AI揪出干扰源：频谱保卫战

概述：频率是无线网络的地皮，干扰就是地皮上的违章建筑。从波罗的海上空的GPS欺骗、以色列机场的导航失灵，到运营商基站每天被扫频仪揪出的非法中继器，干扰排查一直是通信行业最依赖“老师傅”的活：一辆监测车、两三个人、几天甚至几周才能锁定一个干扰源。本文回答一个问题：当AI进入频谱监测领域后，干扰排查的作业模式发生了什么改变？文章以欧洲航空安全局（EASA）的GNSS干扰通报和行业组织OPS GROUP的干扰日报为权威锚点，结合学术界公开的调制识别数据集与运营商无线网优化实践，拆解AI频谱监测的技术原理、落地案例与边界。

一、频谱上的“违章建筑”：干扰从哪来

干了十几年无线网的老工程师都知道一句行话：无线网络的所有问题，先查干扰，再查参数，最后才怀疑设备。这句话背后的逻辑很简单——空口是共享介质，谁都能发信号，但只有持有执照的才被允许发。频谱就像城市的地皮，执照就是规划许可证，而干扰源就是地皮上的违章建筑：没人批准、来路不明、危害不小。

第一类，恶意或半恶意的非法发射。 典型如“黑广播”（非法调频电台，卖假药广告为主）、“伪基站”（冒充运营商频点发诈骗短信）、考试用的全频段屏蔽器。这类设备功率大、占频段、影响公共安全，是我国无线电管理机构常年打击的对象，每年高考、考研期间，各地无线电监测站都要出动保障考场周边电磁环境。

第二类，设备性干扰。 最典型的是不合格的直放站/中继器：用户家里信号差，网上买台三无放大器装上，结果它不自激就上下行串扰，把周边一整片基站的上行底噪抬起来。这类干扰占比极高，是运营商网络优化投诉单里的常客。此外还有工程质量问题导致的PIM（无源互调）干扰——馈线接头没拧紧、天线老化，两个强载波一混频，互调产物正好落在自家上行接收频段里，属于“自己打自己”。

第三类，系统间干扰。 不同业务之间因频率相邻或设备指标问题互相影响。最著名的公开案例就是2021-2022年美国的5G C-band与飞机无线电高度计之争：AT&T和Verizon在3.7GHz频段开通5G，航空业担心信号泄漏影响飞机雷达高度计的工作频段，双方在华盛顿拉扯数月，最终运营商同意在部分机场周边设置临时缓冲区、推迟开闸（事件经过当时被路透社等媒体大量报道，本文第三节还会展开）。

第四类，国家行为背景下的蓄意干扰与欺骗。 这类不是运营商的日常业务，却正在成为全球航空与通信行业的心腹大患——GNSS（GPS/北斗/伽利略）干扰与欺骗。俄乌冲突以来，波罗的海沿岸、中东地区的民航航班每天有成千上万架次遭遇GPS信号异常，这已经不是新闻，而是常态。

前两类是传统监测的主要工作量，后两类则把频谱安全提到了国家安全的高度。而这四类问题，如今都成了AI的用武之地。

二、干扰正在失控：航空业的GPS危机

要理解AI为什么会被引入频谱监测，得先看看问题的规模涨到了什么程度。这一节的数据以两个业内公认的权威来源为锚点：一是欧洲航空安全局（EASA）持续发布的GNSS干扰通报（可在EASA官网的GNSS Interference专页查阅，链接见文末参考来源），二是国际民航从业者组织OPS GROUP发布的GPS干扰每日报告（其官网设有GPS Jamming Info专页，向公众公开干扰态势）。

综合这两个来源的公开信息（具体数字以官方通报为准），近几年干扰态势有三个明显特征：

第一，从“偶发”变成“日常”。 EASA自2022年起针对波罗的海、中东等地区持续发布GNSS干扰安全通报，覆盖范围从冲突边境扩展到了整个东欧、黑海与中东空域。OPS GROUP的干扰日报显示，每天有大量航班在飞经这些区域时报告GPS位置漂移、导航降级。这些报告是飞行机组真实上报的汇总，不是推测。

第二，从“干扰”升级为“欺骗”。 干扰（Jamming）是把信号压住，飞机至少知道导航失效；欺骗（Spoofing）是给你发假信号，让你在不知情中偏航，危害等级完全不同。以色列本古里安国际机场自2023年秋冬以来长期遭受大规模GPS欺骗，机组和管制员看到的飞机位置与真实位置出现系统性偏差，多家外媒（路透社等）报道以方将源头指向伊朗支持的势力——此类归因属于当事国立场，读者知悉即可，但干扰本身的存在有大量航班数据佐证。

第三，干扰范围可以“画在地图上”。 独立开发者基于ADS-B广播数据（航班自动播发位置、速度的协议）建立了公开的GPS干扰热力图网站gpsjam.org，用每天全球航班的导航一致性数据反推哪里有干扰：一片区域内的飞机报告的位置精度异常，就说明那里很可能有压制或欺骗。这张图如今成了航空业评估航路风险的标配工具，也间接说明了问题规模——大到可以用民航大数据每天成图。

对民航业的直接冲击有一个标志性事件：2024年8月底，芬兰航空（Finnair）因塔林航线遭遇的GPS干扰过于频繁，一度暂停了赫尔辛基—塔林这一短线航班（据BBC等外媒当时报道），以其他方式规避干扰区。一家欧洲主要航空公司因为GPS干扰停飞一条航线，这在和平时期民航史上几乎没有先例——虽然恢复很快，但它传递的信号是明确的：频谱与导航资源受到的威胁，已经从“技术 nuisance”上升到了“运营风险”。

对通信行业来说，这件事的警示同样直接：5G时代大量行业应用依赖高精度定位（电网、港口、矿区、车联网），如果GNSS干扰可以常态化存在，运营商的定位类业务、TDD网络的GPS时钟同步都会成为被打击面。基站之间靠GPS对时钟，时钟漂了，TDD上下行配时就乱，整片网络瘫痪——这不是理论推演，而是多年前沿海某市出现过GPS授时被干扰导致大片基站退服的真实故障类型（当年业界多家媒体均有报道）。频谱保卫战，通信行业和航空业其实在同一条战壕里。

三、传统排查为什么慢：一辆车、两三个人、一周起步

传统干扰排查的标准流程，各地无线电管理机构和运营商网络部门大同小异：

flowchart TD
    A["用户投诉或告警发现"] --> B["网管侧初判干扰频段"]
    B --> C["监测站扫描定位方向"]
    C --> D["监测车移动逼近"]
    D --> E["手持测向仪逐楼排查"]
    E --> F{"找到源头?"}
    F -->|是| G["行政执法或工程整改"]
    F -->|否| C

这套流程的本质是人肉二分法：先用固定监测站测向，给出一个大方位；再派监测车沿着方位角开，边开边扫频，信号越来越强，方向越收越窄；最后下车拿着手持测向设备逐栋楼、逐层排查。在城市峡谷里，信号反射多径严重，测向仪经常被楼体反射带偏，一个干扰源查一个星期不稀奇。行业里甚至有专门的公司和职业——“代查干扰”，按天收费，靠的就是这门老师傅的手艺。

其一，发现晚。 很多干扰是用户投诉驱动或者基站告警驱动。非法中继器把上行底噪抬起来，网络侧最早的异常可能是话统里掉线率悄悄涨了几个千分点，等排到这一步，干扰可能已经存在几天甚至几周。

其二，判型难。 到了现场，扫频仪上看到的是一个频谱图。窄带？宽带？扫频式？脉冲式？是中继器自激、是劣质LED电源的电磁泄漏，还是隔壁单位的屏蔽器？这些“指纹”的识别，过去全靠老师傅的经验数据库——干了十几年的老工程师脑子里存着上百种干扰波形样本，一眼定性。这种知识无法规模化，人一退休经验就带走。

其三，跨域协同贵。 干扰排查往往需要协调监测站数据、监测车出动、运营商侧配合关闭载波做验证（关载波看底噪是否下降，是确认干扰关联性的经典手段），多方联动，人力成本高昂。

频谱监测的问题规模在涨（外部威胁激增、频段越来越密、5G/6G频谱重耕带来新的邻频关系），处置模式却还是十年前的。AI进场，就是冲着这三个瓶颈来的。

四、AI怎么干活：把频谱变成图像，把老师傅变成模型

AI做频谱监测，技术上并不神秘，核心思路一句话：把射频问题转化为机器擅长的问题——图像分类、时序异常检测、多源数据融合定位。拆开看是三件事。

1. 干扰“指纹”识别：让模型背下老师傅的样本库

每一种干扰源在频谱瀑布图（横轴频率、纵轴时间、亮度为功率）上都有自己的长相：模拟调频的黑广播是一个稳定的宽带柱状信号，带伴音副载波；中继器自激是颤巍巍的宽带噪声抬升，随时间漂移；扫频式屏蔽器是周期性横扫的亮带；雷达入浸是规律的脉冲簇。

这些“长相”就是图像。把频谱瀑布图当作图片喂给卷积神经网络做分类，是学术界和工业界都在用的成熟路数。更细一层是自动调制识别（AMC）：不用看图，直接对IQ采样数据提特征，让模型判断信号是FM、QPSK还是OFDM，进而推断发射设备类型。这个方向有一个业内公认的公开基准——DeepSig公司发布的RadioML数据集（2016.10A与2018.01A两个版本，后者覆盖24种调制样式），从发布至今几乎是所有调制识别论文的标配评测集（官网与数据集说明见文末参考来源）。学术界在这个数据集上，用CNN类模型对常见调制样式的识别准确率早已做到90%以上量级——具体成绩各论文不一，此处给量级不给精确值。

对一线的意义在于：监测站7×24小时扫出来的海量频谱记录，过去靠人工抽检，现在可以自动打标签——这片异常是疑似中继器，那片是疑似屏蔽器，自动生成工单、自动定级。老师傅的经验变成了模型权重，第一次可以复制、可以规模化。

2. 异常检测与“无监督哨兵”：不知道敌人长什么样，也知道谁不对劲

分类模型有局限：它只认识训练集里见过的干扰类型。而频谱威胁是进化的，新设备、新调制方式层出不穷。所以实用的AI监测系统都是“监督分类+无监督异常检测”双保险：分类模型认类型的，异常检测模型认“不对劲”的——基线频谱的统计分布（各频段的底噪水位、占用度、时域规律）建立起来之后，任何显著偏离基线的事件自动触发告警。这跟运营商告警压缩里“动态基线”是同一套思想，只不过对象从KPI换成了频谱。

对运营商内部网络，这套思路落在上行干扰治理上：把每个基站每天每小时的上行底噪、干扰电平、PRB级干扰特征做成时序数据，用聚类把全网小区的干扰“画像”分组——同源干扰的小区在特征空间里天然抱团，抱团结果直接就是“这批干扰大概率是同一个源头，派一个组去查”，排程效率倍增。这是把“排查经验”变成“数据聚类”的典型工程化，多家设备商和运营商的无线网优化平台都有类似功能模块（各厂家实现细节不同，具体能力以各自官方文档为准）。

3. 融合定位：多站交叉 + 机器学习修正

测向定位本身是老技术——AOA（测向角）、TDOA（到达时差）都是经典算法。AI加持的位置有两处：一是多径环境下的修正，城市里反射严重，传统测向误差大，用机器学习模型结合地图、建筑数据修正测向结果；二是多源融合，把固定监测站、监测车、可搬移站甚至无人机载监测设备的数据实时汇集，用算法做联合定位解算，把“多次出动、逐步逼近”变成“一次解算、直奔目标”。近年国内多地无线电管理机构公开报道过利用无人机搭载监测载荷对黑广播、屏蔽器进行快速定位的实践（各地新闻稿均有提及，具体型号与性能以官方发布为准）——空中视角没有楼体遮挡，测向几何条件好，往往几十分钟就能完成过去一天的逼近作业。

flowchart TD
    A["监测站7x24扫频"] --> B["AI基线异常检测"]
    B --> C["AI指纹分类定型"]
    C --> D["自动生成工单定级"]
    D --> E["多站TDOA联合解算"]
    E --> F["无人机载载荷空中确认"]
    F --> G["行政执法或网内整改"]
    G --> H["结果回灌训练样本库"]
    H --> A

注意最后一步：每次处置结果回灌进样本库，模型越用越准。这是AI系统区别于工具软件的本质——它是一个会随时间变好的资产。

五、实战盘点：机场、铁路与运营商的AI防干扰案例

技术讲完，看它在哪真实落地。以下案例按公开报道整理，标注来源性质，供读者按图索骥。

案例一：民航界的“大数据反干扰”——gpsjam热力图。 前文提到，gpsjam.org用全球ADS-B航班数据每天生成GPS干扰地图。它不是官方设施，但成了飞行员协会、航空公司运行控制中心评估航路的常用参考。这个案例的价值在于展示了“用业务大数据反推射频异常”的思路：不需要专用监测设备，业务面数据里就藏着干扰的影子。运营商完全可以类比——用海量终端的测量报告（MR）数据反推上行干扰分布，这本来就是网优平台在做的事，AI只是把它做得更自动、更细。

案例二：EASA的通报机制与航空业联动。 EASA的GNSS干扰通报（其官网GNSS Interference专页持续更新）本质上是“区域级干扰情报”：告诉航空公司哪些空域、哪些高度层干扰风险高。虽然EASA通报本身不是AI产品，但业内普遍的下一步是 airline side 把这类通报、NOTAM、历史干扰数据与自家航路数据一起喂给风险模型，自动生成绕飞建议——多家航司和航电供应商在公开场合演示过类似能力（具体产品形态以各公司发布为准）。这套“情报+模型+决策”的三段式，就是频谱监测AI化的通用架构，通信行业的干扰治理可以直接套用。

案例三：考试保障与黑广播治理的AI化。 我国无线电管理机构的考试保障任务是刚性的：高考、研究生考试、公务员考试期间，全频段屏蔽器的排查必须在开考前完成。近年多个省份的无线电管理机构在公开报道中提到引入智能化监测手段——固定站加可搬移设备组网、自动比对频谱模板、发现疑似信号自动告警并推送（各地公开新闻稿均有此类表述，具体系统建设程度不一）。黑广播治理同理：黑广播长期固定发一个频率，程序化比对历史上黑广播的频谱特征与播出内容规律，命中即出警。这类场景量大、模式固定，是AI监测最容易被证明ROI的地方。

案例四：运营商网内的干扰治理平台。 运营商侧，上行干扰治理早已从“扫频仪+人”演进为“平台+算法”：网管侧持续采集小区级干扰指标，平台自动识别干扰小区、按特征聚类分组、结合工参定位疑似源头区域，再派单现场核实。这个链条里AI干了过去网优工程师的“看指标、猜源头”工作，人只负责最后一步上门。据国内运营商在行业会议和期刊上的公开分享，此类平台使干扰类工单的定位周期从天级缩短到小时级（具体数据以各运营商发布为准，本文不给未经核实的精确值）。

四个案例摆在一起，规律很清楚：AI频谱监测落地最快的地方，都是“数据已经在那里”的地方——民航有ADS-B，运营商有MR和网管指标，无线电管理机构有常年积累的监测数据。AI不创造数据，它只是终于让沉睡的数据开始干活。

六、AI不是神：误报、对抗与执法取证的老问题

作为干了十八年网络的老兵，必须给这波AI热泼半瓢冷水。频谱监测AI化有四个绕不过去的坎：

第一，误报的代价由一线承担。 异常检测模型调得激进，工单量暴涨，一线排查队伍疲于奔命，最后回到“平台说话没人听”的老路；调得保守，漏掉真威胁。基线怎么建、阈值怎么定，比模型本身更考验工程功夫。任何吹嘘“AI监测零误报”的方案，建议直接请对方现场跑一周真实数据再说。

第二，对抗性是真实的。 干扰方如果也懂AI，故意发出训练集里没有的调制样式，分类模型就瞎了；欺骗信号如果经过精心设计，比压制干扰更难识别。安全领域永远是这样：盾升级，矛也升级。频谱安全没有一劳永逸，只有持续对抗，这决定了模型必须持续训练、持续评估。

第三，执法取证不能靠模型说了算。 查获黑广播、屏蔽器走的是行政执法乃至刑事程序，证据链需要可复现的测量记录，模型输出的“疑似度”只能作为线索，不能替代法定计量仪器的测量结果。这一点无线电管理条线的同志在公开培训中反复强调过。AI的定位是“把人带到现场”，不是“替法庭下结论”。

第四，跨网跨域的数据壁垒仍在。 干扰是跨网的现象：民航GPS被干扰、运营商基站被干扰、广播频段被占用，可能源头是同一台设备，但三家的监测数据彼此不通。AI再聪明，喂数据的口子没打通，就只能各扫门前雪。技术问题好解，机制问题难解——这也是为什么各地“监测数据共享”喊了多年进展有限。

把这四条记在心上，再去看供应商的AI监测方案，就知道该问什么问题了：误报率在什么数据集上验证的？模型多久更新一次训练？输出结果在执法流程里怎么定位？数据接入支持哪些来源？

七、结语：从人海守频谱到算法站好岗

回到开头那个判断：频谱是无线网络的地皮，地皮上的违章建筑只会越来越多——合法业务在加密，非法威胁在升级，冲突地区的干扰常态化就是给全行业敲的警钟。而频谱保卫战的资源（监测站、监测车、老师傅）不会同比例增长，唯一的出路就是让算法站岗、让人做决策。

AI在这场保卫战里的角色，不是取代谁，而是改变博弈的节奏：过去是干扰发生几天后人类才缓慢响应，现在是异常几分钟内被捕捉、类型几小时内被定性、源头定位从“周”往“小时”压。节奏变了，干扰源的生存成本就变了——这是治理逻辑的根本改变。

对运营商和无线电管理机构的工程师，我的建议是三句话：第一，先盘数据家底，监测站历史数据、网管干扰指标、MR数据，这些资产不盘活，买再多的AI平台都是空中楼阁；第二，从最痛、模式最固定的场景切入，考试保障、黑广播治理、上行干扰聚类，见效快、容易建立信任；第三，守住“AI定位、人来执法”的边界，模型负责把老师傅三十年的经验变成7×24小时的哨兵，而最后扣动扳机的，永远应该是人。

频谱没有硝烟，但一直有战争。AI上岗，只是让守夜的人终于能看住整片天空。