Erkennung von GNSS-Jamming und -Spoofing sowie Klassifikation von Funkstörungen

Satellitennavigation ist Grundlage für Luftfahrt, Schifffahrt, Telekom-Zeitsynchronisation und Stromnetze. Ihre Signale kommen am Empfänger schwächer als das thermische Rauschen an und lassen sich leicht überlagern. Seit 2022 haben anhaltendes Jamming und Spoofing, besonders rund um die Ostsee, das Schwarze Meer und das östliche Mittelmeer, die Erkennung zur betrieblichen Notwendigkeit gemacht. ML auf Spektrumdaten, Empfängertelemetrie und Integritätsmeldungen von Luft- und Wasserfahrzeugen macht aus rohem Funksignal klassifizierte Warnungen, Störungskarten und Beweismittel für die Durchsetzung.

Problem & Nutzen

• Wer: Flugsicherungsorganisationen (ANSPs), Flughäfen, Fluggesellschaften, Frequenzregulierer (z. B. Bundesnetzagentur), Mobilfunk- und Rundfunkbetreiber, Betreiber zeitkritischer Netz- und Finanzmarktsysteme, Seeverkehrsbehörden und Verteidigungsanwender.
• Heute: Die Erkennung stützt sich auf Pilotenmeldungen, Empfängeralarme, wenige feste Messstationen und manuelle Spektrumanalyse. Spoofing ist der schwierigere Fall: Die EASA betont, dass es für Besatzungen nicht sofort erkennbar sein muss und ein höheres Sicherheitsrisiko birgt als Jamming, das meist sofort auffällt [1].
• KI-Nutzen: laufende Klassifikation der Störungsart, frühere Spoofing-Erkennung ohne Spezialhardware, Fusion vieler schwacher Sensoren zu Karten und einheitliche Nachweise für NOTAMs und Durchsetzung. Öffentlich berichtete ML-Ergebnisse (z. B. hohe Genauigkeit bei der Jamming-Erkennung aus Rohmessungen) stammen aus kuratierten Datensätzen und dürfen nicht als Leistung im Feld gelesen werden [3][4].
• Kontext: EASA SIB 2022-02 wurde mehrfach überarbeitet (Revision 4 im Jahr 2026), dazu gibt es eine gemeinsame Task Force von EASA und EUROCONTROL zu GNSS-Störungen [1]; aus ADS-B abgeleitete Karten wie GPSJam zeigen die geografische Ausbreitung [2].

Varianten

• Luftfahrt/ANSP: Bodenüberwachung plus ADS-B-Integritätsanalysen für ein Lagebild des gesamten Luftraums.
• Frequenzregulierer: feste und mobile Messnetze, Peilung, Senderortung und Durchsetzungsakten.
• Zeitkritische Infrastruktur: Telekommunikationsanbieter, Netzbetreiber und Rechenzentren überwachen antennenseitige GNSS-Zeitempfänger und lösen Holdover aus.
• Seeverkehr/Logistik: Telemetrie von Flottenempfängern; die Verhaltensanalyse von AIS ist ANOM-032.
• Smartphone/Crowd: Android-GNSS-Rohmessungen als verteilte Sensoren.
• Verteidigung: Lagebild zur elektronischen Kampfführung; hier nur auf Architekturebene.

So funktioniert es

1. sensors (spectrum receivers | GNSS receivers | ADS-B/AIS feeds | phones)
2. feature extraction (spectrogram, C/N0 & AGC statistics, cross-satellite correlation, NIC/NACp)
3. detectors (unsupervised baseline anomaly | supervised interference classifier | spoofing classifier)
4. multi-sensor fusion (time-difference/power-based localisation, grid aggregation)
5. alert + map + evidence package
6. human review (spectrum engineer / ATC supervisor)
7. NOTAM, regulator action, fallback to PNT backup

• Störungsklassifikation: CNNs oder Gradient Boosting auf Spektrogrammen/IQ-Daten trennen CW-, Chirp- (Wobbel-), gepulste und Breitbandrausch-Jammer von sauberen Signalen. Veröffentlichte Arbeiten behandeln dies als Bild- oder Zeitreihenklassifikation von Zeit-Frequenz-Darstellungen [4].
• Spoofing-Erkennung: Merkmale wie die Kreuzkorrelation von C/N0-Zeitreihen über Satelliten hinweg, Doppler-/Pseudorange-Konsistenz und Uhrensprünge speisen SVM- oder Baummodelle; Forschungsarbeiten zeigen dies an Smartphone-Rohmessungen ohne Low-Level-Zugriff auf den Empfänger [3]. Die kryptografische Authentifizierung der Navigationsnachricht (Galileo OSNMA) liefert eine ML-freie Referenz zum Labeln und Gegenprüfen [5].
• Crowdbasierte Integrität: Luftfahrzeuge senden die Qualität ihrer Position aus; werden verschlechterte Werte pro Hex-Zelle und Zeitfenster aggregiert, ergeben sich Karten ohne eigene Sensoren [2].
• Mensch-in-der-Schleife (Human-in-the-Loop): Klassifikation und Ortung sind Entscheidungsunterstützung; die Ausgabe von NOTAMs, Durchsetzung und betriebliche Änderungen bleiben bei qualifiziertem Personal.

Datenaufbereitung

Die Daten stammen aus mehreren Welten: Spektrum-Überwachungsempfänger (IQ-Dateien, Spektrogramme), GNSS-Empfängerprotokolle und Zeitgeber (oft nur lokale Logs oder SNMP/NMEA-Streams), ADS-B/AIS-Feeds öffentlicher Aggregatoren sowie Betreiber- oder Pilotenmeldungen in E-Mails, Ticketsystemen oder Papierformularen. Typische Lücken: uneinheitliche Zeitstempel und Uhrensynchronisation zwischen Sensoren, fehlende Kalibrierungsmetadaten (Antenne, Verstärkung, Standort), sehr wenige gelabelte Ereignisse, Empfängertelemetrie, die nach wenigen Tagen überschrieben wird, und unklare Zugriffsrechte auf sensible Sensorstandorte.

Schritte der Aufbereitung: - Alle GNSS-abhängigen Systeme und ihre Telemetrie erfassen (siehe [[PREP-001]], [[PREP-005]] für Exporte und Konnektoren). - Logs zentralisieren, mit synchronisierten UTC-Zeitstempeln, einem gemeinsamen Schema und festgelegter Aufbewahrung. - Kalibrierungs- und Standortmetadaten neben jeder Aufzeichnung festhalten ([[PREP-010]]). - Labels aus Betreibermeldungen, Galileo-OSNMA-Status und bekannten Ereignissen aufbauen; Fachleute legen zuerst die Klassen fest ([[PREP-019]], [[PREP-018]]). - Karten und Sensorstandorte klassifizieren und den Zugriff beschränken ([[PREP-024]]).

Werkzeuge: Kafka oder MQTT, TimescaleDB, Grafana, H3-Raster, einfache Python-Skripte. Grober Anteil am Aufwand: etwa 30-40 Prozent des Projekts, vor allem Zeitsynchronisation, Labeling und Log-Aufbewahrung. Siehe auch [[GUIDE-003]].

Umsetzungswege

Welcher Weg für wen

• Unternehmen (ANSPs, Telekommunikationsanbieter, Netzbetreiber): B, weil kalibrierte Sensoren gekauft werden, die Fusion mit eigener Empfängertelemetrie, ADS-B/AIS-Feeds und Alarmprozessen aber eine Integration erfordert, die kein einzelnes Produkt abdeckt.
• Öffentliche Hand (Regulierer, Behörden): A, weil Durchsetzungsnachweise zertifizierte, kalibrierte Mess- und Peilgeräte mit Herstellersupport und vergabefesten Verträgen verlangen.
• Entwickler: C, weil GNU Radio, GNSS-SDR und offene ML-Stacks auf HW1-Edge-Knoten Forschung und Prototypen mit voller Kontrolle über die Signalkette erlauben.

Weg A — Kaufen (Standardsoftware)

• Spektrumüberwachung und Störungsortung: Rohde & Schwarz (DE; ARGUS, R&S MNT, Spectrum Monitoring Portfolio), CRFS (UK), Thales, Comsec-Regulierersysteme, Keysight.
• GNSS-Resilienz/-Überwachung: Septentrio (BE; AIM+ Störungs- und Spoofing-Überwachung), u-blox (CH; integrierte Jamming-/Spoofing-Indikatoren), Safran/Orolia (FR), Spirent-Tests, Hexagon/NovAtel.
• Luftfahrt-Analysen: OpenSky Network (CH), Flightradar24 und EUROCONTROL-Werkzeuge für ADS-B-basierte Störungsanalyse.
• A wählen, wenn: Sie Regulierer, ANSP oder Betreiber sind und zertifizierte, kalibrierte Geräte sowie Support brauchen; KI ist dann ein Merkmal des Produkts, nicht Ihre eigene Entwicklung.

Weg B — Auf Cloud-KI-Diensten aufbauen

• ADS-B/AIS-Feeds einlesen (OpenSky API, kommerzielle Aggregatoren), Aggregation und Anomalieerkennung in einer Cloud in der EU-Region betreiben (Zeitreihen-DB, Stream-Verarbeitung, verwaltetes ML).
• LLMs bringen nur am Rand Nutzen: Entwurf von Störungsberichten und Zusammenfassung von Meldungen; sie verarbeiten kein Funksignal. Rohe Sensordaten gehören nicht in allgemeine LLM-APIs, wenn sie sensible Infrastruktur offenlegen.

Weg C — Selbst betreiben (Open Source)

• SDR-Frontends: USRP, HackRF, RTL-SDR für Experimente; kalibrierte Empfänger für den Regulierereinsatz.
• Software: GNU Radio, GNSS-SDR, PyTorch/torchsig-artige Signalklassifikation, scikit-learn/ XGBoost, Kafka plus TimescaleDB/Grafana, H3-Raster für Karten.
• Hardware: HW1-Edge-Knoten (Jetson/CPU) je Sensor für die Inferenz; ein kleiner zentraler Server für die Fusion. Training auf einer Workstation-GPU (HW2).
• Aufwand: erfordert HF-Ingenieure; gelabelte Felddaten sind der Engpass.

Weg D — Eigenes Training

Oft gerechtfertigt: Störungssignaturen hängen von lokalen Sensoren und Rauschböden ab. Benötigt werden Aufzeichnungen bekannter Jammer (aus kontrollierten, genehmigten Testkampagnen), saubere Referenzaufnahmen und simulatorerzeugtes Spoofing (z. B. auf Basis von Spirent/GNSS-SDR) sowie Domänenanpassung über verschiedene Empfänger hinweg. Der Transfer von synthetisch zu real ist das Hauptrisiko. Tests mit Sendern erfordern eine behördliche Genehmigung.

Stand der Technik (2026)

• Die Klassifikation gängiger Jammer-Typen auf Spektrogrammen ist im Labor ausgereift; die Open-Set-Erkennung unbekannter Sender und die Robustheit über Empfänger hinweg sind weiterhin aktive Forschung [4].
• Die Spoofing-Erkennung bewegt sich in Richtung Authentifizierung (Galileo OSNMA, dazu geplante GPS- und andere Erweiterungen) in Kombination mit statistischen Anomalieprüfungen; ML unterstützt die Fusion, ersetzt aber nicht die Authentifizierung [3][5].
• Crowdbasierte Kartierung aus ADS-B wird operativ und journalistisch breit genutzt, zeigt aber Störungen nur in Flughöhe und ist durch die Verkehrsdichte verzerrt [2].
• Regulierung: Die EASA-Revisionen ergänzen Sprechgruppen, EFB-Integration und Schulungsanforderungen und spiegeln damit den Flugbetrieb, nicht allein die Erkennung [1].
• Grenzen: Fehlalarme durch legitime Störungen (Radar, defekte Geräte, unbeabsichtigte Sender); Meaconing und raffiniertes kohärentes Spoofing ahmen echte Signale nach; Angreifer passen sich an; veröffentlichte Genauigkeiten von 99 % beruhen auf Benchmark-Daten; die Ortungsgenauigkeit hängt von der Sensorgeometrie ab.

Gemeinsame Bausteine & Kombinationen

• Zeitreihen- und Anomalie-Stack gemeinsam mit ANOM-005 (Industriesensoren), ANOM-030 (KPI- Anomalien) und ANOM-008 (Netzanomalien).
• ANOM-032: Die Analyse von AIS-Spoofing-Verhalten ergänzt Nachweise auf HF-Ebene für Schiffe.
• SEC-006: Erkennung auf Paketebene; mit HF-Warnungen kombinieren bei Vorfällen in der Zeitinfrastruktur.
• VIS-044: Drohnenabwehr-Sensorik fusioniert HF-Erkennung mit Kameras und Radar.
• ROBO-006: Drohnen brauchen ein GNSS-freies Rückfallverhalten, das von diesen Warnungen gesteuert wird.

Aufwand, Kosten & Kennzahlen

• Weg A: Monate für Beschaffung und Kalibrierung; Sensorhardware und Lizenzen dominieren die Kosten.
• Weg B: 2-4 Monate für eine ADS-B/AIS-Analysepipeline.
• Weg C/D: 6-12+ Monate, HF-Expertise, Feldkampagnen und langfristiger Sensorbetrieb.
• Kennzahlen: Erkennungslatenz, Precision/Recall je Störungsklasse gegenüber gelabelten Ereignissen, Fehlalarm- rate je Sensor und Tag, Ortungsfehler (km), Anteil der Ereignisse mit verwertbarem Nachweis, Zeit von der Warnung bis zum NOTAM/Hinweis, vermiedene Holdover-Ereignisse bei der Zeitsynchronisation.

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung früh ein, für Budget und Verantwortung für Warnungen, und die Abteilungsleitung (Betrieb, Frequenzmanagement oder Flugverkehrsaufsicht) als Prozessverantwortliche. IT und IT-Sicherheit binden Sensoren an und schützen sensible Störungskarten; Datenverantwortliche geben Empfängerprotokolle und Feeds frei. Recht/Compliance klärt Frequenzrecht, Beweisstandards, NIS2-Pflichten und die Rolle nach KI-Verordnung (AI Act). Legen Sie mit den Endanwendern (Ingenieure, Schichtleiter) fest, wer auf eine Warnung reagiert, bevor Sie Modelle abstimmen.

Betriebsrat: abhängig vom Einzelfall. Das System analysiert überwiegend Signale, nicht Beschäftigte. Eine Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG entsteht, wenn Betreiberprotokolle, Schichtdaten oder die Nutzeraktivität des Warnwerkzeugs erfasst werden und zur Leistungskontrolle dienen könnten; §90 Abs. 1 Nr. 3 verlangt eine rechtzeitige Unterrichtung, wenn Arbeitsverfahren mit KI geplant werden. In öffentlichen Stellen gilt der Personalrat. Datenschutz: Die oder der Datenschutzbeauftragte prüft Kennzeichen von Luftfahrzeugen, Schiffseigner und Smartphone-Crowd-Daten; für crowdbasierte Standortdaten ist wahrscheinlich eine DSFA nötig, und für Cloud-Anbieter braucht es einen AVV.

KI-Kompetenz: Unterstützen Sie die Beschäftigten mit kurzen Schulungen zu Fehlalarmen, den Grenzen veröffentlichter Genauigkeitswerte und dazu, wann zu eskalieren ist (Art. 4 KI-Verordnung). Beginnen Sie mit einem Pilot an einem Standort oder in einer Region, lassen Sie Warnungen im Schattenmodus laufen und behalten Sie den Menschen in der Kontrolle: NOTAMs, Durchsetzung und Rückfälle bleiben bei qualifiziertem Personal. Typische Sorge: Alarmmüdigkeit; begegnen Sie ihr mit Fehlalarm-Kennzahlen und Rückkopplungsschleifen.

Leitfäden: [[GUIDE-009]], [[GUIDE-013]], [[GUIDE-004]].

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel nicht verboten. Systeme, die als Sicherheitskomponenten bei Verwaltung und Betrieb kritischer digitaler Infrastruktur oder des Flugverkehrs eingesetzt werden, können nach Anhang III Nr. 2 oder sektoralem Recht nach Anhang I hochriskant sein; ein reines Überwachungs-/Analysewerkzeug ist oft minimal. Die Einstufung hängt von der Rolle ab: je Einsatz prüfen. Keine Praxis nach Art. 5 betroffen, es sei denn, die Daten werden zum Profiling von Personen genutzt.
• DSGVO: ADS-B/AIS werden ausgestrahlt und sind meist nicht personenbezogen, aber Kennzeichen oder Schiffe können natürlichen Personen zugeordnet werden (Eigner, Piloten); Smartphone-Crowd-Daten sind personenbezogene Daten (Standort, Geräte-IDs) und erfordern Einwilligung oder eine Prüfung des berechtigten Interesses, Minimierung und Aggregation.
• Frequenzrecht: ITU-Vollzugsordnung für den Funkdienst und nationales Recht (TKG in Deutschland) verbieten schädliche Störungen; der Umgang mit Nachweisen muss Durchsetzungsstandards genügen. Messstationen brauchen eine geeignete Genehmigung; Jammer niemals außerhalb genehmigter Frequenzbereiche testen.
• Branchenregeln: NIS2 für kritische Sektoren; ICAO- und EASA-Vorgaben für die Luftfahrt.
• Sensibilität: Störungskarten können militärische Aktivitäten oder Sensorstandorte offenlegen; Zugriffs- kontrolle anwenden. Dieser Eintrag behandelt nur Erkennung und Regelwerk, nicht Methoden zur Erzeugung von Störungen.
• Gegenmaßnahmen: menschliche Prüfung der Warnungen, Bestätigung durch mehrere Sensoren, Rückfälle ohne GNSS (Inertial, DME/VOR, Zeitgebung nach Art von eLoran, Atomuhr-Holdover), Modellüberwachung.

Erste Schritte

1. GNSS-Abhängigkeiten (Luftfahrt, Zeitsynchronisation, Flotte) und vorhandene Empfängeralarme erfassen.
2. ADS-B-basierte Störungsdaten (OpenSky, GPSJam) für Ihre Region abrufen, um eine Ausgangsbasis zu schaffen.
3. Empfängertelemetrie (C/N0, AGC, Satellitenanzahl) zentral protokollieren und eine unüberwachte Basislinie aufbauen.
4. Einen Spektrumsensor ergänzen oder einen Überwachungsdienst kaufen; Ereignisse mit Betreibermeldungen labeln.
5. Den Ablauf von der Warnung zur Maßnahme festlegen (wer gibt das NOTAM aus, wer informiert den Regulierer), bevor ML abgestimmt wird.

Quellen

1. EASA news — SIB on GNSS interference (SIB 2022-02, Rev. 4) — https://www.easa.europa.eu/en/newsroom-and-events/news/easa-updates-safety-information-bulletin-gnss-interference
2. GPSJam, ADS-B-derived GPS interference map — https://gpsjam.org
3. Rustamov, Minetto, Dovis — spoofing detection on smartphone raw GNSS measurements — https://iris.polito.it/retrieve/handle/11583/2977330/669243
4. arXiv 2501.02352 — GNSS/GPS spoofing and jamming identification using ML and DL — https://arxiv.org/abs/2501.02352v1
5. Galileo OSNMA (European GNSS Service Centre) — https://www.gsc-europa.eu/galileo/services/galileo-open-service-navigation-message-authentication-osnma
6. Inside GNSS — Leveraging advanced ML to detect and mitigate spoofing and jamming — https://insidegnss.com/leveraging-advanced-ml-to-detect-and-mitigate-spoofing-and-jamming/
7. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj