【技术实现步骤摘要】
本专利技术涉及车路云协同安全控制技术，具体涉及一种云控智能网联汽车横向控制系统网络攻击检测方法。
技术介绍
1、近年来，随着线控底盘、车联网通信及人工智能等高新技术的发展，作为汽车产业变革性技术的自动驾驶成为了研究热点。一系列针对自动驾驶的技术和方法层出不穷，主要分为依赖于自车感知、决策和控制的单车智能方案和基于车-路-云协同系统的网联控制方案。前几年，研究者们在单车智能控制领域做了大量的研究工作，取得了许多重要的成果，但由于单车智能方案中需要大量价格昂贵的传感器，且目前车载算力平台难以完全支撑自动驾驶的算力需求，使得单车智能驾驶的方案商业化进程缓慢。因此部分学者提出了通过车-路-云协同控制实现车辆自动驾驶的方案，车-路-云协同系统中云端为车辆提供气象、地图等信息，智能路侧设备为车辆提供车辆行驶环境信息，边缘云平台可以为车辆提供算力支持，车辆可以通过v2x技术与其他车辆、rsu及云端通信。
2、基于云的智能网联汽车(cicv)是车路云协同方案的典型应用方式，在cicv架构中，车辆感知层、决策层和控制层放在边缘云端，正常运行情况下车辆仅作为一个包含传感器和执行器的物理平台。车辆通过v2x无线通信网络与边缘云端进行信息传输，车辆将自车状态信息发送到云端，云端结合智能路侧设备信息、区域内所有车辆状态信息和交通信息等进行最优决策，为车辆规划出一条最优行驶路径，并基于车辆动力学进行横向轨迹跟踪控制计算，最后将最优控制量下发到车辆执行，完成cicv的闭环控制。cicv架构在配备了合适数量的智能路测设备的道路上具有明显的优势，但由
3、常见的针对车辆系统的网络攻击主要包括拒绝服务攻击(dos)攻击和错误数据注入(fdi)攻击。dos攻击是通过向无线通信网络发送大量的数据占用网络通道，导致云端不能及时的接收到车辆的状态信息，车辆也不能及时的接收到云端的控制信息。dos攻击造成的直接结果就是通信网络丢包，因此通过传输信号的波形变化可以较为轻易的识别出来。而fdi攻击是利用被攻击者的系统信息躲避入侵检测，对指定的信号注入攻击数据，使得云端获得含有fdi攻击的车辆状态信息，车辆获得含有fdi攻击的控制信息。由于fdi攻击可以利用车辆控制系统本身的信息进行攻击信号设计，有极强的隐匿性，因此造成了检测困难。而且由于车辆行驶工况复杂多变，导致车辆状态信息可能发生随机变化，使得难以区分信号的变化是由fdi攻击引起还是由车辆行驶状态变化引起，进一步增加了fdi攻击的检测难度。fdi攻击侵入车辆系统内部将严重影响车辆的行驶安全，破坏区域交通秩序，对公共安全带来严重挑战。
4、本专利技术设计了一种云控智能网联汽车横向控制系统网络攻击检测方法，以期在fdi攻击造成车辆失稳之前准确的识别出攻击，为车辆的安全控制提供及时的决策信息。首先，提取车辆的多层次状态信息，建立了包含车辆级、转向系统级和转向执行器级信号的原始数据库，用来作为车辆横向控制系统fdi攻击检测器的原始训练数据集，它可以反映车辆横向控制系统在三个不同层面的动态特性。其次，由于车辆行驶工况的不确定性导致原始数据集不能直接应用于网络训练，因此基于车辆动力学模型、转向系统动力学模型和电机动力学模型对原始数据进行处理，提出反映车辆关键系统性能和fdi攻击特性的创新数据特征。最后，基于创新的数据特征开发了基于bilstm-attention模型的fdi攻击检测器。
技术实现思路
1、针对现有技术中所存在的不足，本专利技术提出一种云控智能网联汽车横向控制系统网络攻击检测方法。考虑横向控制系统中上层轨迹跟踪控制控制器-车辆通道及转向控制器-执行电机通道被攻击的情况，通过提取车辆的多层次状态信息并基于车辆动力学模型、转向动力学模型和电机动力学模型对数据进行处理，再基于bilstm-attention模型构建了fdi攻击检测器，可以实现在车辆行驶状态随机变化的情况下准确和快速的识别出fdi攻击及其发生位置。
2、本专利技术所采用的技术方案如下：
3、一种云控智能网联汽车横向控制系统网络攻击检测方法，步骤如下：
4、s1：搭建云控智能网联汽车横向控制系统的半实物在环试验台架，分别采集正常工况下和fdi攻击工况下的车辆级信号、转向系统级信号和转向执行器级信号，构建fdi攻击检测器网络的原始训练数据库。
5、s2：基于数据本身的安全性对原始训练数据库中的数据进行分类，第一类原始数据有不受fdi攻击影响的参考值，定义为直接数据，第二类原始数据需要基于过去的数据和车辆物理模型进行预测，定义为间接数据，并通过车辆动力学模型、转向系统动力学模型和电机动力学模型对间接数据进行处理，综合构建包含直接数据和间接数据的创新数据特征。
6、s3：构建了基于bilstm-attention模型的fdi攻击检测网络，并用创新数据特征进行训练，使其达到较好的检测性能。
7、进一步地，所述s1中构建的原始训练数据库如下：
8、x＝[xvehicle；xsystem；xactuator]
9、其中，xvehicle表示车辆级信号，xsystem表示转向系统级信号，xactuator表示转向执行器级信号。考虑车辆处于非极限工况，轮胎处于线性工作区域，车辆的2自由度动力学模型如下：
10、
11、其中，m是整车质量，是车辆横向加速度，vx是车辆纵向速度，cαf是前轮侧偏角，cαr是后轮侧偏角，，δf为前轮转角，是横摆角加速度，iz是车辆绕z轴的转动惯量，lf和lr是车辆质心到前轴和后轴的距离，cf是前轮侧偏刚度，cr是前轮侧偏刚度。从上式能够得到横向位移、横向速度、横摆角、横摆角速度和前轮转角车辆级参数，通过所述车辆级参数描述车辆的横向动力学特征，且车辆上现有的传感器能够准确测得对应的车辆级信号，因此将车辆级信号作为网络训练的原始特征信号；
12、
13、其中，y是横向位移，yref是横向位移参考值，是横摆角，是横摆角参考值，是横向速度，是横摆角速度，δref是期望的前轮转角。
14、转向系统控制的目的是控制转向电机准确且快速的跟踪上层控制器发送来的期望前轮转角。转向系统参数id，iq，ud，uq，wm，θm，tm可以描述转向电机的动力学特征和控制性能，上述参数一部分有固定的参考值，一部分可以通过电机动力学模型进行预测，可以全面反映转向控制系统在网络攻击下的性能变化情况。建立转向系统级信号如下：
15、xsystem＝[id,id,ref,iq,iq,ref,ud,uq,wm,wm,ref,θm,θm,ref,tm,tm,ref]
16、其中，id是转向电机d本文档来自技高网...
【技术保护点】
1.一种云控智能网联汽车横向控制系统网络攻击检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，S1中构建的原始训练数据库如下：
3.根据权利要求2所述的方法，其特征在于，S2中将原始数据分类为直接数据和间接数据，直接数据有不受FDI攻击影响的参考值，用测量值与参考值的跟踪误差来评估系统的安全性，定义跟踪误差数据特征如下：
4.根据权利要求3所述的方法，其特征在于，运用上一控制周期内的值和系统的动力学模型对间接数据进行预测的方法如下：
5.根据权利要求1～4任意一项所述的方法，其特征在于，还包括构建了跟踪误差数据特征Xerr和动态残差数据特征Xres分别从不同的角度反映了云控智能网联汽车横向控制系统的网络物理安全情况，基于两种数据构建了用于FDI攻击检测器网络训练的创新数据集Xtrain，如下：
【技术特征摘要】
1.一种云控智能网联汽车横向控制系统网络攻击检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，s1中构建的原始训练数据库如下：
3.根据权利要求2所述的方法，其特征在于，s2中将原始数据分类为直接数据和间接数据，直接数据有不受fdi攻击影响的参考值，用测量值与参考值的跟踪误差来评估系统的安全性，定义跟踪误差数据特征如下：
...
【专利技术属性】
技术研发人员：何川林，徐兴，江浩斌，
申请(专利权)人：江苏大学扬州江都新能源汽车产业研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。