随着网络与通信技术的快速发展,定位系统的定位精度越来越高,这为用户带来了更加高效便捷的基于位置的服务。为了有效降低终端设备的耗电量并提高在特殊环境下的定位精度,5G网络将采用基于基站的定位技术,该技术从用户设备广播给周围基站的信号中提取关键参数,在数据融合中心处对参数进行计算和融合,从而在网络端完成对用户的精确定位。然而,针对基站定位系统的攻击种类繁多,并且对攻击的检测比较困难,确保定位过程的安全极具挑战。传统的定位算法主要专注于提高定位流程的精度和效率,却并未过多考虑如何抵抗针对定位系统的攻击,因此无法满足用户对定位精度的要求。当攻击者对用户发送给基站的信号进行干扰时,将直接影响对用户的定位精度;同时,若参与定位的基站被攻击者攻破,攻击者可以对基站将要上传的数据进行篡改后发送,导致定位数据的失真,如果不能及时对恶意基站进行攻击溯源,则很可能导致区域性的定位失效。针对上述问题,本文提出了一种5G定位中基于机器学习的真值检测与攻击溯源方案。在方案中,首先利用聚类算法对多个基站上传的定位数据进行聚类,剔除其中的异常定位数据,实现真值检测功能。进一步利用神经网络算法对用户数据和基站数据进行分析,来有效检测目标用户是否遭受了攻击并找出存在问题的数据源,完成对用户的攻击检测以及对恶意基站的攻击溯源。此外,在真值检测部分,本文选取了多种聚类算法,根据实验中聚类算法的聚类效果对各算法进行了分析和比较,利用其中较优的算法对定位数据进行聚类并产生聚类结果,从而提高方案的定位精度。最后,我们在仿真实验中模拟了针对基站和用户上行链路信号的两种攻击,根据定位精度、攻击检测准确率以及攻击溯源准确率等指标,对方案在面临攻击时的性能进行了评估。实验结果表明,该方案能够有效地抵抗以上针对定位系统的攻击,具有较好的健壮性。