कॉम्पैक्ट भाषा मॉडल वास्तविक सैटेलाइट नेविगेशन सिग्नलों को नकली सिग्नलों से अलग करना सीखते हैं

नकली नेविगेशन सिग्नल की समस्या

आधुनिक कार अब लोगों को ढोने वाली साधारण मशीन से कम समानता रखती है। यह पहियों पर चलने वाला एक जटिल कंप्यूटर है, जो लगातार निर्णय लेता रहता है: कहाँ मुड़ना है, कब ब्रेक लगाना है, बाधा से कैसे बचना है। और लगभग हर ऐसा निर्णय सैटेलाइट नेविगेशन के डेटा पर आधारित होता है। लेकिन क्या होगा अगर सैटेलाइट से आने वाला सिग्नल असली न हो? कोई हमलावर नकली निर्देशांक प्रसारित कर सकता है, जिससे कार के सामने दुनिया की झूठी तस्वीर बन सकती है। इसे GNSS स्पूफिंग कहते हैं, और स्वायत्त वाहनों के लिए ऐसा हमला सिर्फ रूट की गलती नहीं, बल्कि वास्तविक दुर्घटना का कारण बन सकता है।

नकली सिग्नल को असली से अलग करना आसान नहीं है। सिग्नल की ताकत या पैकेट के आगमन समय की सामान्य जाँच हमेशा मदद नहीं करती — नकली सिग्नल बहुत उच्च गुणवत्ता का हो सकता है। यही कारण है कि शोधकर्ताओं ने एक असामान्य दृष्टिकोण प्रस्तावित किया: रेडियो सिग्नलों को ही परखने के बजाय, उन्होंने वाहन के व्यवहार की तुलना करने का निर्णय लिया — जो नेविगेशन डेटा भविष्यवाणी करता है, उसकी तुलना अन्य सेंसरों — जैसे इनर्शियल मापक, कैमरे या ओडोमेट्री — से प्राप्त जानकारी से की। अगर GNSS एक बात कहता है और बाकी सेंसर कुछ और, तो कुछ गड़बड़ है।

छोटे मॉडल कैसे धोखा पहचानना सीखते हैं

विकास के लेखकों (लेख arXiv पर संख्या 2608.17092 के तहत उपलब्ध है) ने साधारण तुलना से आगे बढ़कर काम किया। उन्होंने एक ऐसी प्रणाली बनाई जो वाहन की स्थिति के डेटा को संरचित पाठ्य विवरणों में बदल देती है — छोटे अर्थपूर्ण वर्णन जैसे «कार सीधी चल रही है, गति 60 किमी/घंटा, GNSS बाईं ओर 2 मीटर का विस्थापन दिखा रहा है»। ऐसे पाठों पर एक कॉम्पैक्ट भाषा मॉडल प्रशिक्षित होता है, जो तय करता है कि वर्तमान डेटा में हमले के संकेत हैं या नहीं।

पाठ्य विवरण ही क्यों, कच्चे आँकड़े क्यों नहीं? भाषा मॉडल अनुक्रमों के साथ अच्छा काम करते हैं और छिपे हुए पैटर्न को पकड़ सकते हैं, जिन्हें साधारण सूत्र के रूप में व्यक्त करना मुश्किल है। इसके अलावा, यह प्रारूप नए प्रकार के डेटा को आसानी से जोड़ने की सुविधा देता है — पहियों के तापमान से लेकर रडार की रीडिंग तक — बस उन्हें विवरण में जोड़कर।

प्रशिक्षण स्वयं सूचना के दो प्रवाहों की तुलना पर आधारित है: एक नेविगेशन प्रणाली से लिया जाता है, दूसरा स्वतंत्र सेंसरों से। यदि वे एक निश्चित तरीके से भिन्न होते हैं, तो मॉडल यह वर्गीकृत करना सीखता है कि वास्तव में क्या हुआ: सिग्नल को आंशिक रूप से बदला गया, पूरी तरह से, या हमला अभी शुरू ही हुआ है।

प्रयोग और परिणाम

इस दृष्टिकोण की प्रभावशीलता की जाँच के लिए, शोधकर्ताओं ने पाँच परिदृश्यों के साथ प्रयोगों की एक श्रृंखला आयोजित की:

• कोई हमला नहीं — सामान्य ड्राइविंग;
• overshoot — आवश्यक मोड़ से «आगे निकल जाना»;
• stopped — पूर्ण रुकावट का अनुकरण;
• turn-by-turn — चरण-दर-चरण झूठी दिशा;
• wrong-turn — गलत मोड़, जो कथित तौर पर कार लेती है।

डेटा प्रयोगशाला सिमुलेशन और शहर में वास्तविक क्षेत्र परीक्षणों दोनों से एकत्र किया गया था। इसके अलावा, क्षेत्र का डेटा भौगोलिक रूप से नया था — यानी मॉडल ने इसे प्रशिक्षण के दौरान नहीं देखा था। यह एक महत्वपूर्ण जाँच है: एल्गोरिदम को केवल परिचित मार्गों पर ही नहीं, बल्कि हर जगह काम करना चाहिए।

परिणामों की तुलना बड़े भाषा मॉडलों से की गई, जिन्हें उसी डेटा पर प्रशिक्षित किया गया था। यह पता चला कि कॉम्पैक्ट मॉडल अपने «बड़े» समकक्षों से किसी भी तरह कम नहीं हैं: औसत सटीकता 96.99%, precision — 99.05%, recall — 95.59%, और F1-माप — 97.18% रही। और यह इस तथ्य के बावजूद कि छोटे मॉडल काफी कम कंप्यूटिंग संसाधनों की माँग करते हैं।

सबसे दिलचस्प बात है प्रतिक्रिया की गति। प्रणाली वास्तविक समय में डेटा संसाधित करने में सक्षम है, प्रशिक्षण और इन्फ्रेंस दोनों के दौरान GPU पर भार नहीं डालती। यह इसे सीधे कार के ऑन-बोर्ड कंप्यूटर पर स्थापित करने के लिए उपयुक्त बनाता है, जहाँ शक्तिशाली सर्वर और असीमित ऊर्जा नहीं होती।

यह वास्तविक परिवहन के लिए क्यों महत्वपूर्ण है

बड़े भाषा मॉडल अपनी क्षमताओं से प्रभावित करते हैं, लेकिन कार के लिए आकार मायने रखता है। आधुनिक परिवहन एक सीमित कंप्यूटिंग प्लेटफ़ॉर्म है: यहाँ हर वाट ऊर्जा और हर मेगाबाइट रैम कीमती है। एक मॉडल जिसे शक्तिशाली ग्राफिक्स कार्ड की आवश्यकता होती है, वह शायद ही किसी सीरियल कार में आएगा। लेकिन एक कॉम्पैक्ट समाधान, जो ऑन-बोर्ड कंप्यूटर के समान उपकरण पर काम करता है, वास्तविक रूप से लागू होने योग्य उम्मीदवार है।

इसके अलावा, छोटे मॉडल तेज़ी से अपडेट होते हैं और नए प्रकार के हमलों के अनुकूल होना आसान होता है। यदि हमलावर नकली सिग्नल का नया परिदृश्य लेकर आते हैं, तो सिस्टम को बिना गंभीर लागत के नए उदाहरणों पर फिर से प्रशिक्षित किया जा सकता है। यह लचीलापन सुरक्षा के लिए महत्वपूर्ण है।

एक और महत्वपूर्ण बिंदु — इंटरनेट के बिना काम करने की क्षमता। स्पूफिंग का पता लगाने के लिए क्लाउड सर्वर से संपर्क करने की आवश्यकता नहीं है: सब कुछ स्थानीय रूप से होता है। यह विलंबता को कम करता है और संचार पर निर्भरता को समाप्त करता है।

निष्कर्ष

अध्ययन से पता चलता है कि कॉम्पैक्ट भाषा मॉडल केवल बड़ी प्रणालियों का छोटा संस्करण नहीं हैं, बल्कि सुरक्षा के व्यावहारिक कार्यों को हल करने के लिए एक स्वतंत्र उपकरण हैं। डेटा को पाठ्य विवरणों में बुद्धिमानी से बदलने के कारण, उन्होंने उच्च सटीकता के साथ वास्तविक सैटेलाइट नेविगेशन सिग्नल को नकली से अलग करना सीख लिया है, और साथ ही वे इतनी तेज़ी से काम करते हैं कि वास्तविक कारों में उपयोग किए जा सकें।

बेशक, सीरियल उत्पादन से पहले अतिरिक्त परीक्षण करने होंगे — उदाहरण के लिए, अधिक जटिल शहरी परिस्थितियों या खराब मौसम में सिस्टम की जाँच करना। लेकिन यह दृष्टिकोण स्वयं बहुत आशाजनक दिखता है: मॉडलों को अंतहीन रूप से जटिल बनाने के बजाय, शोधकर्ताओं ने उनके कॉम्पैक्ट संस्करणों को प्रभावी ढंग से उपयोग करने का एक तरीका खोजा है, जहाँ वास्तव में इसकी आवश्यकता है।