying quality by GPS jamming. If the distribution of r1(distance between channel 1 and channel 3) and r2(distance between channel 2 and channel 3) is then plotted on a two-dimensional plane, it will be distributed in different areas depending on the type and power of the jamming. This paper has constructed hardware to briefly display the physical phenomenon of GPS jamming on a two-dimensional plane.
For this calculated two-dimensional area of r1, r2, the Adaptive Boosting(AB) and Support Vector Machine(SVM) were applied to enable machine learning and testing. Instead of Deep Learning that required a lot of data and processing time and high performance H/W to be implemented in mobile H/W, we chose machine learning that could be implemented in a small amount of data, processing time and low specification. During machine learning, AB and SVM have easy properties for the classification of data at right angles and curves respectively. AB codes algorithms to adapt weight and importance to learning, and SVM is coded by applying the optimization function seqminopt provided by the matlab to find support vectors.
Methods for learning multiple situations(classes) are 1 vs 1 method, 1 vs all and all vs all. The all vs all learning machines are very complex and we excluded it. The basic concept of multi-class learning is to extend the binary learning machine. For 1 vs 1 method, two binary learners are required to learn about the N class. Learning with NC2 learners increases time and calculation, and even during testing, it can be ambiguous to identify the NC2 learners as the most frequent class. In this paper, we implemented a 1 vs all learning machine for mobile version. Of course, this method can create more ambiguity and should be determined by a class based on criteria such as the frequency of the data. This paper has applied the k Nearest Neighbors(kNN) to resolve ambiguities with simple calculations suitable for mobile version. GPS jamming experiments were carried out according to jamming type and signal power. The 50% data of the result were applied to learning and the last 50% data were applied to test. The accuracy of AB and SVM was calculated by analyzing the test, and in case of ambiguity, the accuracy was improved by applying the kNN algorithm.