全球导航卫星系统（GNSS）的干扰与欺骗识别正面临严峻挑战。传统的分类方法通常依赖于对原始数据或频谱流的后期处理，这涉及将海量数据传输至昂贵的云端处理系统，不仅延迟高且功耗巨大。针对这一痛点，本文提出了一种直接在硬件接收器端运行的高效方案，能够在实时分类干扰攻击的同时完成数据压缩。
该研究的核心在于引入生成式人工智能（GenAI），特别是利用变分自编码器（VAEs）部署在谷歌 Edge 张量处理单元（TPU）上。研究团队评估了多种自编码器（AE）架构，旨在通过压缩与重构 GNSS 信号，在最小化数据体积的同时精准保留关键的干扰特征。为了实现边缘侧的能源效率，研究人员利用 8 位量化（8-bit quantization）技术对大规模 AE 模型进行了适配，使其能够稳定运行在 Edge TPU 硬件上。
实验数据涵盖了原始同相/正交（IQ）数据、快速傅里叶变换（FFT）数据以及手工特征。测试结果表明，该系统实现了超过 42 倍的显著压缩比。在重构后的信号上，系统能够对约 72 种干扰类型进行准确分类，其 F2-score 达到 0.915，表现与基于原始信号的分类结果（F2-score 0.923）极其接近。这种硬件原生的 GenAI 方法大幅度降低了干扰信号的传输带宽与成本。
此外，研究还通过对条件 VAE（Conditional VAE）和因子分解自编码器（FactorVAE）进行消融研究，探索了潜在特征的解耦（latent feature disentanglement）。这一探索不仅增强了模型的可解释性，还为在关键基础设施等敏感干扰应用场景中建立对机器学习（ML）解决方案的信任提供了技术支撑。该成果已被 IEEE/ION PLANS 2025 会议接收。
