基于遗传算法的无人机信息物理系统参数异常测试方法技术方案

本发明专利技术提出了一种基于遗传算法的无人机信息物理系统参数异常测试方法，属于无人机系统测试技术领域，实现步骤为：构建由信息物理系统参数组成的初始种群；基于程序分析得到信息代价目标，基于系统辨识技术得到物理代价目标，并根据代价目标定义遗传算法的目标函数；基于遗传算法获取进化后的无人机信息物理系统参数；获取无人机信息物理系统参数异常测试结果。本发明专利技术综合考虑了无人机信息系统和物理系统的影响，避免了测试结果适配性较差的问题，并采用遗传算法通过迭代寻找目标函数的最优解，利用遗传算法的多目标优化、收敛迅速的优点，显著的提升了测试效率。显著的提升了测试效率。显著的提升了测试效率。

【技术实现步骤摘要】
基于遗传算法的无人机信息物理系统参数异常测试方法


[0001]本专利技术属于无人机系统测试
，涉及一种无人机信息物理系统参数异常测试方法，具体涉及一种基于遗传算法的无人机信息物理系统参数异常测试方法，可用于对无人机系统参数异常进行测试。

技术介绍

[0002]无人机技术已被广泛应用于农业、工业、军事、物流等领域，为了满足不同领域任务的适配要求，信息物理系统为无人机应用提供了技术框架，无人机信息物理系统是一个具有综合信息处理、网络和物理环境的多维复杂系统。随着无人机应用场景日益多样，信息物理系统参数的数量和耦合度也在提高，但在真实环境中无人机往往无法有效面对复杂的物理状态而引发信息物理系统中潜在的异常风险，导致其偏离任务目标甚至失控坠毁等安全问题，而出现异常的原因大多在于系统安全检查程序预定义的参数集范围粗糙，条件判断语句布尔语义的表达能力有限，在面对微小的物理变化时无法准确应对。无人机信息物理系统参数异常一般会引发系统错误警报和遗漏警报两类风险，前者是因为无人机在物理环境中飞行正常的情况下，安全检查程序出现参数异常，导致系统发出了错误警报，后者则是无人机实际已发生了碰撞等行为，而安全检查程序运行正常没有检测到此类行为，导致系统遗漏了危险警报，两者都可能造成严重的安全问题。
[0003]因此需要对无人机信息物理系统进行安全性测试，发现其中的参数异常案例，目前现有技术有两种测试方案可以实现这一目标，一种是采取例如碰撞试验等一系列破坏性测试发现异常，以确保无人机安全性是否符合要求，但此类测试成本是非常昂贵的，另一种是基于程序分析实现对无人机信息物理系统的自动化测试方法。与破坏性测试相比，基于程序分析的自动化测试方法有以下两个优点：一是将无人机放在飞控仿真环境中进行测试，大大降低了测试成本；二是可通过对信息物理系统中关键函数的跟踪或运行时信息的统计，构造测试目标找到系统出现参数异常的位置，相比之下该方法更加灵活，更适合用于系统测试。
[0004]例如，Taegyu Kim等人在其发表的论文文献“RVFuzzer:Finding Input Validation Bugs in Robotic Vehicles through Control
‑
Guided Testing”(28th USENIX Security Symposium,2019.USENIX Association,Santa Clara,CA,425
–
442)中，公开了一种能够针对无人机系统参数验证异常的自动化测试方法，即当系统接受到一组带有非法参数值的篡改命令时，无人机会执行此类命令导致其任务受到影响，该方法首先初始化系统合法参数区间上下界，从该范围内随机选取一组控制参数组合作为初始种群，并对各参数采用遗传算法进行交叉变异等操作，然后通过Fuzzing技术自适应地改变控制参数值来确定参数异常的有效范围。但是该方法存在的不足之处有：测试在程序分析环节仅考虑了信息系统参数的作用，忽略了无人机飞行过程中物理系统的影响，因此在面对复杂物理环境的情况下，其获取的测试结果适配性较差。此外，该方法需要频繁替换系统默认参数验证测试结果，导致测试时间开销骤增。

技术实现思路

[0005]本专利技术针对上述现有技术中的不足，提供一种基于遗传算法的无人机信息物理系统参数异常测试方法，旨在解决现有技术没有考虑物理系统影响，导致测试结果适配性较差的问题，并进一步提升测试效率。
[0006]为实现上述目的，本专利技术采取的技术方案包括如下步骤：
[0007](1)构建初始种群：
[0008]获取飞控日志记录文件收集的Z个无人机信息物理系统参数,采用伪随机数生成方法，从中随机选取K个信息物理系统参数作为种群个体，并组成规模大小为K的初始种群P＝{x1,x2,
…
x
k
,
…
,x
K
}，其中x
k
表示第k个种群个体，Z≥16，Z≥K≥2且K为偶数；
[0009](2)定义遗传算法的目标函数F：
[0010](2a)将异常静态分析代码插入到无人机安全检查程序中，得到M个信息代价目标的集合F
d
＝{d1,d2,
…
d
m
,
…
,d
M
}，其中d
m
表示第m个信息代价目标，M≥2；
[0011](2b)获取无人机IMU传感器采集的M种任务模式下T时刻位姿值UAV(T)＝{UAV
m
(T)|1≤m≤M}，以及基于系统辨识计算的模拟无人机T时刻位姿值VUAV(T)，并根据UAV
m
(T)和VUAV(T)计算无人机每个任务模式下的物理代价目标p
m
＝|UAV
m
(T)
‑
VUAV(T)|，得到M个物理代价目标的集合F
p
＝{p1,p2,
…
p
m
,
…
,p
M
}，其中UAV
m
(T)表示第m种任务模式下T时刻位姿值，p
m
表示第m个物理代价目标；
[0012](2c)根据F
d
和F
p
定义遗传算法的目标函数F：
[0013][0014]s.t.g＝{g1,g2,
…
g
n
,
…
,g
N
}
[0015]其中，g表示包含N个判别式的约束条件，N≥2，g
n
表示无人机安全检查程序中第n个等或不等运算判别式，I表示系统错误警报测试模式，J表示系统遗漏警报测试模式；
[0016](3)基于遗传算法获取进化后的无人机信息物理系统参数：
[0017](3a)初始化进化代数为t，最大进化代数为t
max
，t
max
≥30，并令t＝0；
[0018](3b)计算种群P中每个种群个体x
k
的适应度值R(x
k
)：
[0019]R(x
k
)＝f(x
k
)+w(x
k
)
[0020][0021]其中f(x
k
)表示种群个体x
k
的帕累托最优水平，w(x
k
)表示种群个体x
k
的物理异常水平，分别表示物理代价目标p
m
的上界、下界；
[0022](3c)采用二进制锦标赛选择法，并根据适应度值R(x
k
)从种群P中选择个种群个体组成第t代父代种群
[0023](3d)对第t代父代种群进行模拟二进制交叉操作，得到第t代交叉父代种群并对进行多项式变异操作，得到第t代变异子代种群
[0024](3e)对种群本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遗传算法的无人机信息物理系统参数异常测试方法，其特征在于，包括以下步骤：(1)构建初始种群：获取飞控日志记录文件收集的Z个无人机信息物理系统参数,采用伪随机数生成方法，从中随机选取K个信息物理系统参数作为种群个体，并组成规模大小为K的初始种群P＝{x1,x2,
…
x
k
,
…
,x
K
}，其中x
k
表示第k个种群个体，Z≥16，Z≥K≥2且K为偶数；(2)定义遗传算法的目标函数F：(2a)将异常静态分析代码插入到无人机安全检查程序中，得到M个信息代价目标的集合F
d
＝{d1,d2,
…
d
m
,
…
,d
M
}，其中d
m
表示第m个信息代价目标，M≥2；(2b)获取无人机IMU传感器采集的M种任务模式下T时刻位姿值UAV(T)＝{UAV
m
(T)|1≤m≤M}，以及基于系统辨识计算的模拟无人机T时刻位姿值VUAV(T)，并根据UAV
m
(T)和VUAV(T)计算无人机每个任务模式下的物理代价目标p
m
＝|UAV
m
(T)
‑
VUAV(T)|，得到M个物理代价目标的集合F
p
＝{p1,p2,
…
p
m
,
…
,p
M
}，其中UAV
m
(T)表示第m种任务模式下T时刻位姿值，p
m
表示第m个物理代价目标；(2c)根据F
d
和F
p
定义遗传算法的目标函数F：s.t.g＝{g1,g2,
…
g
n
,
…
,g
N
}其中，g表示包含N个判别式的约束条件，N≥2，g
n
表示无人机安全检查程序中第n个等或不等运算判别式，I表示系统错误警报测试模式，J表示系统遗漏警报测试模式；(3)基于遗传算法获取进化后的无人机信息物理系统参数：(3a)初始化进化代数为t，最大进化代数为t
max
，t
max
≥30，并令t＝0；(3b)计算种群P中每个种群个体x
k
的适应度值R(x
k
)：R(x
k
)＝f(x
k
)+w(x
k
)其中f(x
k
)表示种群个体x
k
的帕累托最优水平，w(x
k
)表示种群个体x
k
的物理异常水平，分别表示物理代价目标p
m
的上界、下界；(3c)采用二进制锦标赛选择法，并根据适应度值R(x
k
)从种群P中选择个种群个体组成第t代父代种群(3d)对第t代父代种群进行模拟二进...

【专利技术属性】
技术研发人员：孙聪，马元坤，王运柏，马建峰，曾荟铭，宋焕东，孙一博，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：