大家读完觉得有帮助记得关注和点赞摘要低地球轨道LEO卫星互联网正成为关键通信基础设施然而其开放的无线链路仍然容易受到卫星冒充和信号欺骗的攻击。射频指纹识别RFF通过利用接收信号中表现出的发射器特有硬件缺陷提供了一种潜在的防御手段。然而现有卫星RFF方法的可靠性仍然难以评估因为缺乏统一的数据集和基准来支持时间、开放集和跨场景评估。为填补这一空白我们推出了IriSig-Spoof一个真实的Iridium数据集包含32天内从66颗卫星收集的517万条消息以及软件定义无线电SDR在室内和室外环境中生成的欺骗信号。我们进一步建立了三个基准任务时间鲁棒性评估、带未知信号拒绝的开放集RFF识别以及跨场景欺骗检测。使用多尺度注意力卷积神经网络MACNN的实验表明时间鲁棒性因配置而异最佳配置实现了97.75%的平均跨日准确率。在开放集评估中MACNN达到了0.9715的接收者操作特征曲线下面积AUROC同时表明有效的未知信号拒绝并不一定能确保可靠的身份分配。跨场景实验揭示了在低假正率下的差异。IriSig-Spoof为在时间变化和不断变化的攻击条件下评估鲁棒RFF方法提供了可复现的基础。索引词 卫星互联网射频指纹识别开放集识别欺骗检测I. 引言低地球轨道LEO卫星星座已成为全球通信基础设施的重要组成部分。它们为海上通信、应急响应、遥感以及物联网服务提供广域连接[1, 26]。随着这些系统支持日益关键的应用接收器必须确定观察到的信号是来自授权卫星、重放发射器还是地面欺骗器[22, 7]。一个被接受的伪造消息可能提供虚假的卫星或寻呼信息而重复的未经授权传输可能干扰接收器对合法信令流量的访问[15, 9]。加密认证对于验证消息完整性和确认协议流量来自授权发送者仍然至关重要。然而此类机制不一定能检测重放消息、语法上有效但未经授权的协议流量或波形级别的冒充。射频指纹识别RFF通过射频组件引入的硬件相关缺陷来识别发射器[20, 27, 28, 23]。这些缺陷改变接收的同相和正交IQ波形并提供数据驱动分类器或欺骗检测器可以学习的特征[11, 17]。近期的RFF研究已使用卷积神经网络、残差网络、注意力机制、Transformer和自监督学习来改善发射器识别[4, 13, 3, 8]。卫星RFF与地面环境不同因为轨道运动、多普勒频移、变化的波束分配以及变化的传播几何持续改变接收波形。欺骗信号也可能在与训练期间不同的攻击环境下被观察到。因此一个实用系统必须在时间上保持发射器特定的区分能力并在不同传播条件下拒绝欺骗信号。在单一日期或固定环境下的评估可能大幅高估部署可靠性。现有的公共数据集和系统已经推动了卫星互联网系统物理层安全的发展。PAST-AI提供了来自Iridium空中接口的大量观测数据[13, 12]。FadePrint使用相同数据集表明衰落特征可以区分卫星链路和地面链路[14]。SatIQ保留了高采样率IQ波形并评估了鲁棒的卫星发射器指纹识别[18]。最近的一个空中欺骗数据集包括从无人驾驶空中平台生成的空中攻击[25]。然而目前没有统一的基准结合了日期分离、未知身份分离和多场景欺骗评估。正如我们后续评估所示一个在熟悉环境中几乎完美表现的检测器在传播场景变化时甚至可能反转其决策排序。我们通过IriSig-Spoof来填补这一空白这是一个面向安全的基准集成了按月尺度组织、按采集日期整理的合法卫星测量数据、多场景欺骗数据以及标准化的评估程序。该基准解决了三个实际安全问题• RQ1时间鲁棒性。当固定模型在后期采集的数据上进行评估时卫星识别性能如何变化• RQ2带未知信号检测的RFF识别。仅在合法卫星信号上训练的模型能否识别已注册卫星同时拒绝来自先前未观察发射器的信号• RQ3跨场景欺骗检测。训练环境的多样性如何影响欺骗检测器的跨场景鲁棒性本文的主要贡献如下• 一个月度尺度、按日期组织的卫星信号数据集。我们在连续32天内从所有66颗在轨Iridium卫星收集了517万条Iridium寻呼警报消息。生成的IQ样本按采集日期和卫星身份进行同步和组织以支持RFF识别和时间鲁棒性评估。• 多场景物理层欺骗数据。我们在室内和室外环境中收集了基于软件定义无线电SDR的欺骗信号。生成的数据集捕获了不同的传播条件使得能够在真实的攻击场景中系统评估欺骗检测。这些数据将现有卫星RFF资源扩展到更多样化和更具挑战性的攻击条件。• 一个面向安全的卫星RFF基准。我们为时间鲁棒性、开放集认证和跨场景欺骗检测定义了标准化的评估程序和代表性的基线配置。该基准使得在时间变化和攻击环境变化下的可复现评估成为可能。II. 背景与相关工作II-A Iridium用户链路与寻呼警报消息Iridium星座由分布在六个近极轨道平面上的66颗在轨卫星组成。其用户链路工作在1616-1626.5 MHz L波段并采用混合频分多址/时分多址FDMA/TDMA方案[5, 21]。每颗卫星包含48个点波束和一个独立的RF发射链其制造公差和非线性可能引入持久的发射器相关失真。Iridium下行链路传输以突发形式组织[10]。每个突发是一个短物理层传输事件占用特定载波和TDMA时隙而相应的IRA消息代表从该突发恢复的协议层内容。在检测到突发后接收器执行载波频率校正、定时同步、解调和解码。我们聚焦于Iridium寻呼警报IRA消息因为在轨卫星定期广播它们。每个解码的IRA消息包含一个卫星标识符为RFF分析提供可靠的真实标签。如图1所示IRA消息包含前导码、唯一字和编码有效载荷。有效载荷包含描述发射卫星及其操作信息的协议字段。这些字段包括卫星标识符、波束标识符、位置相关字段、信道分配和寻呼信息。Bose-Chaudhuri-HocquenghemBCH编码保护信息位然后与预定义的填充字段组合并交织形成传输的有效载荷。交织操作将相邻编码位重新分布在整个消息中提高了对集群传输错误的鲁棒性。固定的前导码和唯一字与编码有效载荷组合以支持信号检测、同步和消息验证。图1 IRA消息的逻辑结构。II-B 卫星RFF数据集与安全评估地面RFF数据集如ORACLE和WiSig已经建立了可重复的设备识别任务并加速了数据驱动指纹识别的发展[16, 6]。这些数据集提供了来自多个发射器的结构化信号集合支持神经网络架构、信道鲁棒性和设备级分类的系统评估。相比之下公开可用的卫星RFF数据集仍然有限通常只关注卫星物理层分析的一个方面。PAST-AI提供了大量Iridium观测数据并支持从物理层特征识别卫星[12]。SatIQ保留了高采样率波形样本并评估了鲁棒的卫星发射器指纹识别、重放攻击检测和时间稳定性[18]。最近空中欺骗数据集引入了由装备SDR的无人机在不同飞行条件下生成的空中攻击[25]。表I代表性卫星物理层数据集数据集时间跨度按日期组织真实欺骗数据PAST-AI [12]59天部分否SatIQ [18]40天部分否Aerial spoofing [25]不适用否是IriSig-Spoof32天是是表I比较了与卫星RFF认证和欺骗检测最相关的数据集。所提出的IriSig-Spoof结合了按采集日期和卫星身份组织的合法Iridium观测数据以及在多个室内和室外环境中收集的欺骗信号。这些欺骗测量跨越了不同的传播条件因此能够系统评估检测器是否能泛化到室内和室外攻击场景。II-C 威胁模型攻击者的目的是注入虚假IRA消息或干扰接收器对合法流量的访问[19]。本工作聚焦于从成功提取的IRA波形中检测未经授权的发射源而非量化接收器在干扰下的可用性。攻击者了解公开的IRA消息结构并可以使用软件定义无线电生成协议兼容的传输。生成消息的内容包括卫星标识符和其他可变字段可以任意配置。攻击者可以将发射设备放置在目标接收器附近使得注入信号即使使用商用无线电硬件也能以足够功率到达。我们不考虑攻击者将注入波形与特定合法卫星突发同步并在接收器处替换它的精确遮蔽攻击。我们也假设攻击者不会破坏合法卫星、接收器硬件或接收器软件。防御目标是识别已注册卫星并拒绝由附近未经授权发射器发射的IRA波形。III. 测量与数据集构建III-A 采集平台图2 用于合法和欺骗测量的信号采集平台。图2说明了用于连续信号采集的采集平台。一个RST740有源天线接收L波段下行链路传输并通过同一RF电缆上的偏置器供电。一个USRP B210执行RF下变频和数字化以获得复基带IQ样本。宽带采集前端中心频率为1.621 GHz以16 MS/s采样复基带信号接收带宽为8 MHz。接收增益固定为60 dB。USRP将样本传输到采集服务器进行实时处理、解码和存储。服务器运行Ubuntu 22.04、UHD 4.6.0.0、GNU Radio 3.10.1.1和一个修改版的gr-iridium接收器。修改后的接收器保留了RFF分析所需的信号段并将其与解码的协议信息关联。服务器使用64 GB RAM和8 TB RAID存储进行连续采集。此配置支持长时间采集和大规模信号归档。图3信号采集天线的部署环境。天线部署在中国西安西安电子科技大学楼顶具有无遮挡的天空视野如图3所示。此位置提高了卫星可见性并减少了周围结构的遮挡。数据采集以每日会话自动进行。每个会话从10:00开始到次日09:50结束提供约23小时50分钟的连续采集。剩余10分钟间隔保留用于文件轮转、存储管理和下次会话前记录器的稳定。测量活动从2025年6月27日持续到7月28日覆盖32个连续采集日期。连续记录的IQ日志占用约744 GB反映了长期宽带IQ采集的存储成本。III-B 信号提取图4说明了我们修改后的gr-iridium接收器。原始处理流水线执行粗载波频率偏移CFO校正、信号检测和抽取、起始切割、残余CFO补偿、根升余弦RRC滤波、相位偏移校正、同步、锁相环PLL跟踪、解调和协议解码。这些操作提高了解调的可靠性。然而同步和跟踪阶段可能抑制对RFF分析有用的频率、相位和符号转换特性。图4 修改后的gr-iridium流水线及IQ提取点。我们在gr-iridium中引入了两个数据提取点以在保留准确同步信息的同时保持这些特性。首先我们在cutStart阶段之后立即提取接收的IQ序列。我们将此序列存储为残余CFO补偿、匹配滤波、相位旋转和PLL跟踪之前的原始IQ观测。然后我们扩展同步阶段以输出检测到的唯一字起始索引记为uw_start。我们将原始IQ观测和相应的uw_start附加到GNU Radio标签并联合导出它们以构建数据集。原始IQ观测保留了最小处理的波形特性。在解调和解码后我们将每个提取的观测与解码的卫星身份关联。此关联标记了物理层观测而无需对存储的IQ样本应用完整的接收器处理流水线。我们联合使用原始IQ观测和uw_start来构建每个项目。对于每个解码的IRA消息uw_start在原始IQ观测中识别唯一字的位置。我们使用此位置作为公共同步参考并保留从uw_start前500个样本到其后1500个样本的窗口。将生成的2000样本复序列分离为其同相和正交分量并将其存储为2×2000实数值的数组。每个数组是一个IRA消息的标准化表示构成完整IriSig-Spoof的基本数据单元。存储的样本包含接收基带波形而非解码的协议字段。它们在残余CFO补偿、匹配滤波、相位旋转和PLL跟踪之前提取因此保留了发射器和接收器相关的模拟变化。此外由于有效载荷字段因消息而异并通过信道编码、交织和差分调制处理一个协议值并不对应于提取观测中的单个固定样本级模式。III-C 欺骗信号生成图5欺骗信号采集场景。橙色三角形表示接收天线蓝色实心圆表示可见欺骗发射器位置蓝色空心圆表示隐藏在障碍物后面或视野之外的发射器。标记的位置为示意性用于单独测量而非同时进行。我们开发了一个基于SDR的IRA信号生成器并使用USRP B210传输合成的信号。每个生成的消息遵循完整的IRA构建过程包括BCH编码、交织和差分QPSK调制。位置、寻呼和其他可变协议字段对每个生成的消息独立随机化而卫星标识符固定为SAT1该标识符不分配给在轨Iridium卫星。此选择实现了明确的离线标记并在空中实验期间避免冒充现有卫星。尽管卫星标识符是固定的但它只占信息字段的一小部分。其编码位与随机化消息内容组合通过交织重新分布并映射到差分调制符号。因此原始IQ观测不包含仅由SAT1决定的固定局部波形段。相反标识符周围的符号序列因生成消息而异因为剩余字段和相应的编码位随消息变化。除复现IRA波形结构外生成器还模拟了合法传输的时间行为。我们从测量活动期间观察到的接收模式以及Iridium卫星在采集站点上方的预测可见性推导传输时间表从而近似合法IRA流量的广播节奏。使用此通用生成流水线我们在三种代表性传播环境下收集了欺骗信号办公室环境、中庭空间和开放室外区域。图5说明了相应的欺骗配置。室外场景我们首先在开放室外区域以25 m和50 m的发射器-接收器距离收集空中欺骗信号。此配置更接近对室外卫星终端的实际攻击其中攻击者从有限距离注入竞争信号同时合法Iridium传输仍然存在。在数据采集期间接收器同时观察合法卫星流量、环境噪声和欺骗信号。因此生成的测量捕获了代表真实室外接收条件的自由空间路径损耗和不受控传播效应。室内场景我们进一步在两种室内环境办公室和中庭中收集欺骗信号以更广泛的传播条件补充室外测量。这些环境包括视距LoS和非视距NLoS发射器放置以及合法卫星信号的衰减接收。室内配置引入了额外效应如遮挡、反射和多径传播代表卫星终端临时在窗户附近、公共设施内部或其他半控制空间中操作的情况。III-D 质量控制与数据集描述所有收集的IRA记录在数据集构建前都经过统一的质量控制程序。仅当检测到的唯一字位置满足uw_start ≥ 500时才保留记录。关联的原始IQ观测必须覆盖从uw_start - 500到uw_start 1500的完整区间。我们还排除了元数据解析失败的记录。这些标准确保每个保留的样本都能可靠同步、匹配有效元数据并以统一格式表示。图6 32个采集日期中质量控制程序丢弃的IRA记录数量。表II欺骗信号的质量控制结果场景丢弃的消息数保留的消息数办公室视距104092办公室非视距134414办公室走廊164269中庭主大厅24253中庭阳台744166中庭阳台非视距754331室外25米594636室外50米263190过滤结果表明采集的数据在整个测量活动中保持持续的高质量。如图6所示在每个采集日期被丢弃的合法记录比例保持在0.1%以下。不完整的前导码是拒绝的主要原因。元数据解析错误占较小且相对稳定的比例序列长度不足的记录在整个采集期间很少见。欺骗子集显示出相似的质量分布。如表II总结质量控制程序移除了0.8%的收集欺骗记录。这些结果表明合法和欺骗子集包含足够完整的样本可用于后续RFF分析。发布的IriSig-Spoof按采集日期和卫星身份组织。每个合法采集日期有一个按日期命名的专用采集目录。在每个目录内样本按发射卫星分组每个文件按卫星身份命名。每个文件存储来自一颗卫星和一个采集日期的所有有效样本为一个N×2×2000实值数组。在此表示中N表示IRA消息数其余维度包含同相和正交序列。欺骗集合使用相同的样本表示和文件格式。其目录名称标识攻击环境或采集配置。IV. 基准设计IriSig-Spoof基准定义了三个与第I节中研究问题相对应的模型无关评估任务时间鲁棒性、带未知信号检测的RFF识别以及跨场景欺骗检测。所有任务使用标准化的2×2000 IQ表示并控制采集日期、发射器身份和欺骗配置。训练、验证和测试集根据每个任务所考察的因素进行分离。模型选择和阈值校准仅使用训练和验证集而测试集保留用于最终评估。表III总结了参考协议和主要指标。表III提出的IriSig-Spoof基准测试协议研究问题训练与验证最终评估主要指标时间鲁棒性使用第1–7天的所有卫星身份使用冻结模型无自适应对第1–7天的留出样本以及第8–32天的相同身份进行评估每日准确率、跨日平均值、标准差、准确率范围未知信号检测下的射频指纹识别来自已登记卫星的合法信号不含欺骗样本来自已登记卫星的合法信号以及来自训练中未出现的发射器的欺骗信号AUROC、KAR、URR、接受准确率、ACR跨场景欺骗检测来自一个或多个配置的平衡合法与欺骗信号或仅合法信号用于开集检测对室内和室外欺骗信号进行按场景评估AUROC、AUPRC、URR、TPR1%FPRIV-A 时间鲁棒性此任务评估在初始采集期间训练的RFF模型在后期采集日期收集的信号上是否仍然可靠。第1-7天观察到的所有卫星身份用于训练和验证。生成的模型在相同期间的保留样本上进行评估然后在第8-32天的每个日期上评估不进行参数更新、微调或测试时适应。对于每个日期所有配置都在相同的固定80%样本子集上评估。日准确率表征时间变化而跨日平均值总结训练期后的性能。标准差和准确率范围量化日间稳定性同期和跨日性能之间的差异反映对时间变化的敏感性。IV-B 带未知信号检测的RFF识别此任务评估仅在合法卫星信号上训练的模型是否能识别已注册卫星同时拒绝来自先前未观察发射器的信号。训练或验证期间不使用欺骗样本或攻击者指纹。对于输入x模型首先生成初步卫星身份ŷ和模式m下的未知性分数s_m(x)。将分数与使用合法验证信号校准的阈值τ_m进行比较所有分数的方向设置为较大值表示与已注册卫星类别的不一致性更大。接收者操作特征曲线下面积AUROC测量合法和未知信号之间与阈值无关的区分能力。已知接受率KAR和未知拒绝率URR分别测量合法信号的接受和欺骗信号的拒绝。接受准确率是被接受合法信号中的识别准确率。接受且正确率ACR是既被接受又被正确识别的合法信号比例等于KAR与接受准确率的乘积。IV-C 跨场景欺骗检测此任务评估欺骗检测性能是否在室内和室外传播条件之间迁移。基准定义了有监督和开放集协议。有监督协议使用来自一个或多个采集配置的合法信号和欺骗信号训练二元检测器。合法和欺骗类别是平衡的且总训练集大小在各配置间固定。每个检测器在所有欺骗场景上评估包括其训练数据中不存在的场景。开放集协议仅使用合法卫星信号训练RFF模型。来自每个室内和室外场景的欺骗信号被视为先前未观察的发射器信号并分别评估。此协议测量在未事先暴露于欺骗数据的情况下的攻击拒绝能力。场景级AUROC和精确率-召回率曲线下面积AUPRC测量合法和欺骗信号之间的整体分离。URR报告在验证选择阈值下的欺骗拒绝率而TPR1%FPR在严格假正约束下评估检测。V. 实验评估V-A 实验设置我们使用多尺度注意力卷积神经网络MACNN作为公共RFF骨干来实例化三个基准任务[2]。MACNN被用作一致的参考实现以便任务和配置之间的差异不是由特征提取骨干的变化引起的。对于时间鲁棒性我们评估三种MACNN变体。第一种直接处理标准化的IQ样本不进行额外信号预处理或数据增强。第二种在分类前应用标准预处理流水线。第三种将预处理与数据增强和领域对抗目标[24]相结合以减少对采集条件的依赖。三种变体使用相同的架构和基于日期的评估协议。对于带未知信号检测的RFF识别我们在MACNN训练目标中增加三元组损失项以减少卫星内嵌入距离并增加卫星身份之间的分离。训练后合法样本用于为每个已注册卫星构建嵌入档案。初步身份预测由分类器产生而接受决策从分类器置信度或基于嵌入的分数获得。没有欺骗样本用于训练特征提取器、分类器或卫星档案。对于有监督欺骗检测我们用区分合法和欺骗信号的二元分类头替换多类识别头。每个配置使用相同数量的合法和欺骗样本且训练样本总数保持不变。用不同欺骗配置组合训练的模型然后分别在所有场景上评估。我们额外将开放集RFF模型应用于相同的场景级测试集以评估在训练期间无攻击数据情况下的欺骗拒绝。图7 标准预处理前后的星座图。发布的数据集保留最小处理的IQ样本以保留接收器处观察到的物理层特性。作为可复现的参考我们还提供了一个可选的预处理流水线包括幅度归一化、残余CFO校正和相位偏移补偿。图7说明了标准预处理流水线前后的样本分布。所有实验使用相同的2×2000输入表示并遵循第IV节中定义的数据划分。V-B 时间鲁棒性我们在IriSig-Spoof上在相同时间协议下评估了三种MACNN配置。对于每种配置前七个采集日用于训练和验证。训练后我们冻结生成的模型并在每个采集日期上评估不进行重新训练。对于每个日期我们随机选择80%的样本进行评估。图8 MACNN基线的跨日准确率。如图8所示所有三种配置在训练期和评估期之间的边界后都显示出明显的性能变化。在训练期后的25个日期中带信号预处理的MACNN实现了最高的平均准确率97.75%。其标准差为0.10个百分点总范围为0.41个百分点。带预处理和数据增强的配置实现了95.12%的平均跨日准确率和0.25个百分点的标准差。原始MACNN实现了90.81%的平均准确率也表现出最大的时间变化标准差为0.55个百分点范围为1.86个百分点。原始MACNN在其期内和跨日平均准确率之间显示出较小的名义差距。然而此较小差距主要反映其显著较低的期内准确率并不表示更大的部署鲁棒性。在测试协议下仅预处理配置提供了最强的时间鲁棒性因为它结合了最高准确率和最低的日间变化。结果表明信号预处理抑制了日期相关的干扰因素同时保留了卫星特定特征。相比之下增强配置的较低准确率表明所选的增强策略不能有效表示卫星链路的时间变化或引入了削弱判别性指纹特征的扰动。这些结果表明期内准确率本身不能表征长期鲁棒性。V-C 带未知信号检测的RFF识别前四个采集日的合法信号用于模型训练和验证。第五天从相同已注册卫星收集的信号形成已知测试集。未知测试集由在室外25 m和50 m场景中收集的真实欺骗信号组成。用于生成这些信号的SDR发射器不在训练数据中。图9 合法卫星信号的嵌入分布。图9展示了合法信号嵌入的t-SNE投影。大多数卫星类别形成紧凑且可区分的簇表明MACNN在其嵌入空间中保留了卫星相关信息。相邻簇之间仍存在少量重叠点这促使联合评估身份预测和未知信号拒绝。我们使用相同的训练MACNN模型评估四种未知性分数。所有嵌入都经过ℓ2归一化并使用余弦距离进行比较。单原型使用到每个已注册卫星平均嵌入的最小距离。多原型使用四个类别特定质心中最近的一个。kNN使用类平衡记忆库每卫星最多128个样本中十个最近嵌入的平均距离。Softmax不确定性结合了1-p(1)与1-(p(1)-p(2))其中p(1)和p(2)是两个最大的类别概率。后三种分数使用合法验证分数的中位数和MAD进行标准化。较大的分数表示较大的未知性每个阈值设置为其合法验证分布的第95百分位数。没有欺骗样本用于训练、档案构建或阈值校准。图10 不同开放集分数模式的ROC曲线。图10比较了四种分数模式产生的ROC曲线。所有配置的AUROC均大于0.95表明合法卫星信号和先前未观察的室外欺骗信号产生可区分的分数分布。Legacy提供了最强的整体排序其次是Softmax而kNN和多原型分数实现了略低的AUROC值。此差异表明在此实验中局部嵌入距离比分类器置信度对跨日变化更敏感。表IV开放集认证结果表格内容略表IV揭示了未知信号区分和操作卫星识别之间的区别。Legacy实现了最高的AUROC 0.9715和最高的URR 0.8583表明已知和未知信号之间最强的分离。然而Softmax为合法信号提供了最可靠的身份决策。它实现了最高的接受准确率0.9914和最高的ACR 0.9364而Legacy分别为0.9878和0.9339。其KAR与Legacy相当仅从0.9453降至0.9445而其AUROC降低了0.0042。这些结果表明当未知信号拒绝是主要目标时Legacy更可取而当强调被接受卫星身份的正确性时Softmax提供了更好的平衡。总体而言实验表明IriSig-Spoof支持未知信号分离、合法信号接受和卫星身份分配的联合评估。V-D 跨场景欺骗检测我们评估当传播环境与训练期间所表示的条件不同时欺骗检测器是否仍然可靠。在整个实验中欺骗发射器和接收器硬件保持不变使得观察到的差异主要归因于场景相关的传播条件。我们首先考虑使用一个、两个或三个欺骗配置训练并在所有场景上评估的有监督二元检测器。为进行受控比较每个模型使用相同数量的合法和欺骗样本进行训练且训练样本总数在各配置间固定。图11 不同训练配置下的跨场景欺骗检测。1S使用办公室LoS欺骗信号2S额外包含办公室NLoS3S进一步包含办公室走廊。图11显示在一个或两个欺骗配置上训练的检测器在匹配场景中实现了近乎完美的性能但在未见过的NLoS和室外条件下大幅退化。多个AUROC值低于0.5表明分数排序反转而非随机失败。由于发射器、接收器和信号发生器保持不变此行为与模型利用传播相关捷径如幅度、遮挡和多径特征而非环境不变的发射器特征一致。将训练多样性从1S增加到3S在剩余室内和室外场景中产生持续高的AUROC。标准预处理没有消除1S和2S模型的场景依赖性而更广泛的训练覆盖改善了两种预处理设置。这些结果表明场景多样性比单独预处理更可靠地贡献于跨场景鲁棒性。表V跨场景欺骗检测结果场景AUROCAUPRCURRTPR1%FPR办公室视距0.96950.89910.86260.5924办公室非视距0.97050.90520.86500.5837办公室走廊0.96830.89560.85660.5589中庭主大厅0.96930.90130.86500.5874中庭阳台0.96720.89560.85910.5787中庭阳台非视距0.97090.90510.87390.5821室外25米0.96940.88470.86050.5392室外50米0.97140.83120.85460.5194开放集RFF模型仅在合法卫星信号上训练而来自欺骗发射器的信号在评估期间被视为先前未观察的来源。表V分别报告了每个欺骗场景的性能。AUROC在所有场景中保持接近0.97URR保持约0.86表明合法卫星和先前未观察的欺骗发射器之间稳定的整体分离。然而AUPRC和TPR1%FPR在室外场景中下降特别是在50 m处。此结果表明强阈值无关排序并不一定在严格操作点提供同样可靠的检测。有监督检测器揭示了可用欺骗数据的多样性如何影响跨场景性能而开放集检测器评估了在没有事先暴露于攻击者的情况下的拒绝能力。场景级结果表明IriSig-Spoof可以暴露在相同场景或聚合评估中会被隐藏的性能差异。VI. 结论我们提出了IriSig-Spoof一个按日期、欺骗场景和卫星身份组织的月度尺度Iridium数据集和基准。结果表明预处理影响时间鲁棒性未知信号排序并不直接转化为可靠的身份分配在有限场景上训练的检测器可能学习传播相关的捷径。增加场景多样性改善了跨场景迁移突显了在时间和攻击条件下评估卫星物理层安全的必要性。该数据集使用一个欺骗SDR设备和一个主要接收器流水线时间约一个月。因此它不捕获季节性漂移或跨攻击者硬件、接收器配置、采集站点和更高级攻击条件的泛化。未来工作将延长采集持续时间、硬件多样性和攻击环境。数据集和评估代码将发布在https://zenodo.org/records/21292280。