An amplify-and-forward (AF) relay jamming signal can pass through any civil and military wireless communication system. Hence, AF relay jamming is dangerous and should be detected and suppressed before demodulation/decoding/decryption in wireless communication systems. The 5G positioning reference signal (PRS) and 5G synchronization reference signal (SRS) play critical roles especially for autonomous driving and link establishment between a user equipment (UE) and a near gNodeB. Both the PRS and SRS are publicly known and vulnerable to AF relay jamming. The goal of this paper is to present an effective and low-complexity 5G-and-beyond UE positioning algorithm against an AF 2-dimensional time delay (TD) and frequency shift (FS) relay jamming. Preliminary results for the proposed algorithm using a Global Positioning System (GPS) receiver scenario are presented under a 1D AF TD relay jamming environment to validate the effectiveness of the proposed algorithm.

Urban Air Mobility (UAM) networks pose challenges to confidentiality, availability, and integrity within security and safety concerns. Successfully planning and executing today's complex operations in defense of national interests requires timely, accurate, trusted, and unambiguous communications up, down, and across an extended chain of command spanning multi-national air, ground, sea, and cyber forces. Understanding the underlying reasons for predictions in machine learning (ML)-based spoofing detection is crucial for gaining insights into attack tactics while improving the detection accuracy, and informing mitigation strategies. ML prediction enhances the interpretability, trust, and accountability in unmanned systems security and enables proactive defense measures and informed decision-making. In this paper, we introduce a Trust AI-based Decentralized Anomaly Detection (TADAD) framework to enhance the UAM capability to allow secured data accessing and sharing with low-latency and high explainable reliability among aircraft and Air Traffic Service (ATS) providers or ground stations within dynamic network environments. TADAD extends the existing airborne networks to heterogeneous open networks with advanced and autonomous detection at tactical edges. TADAD utilizes a software-in-the-loop (SITL) simulator to emulate the data communication messages (e.g., MAVLink) among UAVs and generates both benign and attack samples. An ML-based approach is then developed to incorporate explainable artificial intelligence (AI) techniques, specifically Shapley Additive Explanations (SHAP), to analyze why a signal is classified as an anomaly. Our experimental study validates the performance of TADAD in detecting accuracy and explainability against typical cyber-attacks (e.g., GPS spoofing).

This paper considers a two-dimensional direction-of-arrival (DOA) estimation problem from a collaborative, distributed antenna array where each subarray is a distributed sensing node that is arbitrarily oriented. While the relative locations of the subarrays are not precisely known, it is assumed that the configuration of each subarray is locally calibrated whereas the cross-covariance matrix between a pair of distributed nodes includes an unknown phase difference. Without explicitly estimating such unknown phase difference, subspace-based DOA estimation methods fail to coherently utilize the subarrays to locate the DOAs of the impinging signals. We propose a group sparsity-based approach to achieve accurate DOA estimation that is resilient to unknown phase disparities between subarrays. Simulation results clearly illustrate the effectiveness of the group sparsity-based approach using group LASSO, and the superiority over subspace-based methods, such as the MUSIC algorithm, is demonstrated.

The mobility and versatility of Unmanned Aerial Systems (UASs) make them valuable platforms in Distributed Cooperative Beamforming (DCB) applications, where high-precision time synchronization and Positioning, Navigation, and Timing (PNT) are required. UAS with PNT can quickly respond to changing situations and provide temporary coverage in remote or disaster-affected areas. While the onboard PNT equipment allows UASs to obtain reliable PNT solutions, human presence with supervisory roles (aka human-on-the-loop (HotL)) is almost inevitable in such equipment with automation and multi-level resilience of prevention, response, and recovery functions. This paper employs a meta-model to describe interactions among the human operators and multiple UAS platforms for resilience aware HotL PNT in the DCB scenario. The roles of UASs and humans in the decision-making process of resilient PNT are clarified. Interaction points where humans should collaborate with UASs are identified to augment the autonomy of the UASs. Moreover, requirements are specified for the interaction points. Simulations of a HotL multi-UAS positioning system demonstrate that the requirements modeling facilitates the design of human-machine teaming, and the human presence enhances the resilience of the positioning system.

Single-frequency GNSS users are reliant on estimates of the Total Electron Content (TEC) along lines of sight to navigation satellites to correct for ionospheric propagation delay and the resulting positioning errors. The parametric correction methods in use (Klobuchar's algorithm for GPS and the NeQuick-G model for Galileo) can compensate for a large fraction of the delay but are hindered by using only a few daily coefficients to describe the ground truth ionosphere state. This loss of state information is particularly detrimental during periods of high deviation from baseline TEC patterns, e.g. solar weather events. This work describes an autoregressive RNN/CNN approach for spatiotemporal TEC forecasting from windowed historical map products, preserving local temporal and geospatial dependence between samples. By leveraging a large dataset spanning from 2000-2020 and applying convolutional transformations over both the temporal and spatial dimensions of the data, this model exhibits improved performance for time horizons up to 48 hours, compared to neural network-based approaches described in the literature to date.

Abstract Background Meningiomas are typically found in adults, with an average diagnosis age of 66. However, they can occur in children, presenting unique clinical and immunohistochemical characteristics. This report explores a rare pediatric case of anaplastic meningioma, highlighting the diagnostic and treatment challenges involved. Clinical finding, lab result, image result, histopathology result This patient’s clinical presentation and imaging studies suggested an intracranial tumor. Histopathological and immunohistochemical analyses confirmed a diagnosis of anaplastic meningioma. Notably, the tumor exhibited rare GFAP positivity, atypical for meningiomas, and a high Ki-67 index, indicating a significant risk of recurrence. Treatment The tumor was successfully removed surgically, and the patient recovered without complications. No additional therapy was planned. Conclusion Surgery is the primary treatment for symptomatic meningiomas, with generally low mortality rates in pediatric cases. This case emphasizes the diagnostic complexity of pediatric meningiomas with atypical features like GFAP positivity. Complete surgical removal of the tumor was performed, in accordance with guidelines. Detailed immunohistochemical analysis is crucial, and further research on similar cases is needed to improve our understanding and treatment strategies.