一种智能车辆网络攻击安全检测系统及方法技术方案

本发明专利技术公开了一种智能车辆网络攻击安全检测系统及方法，包括：建立四自由度车辆模型；通过组合导航传感器获取车辆的位置信号Xs、Ys；根据所述建立的四自由度车辆模型，通过扩展卡尔曼滤波算法设计状态估计器，估计车辆的位置信号Xe、Ye；根据获得的车辆的位置信号和状态估计器估计得到的车辆的位置信号，进行动态阈值检测，实时进行网络攻击安全的检测和容错。本发明专利技术可以面对传感器故障以及网络攻击安全问题进行警告和容错，大大提高了智能车辆的网络安全性；采用高自由非线性车辆模型，并且设计非线性状态估计器，增强了检测的准确性。增强了检测的准确性。增强了检测的准确性。

【技术实现步骤摘要】
一种智能车辆网络攻击安全检测系统及方法


[0001]本专利技术属于智能交通系统
，具体涉及一种智能车辆网络攻击安全检测系统及方法。

技术介绍

[0002]随着传感和通信技术的进步，车载传感器和通信网络数量的显著增加，从而增强了车辆的智能化；然而，这些额外增加的传感器和通信网络使车辆系统容易受到网络攻击。恶意软件干扰智能车辆可能会产生严重的安全隐患，并可能导致交通事故，进而对用户或乘客造成身体危险，车辆系统潜在的网络安全脆弱性是个亟待解决的问题。
[0003]现阶段，对于自动驾驶网络攻击安全检测的方法研究较少，一部分研究局限于线性时不变系统，虽然线性时不变系统模型在恒定的速度和固定的转弯半径下为智能车辆提供了较为准确的模型，但是由于车辆动力学的非线性，在车道变化、转弯半径和速度变化的情况下所描述的车辆运动学模型是不准确的。另一方面，基于观测器的残差检测器检测可能的传感器攻击，如果残差大于阈值，将触发警报。这种方法是通过固定阈值进行检测的，遇到大幅度的瞬态噪声时可能会触发假警报。目前基于模型的方法的鲁棒性和准确性的提高仍然是对自动驾驶车辆网络攻击检测的一个挑战。

技术实现思路

[0004]针对于上述现有技术的不足，本专利技术的目的在于提供一种智能车辆网络攻击安全检测系统及方法，以克服现有技术中存在的智能车辆网络攻击检测的鲁棒性和准确性不强的问题。本专利技术特别考虑了传感器噪声和观测器误差的影响，能够通过动态阈值快速准确的进行智能车辆的网络攻击安全监测。
[0005]为达到上述目的，本专利技术采用的技术方案如下：
[0006]本专利技术的一种智能车辆网络攻击安全检测系统，包括：车载加速度传感器、前轮转角传感器、横摆角速度传感器、组合导航传感器、状态估计模块、网络攻击检测模块和网络攻击容错模块；
[0007]所述车载加速度传感器，用于采集车辆的横向加速度a
x
、纵向加速度a
y
；
[0008]所述前轮转角传感器，用于采集车辆的前轮转角；
[0009]所述横摆角速度传感器，用于采集车辆的横摆角速度；
[0010]所述组合导航传感器，用于采集车辆的位置信号Xs、Ys；
[0011]所述状态估计模块，用于接收车载加速度传感器、前轮转角传感器、横摆角速度传感器及组合导航传感器发送的信号，并通过扩展卡尔曼滤波算法设计状态估计器，用于估计车辆的位置信号Xe、Ye；
[0012]所述网络攻击检测模块，分别接收组合导航传感器发送的车辆位置信号、状态估计模块发送的车辆的位置信号，根据预设阈值进行网络攻击检测，并将网络攻击标志位Fault发送给网络攻击容错模块；
[0013]所述网络攻击容错模块，通过判断网络攻击检测模块发送的网络攻击标志位Fault值，对车辆位置信息进行容错处理，将容错处理后的重构信号作为反馈信号发送给车辆。
[0014]进一步地，所述组合导航传感器能够实现车载惯性与GPS组合导航和车载惯性导航之间的切换。
[0015]本专利技术的一种智能车辆网络攻击安全检测方法，基于上述系统，步骤如下：
[0016](1)建立四自由度车辆模型；
[0017](2)通过组合导航传感器获取车辆的位置信号Xs、Ys；
[0018](3)根据所述建立的四自由度车辆模型，通过扩展卡尔曼滤波算法设计状态估计器，估计车辆的位置信号Xe、Ye；
[0019](4)根据步骤(2)获得的车辆的位置信号和步骤(3)中状态估计器估计得到的车辆的位置信号，进行动态阈值检测，实时进行网络攻击安全的检测和容错。
[0020]进一步地，所述步骤(1)具体如下：考虑车辆纵向动态和垂直载荷传递，建立四自由度车辆模型如下：
[0021][0022]式中，m表示车辆的质量；x，y分别表示车辆运动在局部坐标系下的横位移、纵位移，二者的一阶微分和二阶微分分别表示局部坐标系下横纵方向的速度和加速度；表示横摆角，其一阶微分表示横摆角速度；m
s
表示车辆弹簧质量；F
Xij
，F
Yij
分别表示车轮ij的纵向轮胎力和横向轮胎力(ij＝11表示左前轮；ij＝12表示右前轮；ij＝21表示左后轮；ij＝22表示右后轮)；I
z
表示车辆绕Z轴的转动惯量；I
x
表示车辆绕X轴的转动惯量；h
c
表示车辆的质心高度；e表示车辆侧倾中心到质心的距离；φ表示侧倾角；C
φ
表示侧倾系数；K
φ
表示侧倾刚度；C
d
表示风阻系数；A
f
表示车前面积；ρ表示空气密度；l表示轴距；a，b分别表示前后轴到质心的距离；I
xeq
表示簧载质量绕X轴的等效转动惯量；d表示轮距；μ表示路面摩擦系数，δ
f
表示前轮转角；
[0023]局部坐标系和全局坐标系之间的转换关系为：
[0024][0025]式中，X，Y分别表示车辆运动在全局坐标系下的横位移、纵位移，二者的一阶微分
和二阶微分分别表示全局坐标系下横纵方向的速度和加速度；
[0026]车辆动态垂直荷载建模为：
[0027][0028]式中，F
Zij
表示车轮ij的动态垂直载荷；g为重力比例系数。
[0029]进一步地，所述步骤(3)具体如下：
[0030]通过步骤(1)中四自由度车辆模型获得的轮胎力F
Xij
，F
Yij
作为状态估计器的输入，车辆纵向和横向位置为状态估计器的输出，采用扩展卡尔曼滤波方法建立自动驾驶系统方程，将系统描述为一个离散的时变系统：
[0031][0032]式中，状态向量x＝[X
e
,Y
e
]T
，系统输入为量测输出z＝[X
s
,Y
s
]T
；f
cd
表示预测方程；u
k
表示k时刻的输入；w
k
表示预测噪声；g
cd
表示观测方程；v
k
表示观测噪声；x
k+1
表示k+1时刻的状态量；x
k
表示k时刻的状态量，y
k+1
表示k+1时刻的观测值；
[0033]定义非线性预测方程和观测方程的雅可比矩阵为：
[0034][0035]式中，F表示预测方程的雅可比矩阵；G表示观测方程的雅可比矩阵；表示k
‑
1时刻状态量的估计值；为k时刻状态量的估计值；
[0036]将非线性系统转化为线性系统：
[0037][0038]更新过程如下：
[0039][0040]式中，K
k+1∣k
表示k时刻对k+1时刻状态估计的状态增益矩阵；P
k+1∣k
表示k时刻对k+1时刻状态估计的预测误本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能车辆网络攻击安全检测系统，其特征在于，包括：车载加速度传感器、前轮转角传感器、横摆角速度传感器、组合导航传感器、状态估计模块、网络攻击检测模块和网络攻击容错模块；所述车载加速度传感器，用于采集车辆的横向加速度a
x
、纵向加速度a
y
；所述前轮转角传感器，用于采集车辆的前轮转角；所述横摆角速度传感器，用于采集车辆的横摆角速度；所述组合导航传感器，用于采集车辆的位置信号Xs、Ys；所述状态估计模块，用于接收车载加速度传感器、前轮转角传感器、横摆角速度传感器及组合导航传感器发送的信号，并通过扩展卡尔曼滤波算法设计状态估计器，用于估计车辆的位置信号Xe、Ye；所述网络攻击检测模块，分别接收组合导航传感器发送的车辆位置信号、状态估计模块发送的车辆的位置信号，根据预设阈值进行网络攻击检测，并将网络攻击标志位Fault发送给网络攻击容错模块；所述网络攻击容错模块，通过判断网络攻击检测模块发送的网络攻击标志位Fault值，对车辆位置信息进行容错处理，将容错处理后的重构信号作为反馈信号发送给车辆。2.根据权利要求1所述的智能车辆网络攻击安全检测系统，其特征在于，所述组合导航传感器能够实现车载惯性与GPS组合导航和车载惯性导航之间的切换。3.一种智能车辆网络攻击安全检测方法，基于权利要求1
‑
2中任意一项所述系统，其特征在于，步骤如下：(1)建立四自由度车辆模型；(2)通过组合导航传感器获取车辆的位置信号Xs、Ys；(3)根据所述建立的四自由度车辆模型，通过扩展卡尔曼滤波算法设计状态估计器，估计车辆的位置信号Xe、Ye；(4)根据步骤(2)获得的车辆的位置信号和步骤(3)中状态估计器估计得到的车辆的位置信号，进行动态阈值检测，实时进行网络攻击安全的检测和容错。4.根据权利要求3所述的智能车辆网络攻击安全检测方法，其特征在于，所述步骤(1)具体如下：考虑车辆纵向动态和垂直载荷传递，建立四自由度车辆模型如下：
式中，m表示车辆的质量；x，y分别表示车辆运动在局部坐标系下的横位移、纵位移，二者的一阶微分和二阶微分分别表示局部坐标系下横纵方向的速度和加速度；表示横摆角，其一阶微分表示横摆角速度；m
s
表示车辆弹簧质量；F
Xij
，F
Yij
分别表示车轮ij的纵向轮胎力和横向轮胎力；I
z
表示车辆绕Z轴的转动惯量；I
x
表示车辆绕X轴的转动惯量；h
c
表示车辆的质心高度；e表示车辆侧倾中心到质心的距离；φ表示侧倾角；C
φ
表示侧倾系数；K
φ
表示侧倾刚度；C
d
表示风阻系数；A
f
表示车前面积；ρ表示空气密度；l表示轴距；a，b分别表示前后轴到质心的距离；I
xeq
表示簧载质量绕X轴的等效转动惯量；d表示轮距；μ表示路面摩擦系数，δ
f
表示前轮转角；局部坐标系和全局坐标系之间的转换关系为：式中，X，Y分别表示车辆运动在全局坐标系下的横位移、纵位移，二者的一阶微分和二阶微分分别表示全局坐标系下横纵方向的速度和加速度；车辆动态垂直荷载建模为：式中，F
Zij
表示车轮ij的动态垂直载荷；g为重力比例系数。5.根据权利要求4所述的智能车辆网络攻击安全检测方法，其特征在于，所述步骤(3)具体如下：通过步骤(1)中四自由度车辆模型获得的轮胎力F
Xij
，F
Yij
作为状态估计器的输入，车辆纵向和横向位置为状态估计器的输出，采用扩展卡尔曼滤波方法建立自动驾驶系统方程，将系统描述为一个离散的时变系统：式中，状态向量x＝[X
e
,Y
e
]
T
，系统输入为量测...

【专利技术属性】
技术研发人员：徐坤豪，赵万忠，王春燕，严伟杰，黄恒，孟琦康，董坤，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：