GAC‑KAN: Ultra‑leichter GNSS‑Störklassifikator für GenAI‑basierte Edge‑Geräte

Die Integration von Generative‑AI (GenAI) in Konsumelektronik – von KI‑gestützten Assistenten in Wearables bis hin zu generativer Planung in autonomen Drohnen – hat die Nutzererfahrung revolutioniert. Gleichzeitig belasten diese Anwendungen die Edge‑Hardware stark, sodass nur sehr begrenzte Ressourcen für grundlegende Sicherheitsaufgaben wie den Schutz von GNSS‑Signalen übrig bleiben. Ein weiteres Hindernis ist die Knappheit an realen Stördaten, die robuste Klassifikatoren für solche Geräte erschwert.

Um diese beiden Herausforderungen zu meistern, stellt der neue Ansatz GAC‑KAN vor. Zunächst wird ein physik‑geleitetes Simulationsverfahren eingesetzt, um ein umfangreiches, hochpräzises Jamming‑Datenset zu synthetisieren und damit den Datenmangel zu überwinden. Anschließend wird ein Multi‑Scale Ghost‑ACB‑Coordinate (MS‑GAC) Backbone entwickelt, der asymmetrische Faltungsblöcke (ACB) mit Ghost‑Modulen kombiniert, um reichhaltige spektral‑zeitliche Merkmale mit minimaler Redundanz zu extrahieren.

Im Entscheidungs­kopf ersetzt GAC‑KAN den klassischen Multi‑Layer‑Perceptron (MLP) durch ein Kolmogorov‑Arnold‑Netzwerk (KAN). Dieses nutzt lernbare Spline‑Aktivierungsfunktionen, um eine überlegene nichtlineare Abbildung mit deutlich weniger Parametern zu erreichen. Die Resultate zeigen, dass GAC‑KAN eine Gesamt­genauigkeit von 98,0 % erzielt und damit die aktuellen Spitzen­modelle deutlich übertrifft.