CN113255725B - 基于两阶段lstm的汽车传感器攻击检测与修复方法 - Google Patents
基于两阶段lstm的汽车传感器攻击检测与修复方法 Download PDFInfo
- Publication number
- CN113255725B CN113255725B CN202110422459.0A CN202110422459A CN113255725B CN 113255725 B CN113255725 B CN 113255725B CN 202110422459 A CN202110422459 A CN 202110422459A CN 113255725 B CN113255725 B CN 113255725B
- Authority
- CN
- China
- Prior art keywords
- data
- value
- automobile
- rlstm
- attack
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims description 16
- 230000008439 repair process Effects 0.000 title claims description 7
- 238000013145 classification model Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 25
- 210000002569 neuron Anatomy 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 10
- 210000004027 cell Anatomy 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- WYTGDNHDOZPMIW-RCBQFDQVSA-N alstonine Natural products C1=CC2=C3C=CC=CC3=NC2=C2N1C[C@H]1[C@H](C)OC=C(C(=O)OC)[C@H]1C2 WYTGDNHDOZPMIW-RCBQFDQVSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
一种基于两阶段LSTM的汽车传感器攻击检测与修复方法，通过对数据集进行预处理，将汽车的各种转向情况按方向盘角度变化的剧烈程度进行标识，利用CLSTM(分类模型)进行特征提取，准确的识别汽车当前所处的转向情况，通过转向情况的差异自主选择相对应的RLSTM(回归模型)进行预测，通过设定一个误差阈值，通过比较当前时刻预测值与观测值的差，如果预测值与观测值的差高于这个误差阈值，将预测值替换观测值并反馈给汽车模型，本发明提出的这种两阶段LSTM方法，相比传统的单模型方法更能够应付汽车行驶环境复杂的场景，攻击检测准确率高，误报率低，且对汽车传感器受到的非侵入式注入攻击有一定的抵御效果。
Description
技术领域
本发明属于机器学习技术领域涉，及一种基于两阶段LSTM的汽车传感器攻击检测与修复方法。
背景技术
保障汽车的安全驾驶涉及多方面的技术，而自动高效的检测汽车受到的攻击是保障汽车安全驾驶的有力途径，目前国内外对汽车安全问题的攻击检测大多应用于CAN总线上，主要有传统的方法和基于机器学习的方法，这两种方法都有提取特征这一阶段。传统的方法一般是通过攻击类别的不同，人工设置一个检测攻击的阈值，而机器学习的方法则是基于给定的模型从数据集中自动学习恶意攻击的模式。现在，随着深度学习在图像识别、语音识别方面的广泛应用，深度学习模型在给定数据集中的学习潜力受到广泛关注，因此有许多的技术人员将深度学习的方法应用到汽车安全问题的攻击检测中，取得了不错的效果，但是就目前来说，还很少有人将深度学习的方法细化到汽车传感器的攻击检测上来。
LSTM(长短期记忆网络)能够很好的处理好分类和回归问题，其在时序数据中性能较好的原因是它的全局化处理和相较于普通RNN(循环神经网络)增加了记忆功能，能够较好的处理长短期依赖问题；此外，LSTM可以根据输入数据类型的不同自主地处理相关的问题，如果输入数据是分类型数据，则处理分类问题，如果输入数据是数值型数据，则处理回归问题。基于这些特点，LSTM在现代社会的许多场景都得到了广泛的应用。
发明内容
现有LSTM在解决分类与回归问题上都具有较好的效果，但是无法在一个模型架构中很难同时实现两个功能，为了克服已有技术的不足，本发明提出了一种基于两阶段LSTM的汽车传感器攻击检测与修复方法，先利用LSTM的分类功能实现对汽车复杂驾驶场景的降维，再利用LSTM的回归功能对汽车传感器的数据进行攻击检测，通过基于阈值的方法对观测值与预测值进行比较，对汽车传感器受到的攻击进行修复。
本发明解决其技术问题所采用的技术方案是：
一种基于两阶段LSTM的汽车传感器攻击检测与修复方法，包括以下步骤：
步骤1：通过Carsim与Simulink仿真软件联合仿真采集数据，采集汽车在不同转向情况下的多个传感器数据形成数据集，多个传感器选择为横摆角速度AVz、侧向加速度Ay和方向盘转角Steer_SW，并对数据集进行预处理；
步骤2：数据集的选择与分割；
步骤3：通过两阶段LSTM进行训练；
步骤4：训练阶段CLSTM使用CrossEntropyLoss作为损失函数，优化算法选用adam，RLSTM使用mse作为损失函数，优化算法选用rmsprop；
步骤5：当损失函数满足最优情况时分别保存CLSTM与RLSTM，按汽车转向程度不同将RLSTM分别命名为0、1、2…n；
步骤6：设计两阶段LSTM选择算法；
步骤7：模型预测完之后，计算观测值与当前时刻实际值/>的误差et，利用窗口误差累计法来判断是否为受攻击后的汽车传感器数据；
步骤8：人工设定一个阈值W0，选取一个时间滑动窗口m，计算当前窗口下预测值与观测值的误差累计将W0与/>进行比较，若大于阈值W0则将t时刻的观测值判定为异常值，若判定为异常则将当前时刻的预测值代替观测值进入下一窗口序列中输入到RLSTM中参与计算；
步骤9：在汽车传感器数值受到攻击处的时刻，将RLSTM的预测值代替观测值进入汽车控制单元中进行闭环运算，达到消除攻击的目的。
进一步，所述步骤1中，数据集进行预处理，过程如下：
步骤1-1：检查数据集中有无缺失值，有缺失值时则补上；
步骤1-2：数据集中涉及到复杂的汽车转向情况，通过方向盘转角Steer_SW的不同，对三个汽车传感器数据：横摆角速度AVz、侧向加速度Ay和方向盘转角Steer_SW按汽车转向情况的不同分别将“蛇形”标记为0，换道标记为1，直角转弯标记为2，将标签和其他特征属性分开存放；
步骤1-3：对数据进行归一化，对数据集中的数据按如下公式进行归一化处理：
式中，X*代表归一化后的数据，X代表归一化之前的数据，Xmin代表汽车某一传感器在当前数据序列中的最小值，Xmax代表汽车某一传感器在当前数据序列中的最大值。
再进一步，所述步骤2的过程如下：
步骤2-1：将步骤1中所采集到的多种转向情况下汽车行驶开始时设定极短时间的传感器数据的作为分类样本；
步骤2-2：引入数据分割算法，对数据集进行等间距分割处理，扩充数据集样本容积；
步骤2-3：重复步骤2-2，将所有分割的数据合并为一个大样本，命名为分类样本数据集Classify_data；
步骤2-4：将步骤1中所采集到的横摆角速度AVz的全部数据集单独保存，命名为检测样本数据集Detection_data。
所述步骤3中，通过两阶段LSTM进行训练的过程如下：
步骤3-1：两阶段LSTM包括CLSTM与RLSTM，选取步骤2-3中的数据集Classify_data的70％作为训练集导入到CLSTM中进行训练，使用步骤2-3中的数据集Classify_data中的30％作为测试集，使用softmax函数作为激活函数；
步骤3-2：LSTM相比RNN的不同之处在于其隐藏层加入了门机制和一个细胞状态的更新，门机制主要包括遗忘门、记忆门、输出门，门控函数ft根据上一时刻细胞单元的状态值(0和1，其中0表示遗忘，1表示保留)来控制上一时刻那些信息需要被遗忘。记忆门it用于控制输入信息，判断是否需要记忆，输出门ot基于细胞状态(0和1，其中0表示不允许信息通过，1表示运行通过)确认输出信息。
步骤3-3：通过sigmoid函数进行分类，分类精度的评价指标使用Accuracy与Error_rate表示：
式中，TP表示真实类别为正例，预测类别为正例；FP表示真实类别为负例，预测类别为正例；FN表示真实类别为正例，预测类别为负例；TN表示真实类别为负例，预测类别为负例，P代表正例总数、N代表负例总数；
步骤3-4：选取步骤2-4中的数据集Detection_data的70％作为训练集导入到RLSTM中进行训练，使用步骤2-4中的数据集Detection_data中的30％作为测试集，使用linear函数作为激活函数；
步骤3-5：RLSTM采用滑动时间窗口的方式，将下一个时间点的数值作为上一个时间点样本的训练标签，给定步骤2-4中Detection_data中的前一小段序列预测模型可得知下一时刻即t时刻的预测值/>即将前t-1个数据作为输入数据被依次送入模型的输入层，根据窗口内序列的最后一个数据作为期望标签用于优化模型的预测误差；形式上，一个预测模型表示为函数的近似模拟：
式中，映射满足时序约束，下一个时刻的预测值只与前面时刻的观测值有关，即/>只依赖于/>
所述步骤6中，两阶段LSTM选择算法的过程如下；
步骤6-1：将步骤2-3中Classify_data的测试集作为CLSTM的输入；
步骤6-2：按照步骤5中模型命名的不同选择不同的RLSTM，对步骤2-4中Detection_data的测试集数据进行预测。
优选的：所述步骤3-1中，分类模型CLSTM中输入层为3个神经元，输出为2个神经元，隐藏层32个神经元。
优选的：所述步骤3-4中，回归模型RLSTM中有4层网络，输入为10个神经元，即滑动窗口为10，输出为1个神经元，设置了2个隐藏层，第一层50个神经元，第二层100个神经元。
优选的：所述步骤7中，提到的攻击类型为高振幅声波攻击，具体为通过高振福声波与MEMS陀螺仪产生的谐振效果使得MEMS陀螺仪产生异常输出并导致汽车传感器产生异常数据。
优选的：所述步骤9中，将预测值替换观测值进行修复的效果既可以从汽车传感器数值上体现，还能通过汽车闭环控制算法在汽车实际转向中得以体现。
本发明中，通过Carsim与Simulink仿真软件联合仿真采集数据，并对数据进行预处理，利用CLSTM(分类模型)对汽车复杂驾驶场景进行降维与特征提取，利用RLSTM(回归模型)来训练单维汽车传感器数据，当两者的损失函数满足条件时终止训练，保存好各自的模型，并通过两阶段LSTM选择算法将训练好的模型在测试集上测试，预测完后利用窗口累计误差的方法判断当前传感器数据是否受攻击的数据，并将汽车受到攻击处的传感器数据的观测值替换为预测值进入汽车控制单元中进行闭环运算，达到消除攻击的目的。
本发明的有益效果主要表现在：1、深度学习技术应用于汽车传感器的攻击检测可能是在本发明中首次提出；2、相比单一的一个LSTM，本发明提出了两阶段的LSTM攻击检测方法，提高了在复杂场景中对汽车传感器的攻击检测成功率；3、本发明提出了当汽车传感器受到攻击时有效的修复方法。
附图说明
图1为基于两阶段LSTM的汽车传感器攻击检测与修复方法的流程图；
图2为滑动时间窗口示意图；
图3为预测替换机制示意图；
图4为识别准确率混淆矩阵图；
图5为基于两阶段LSTM的汽车传感器攻击检测与修复方法图，(a)为Predictedlabel l的长度为0.3s，(b)为Predicted label l的长度为0.7s。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图5，一种基于两阶段LSTM的汽车传感器攻击检测与修复方法，如图1所示，包括数据预处理、数据集的选择与分割、两阶段LSTM模型训练、两阶段LSTM模型选择、攻击修复，所述方法包括以下步骤：
步骤1：采集汽车在不同转向情况下的多个传感器数据形成数据集，这里的多个传感器选择为AVz(横摆角速度)、Ay(侧向加速度)、Steer_SW(方向盘转角)，并对数据集进行预处理，过程如下：
步骤1-1：数据集中涉及到复杂的汽车转向情况，比如“蛇形”、换道、直角转弯等，本发明做的是三分类，因此主要通过Steer_SW(方向盘)角度的不同，对三个汽车传感器数据：AVz(横摆角速度)、Ay(侧向加速度)、Steer_SW(方向盘转角)按汽车转向情况的不同分别将“蛇形”标记为0，换道标记为1，直角转弯标记为2。将标签和其他特征属性分开存放
步骤1-2：因为汽车各个传感器数值属性具有较大的量级差异，经常导致机器学习模型表现不佳，为了更好更快的让模型收敛，需要对数据进行归一化，在这里对数据集中的数据按如下公式进行归一化处理：
式中，X*代表归一化后的数据，X代表归一化之前的数据，Xmin代表汽车某一传感器在当前数据序列中的最小值，Xmax代表汽车某一传感器在当前数据序列中的最大值；
步骤2：数据集的选择与分割，过程如下：
步骤2-1：将步骤1中所采集到的多种转向情况下汽车行驶开始时极短时间(0.3s或0.7s)的传感器数据的作为分类样本；
步骤2-2：引入数据分割算法，对数据集进行等间距分割处理，扩充数据集样本容积；
步骤2-3：重复步骤2-2，将所有分割的数据合并为一个大样本，命名为分类样本数据集Classify_data；
步骤2-4：将步骤1中所采集到的传感器数据AVz(横摆角速度)的全部数据集单独保存，命名为检测样本数据集Detection_data；
步骤3：通过两阶段LSTM(长短期记忆网络)进行训练，过程如下：
步骤3-1：两阶段LSTM包括CLSTM(分类模型)与RLSTM(回归模型)，选取步骤2-3中的数据集Classify_data的70％作为训练集导入到CLSTM中进行训练，使用步骤2-3中的数据集Classify_data中的30％作为测试集，使用softmax函数作为激活函数，这里的CLSTM中输入层为3个神经元，输出为2个神经元，隐藏层32个神经元；
步骤3-2：LSTM相比RNN的不同之处在于其隐藏层加入了门机制和一个细胞状态的更新，门机制主要包括遗忘门、记忆门、输出门，门控函数ft根据上一时刻细胞单元的状态值(0和1，其中0表示遗忘，1表示保留)来控制上一时刻那些信息需要被遗忘，记忆门it用于控制输入信息，判断是否需要记忆，输出门ot基于细胞状态(0和1，其中0表示不允许信息通过，1表示运行通过)确认输出信息；
步骤3-3：通过sigmoid函数进行分类，其中分类精度的评价指标使用Accuracy与Error_rate表示：
式中，TP表示真实类别为正例，预测类别为正例；FP表示真实类别为负例，预测类别为正例；FN表示真实类别为正例，预测类别为负例；TN表示真实类别为负例，预测类别为负例，P代表正例总数、N代表负例总数；
步骤3-4：选取步骤2-4中的数据集Detection_data的70％作为训练集导入到RLSTM中进行训练，使用步骤2-4中的数据集Detection_data中的30％作为测试集，使用linear函数作为激活函数，这里的RLSTM中有4层网络。输入为10个神经元(滑动窗口为10)，输出为1个神经元，设置了2个隐藏层，第一层50个神经元，第二层100个神经元。
步骤3-5：RLSTM采用滑动时间窗口的方式，将下一个时间点的数值作为上一个时间点样本的训练标签，给定步骤2-4中Detection_data中的前一小段序列预测模型可得知下一时刻即t时刻的预测值/>即将前t-1个数据作为输入数据被依次送入模型的输入层，根据窗口内序列的最后一个数据作为期望标签用于优化模型的预测误差，形式上，一个预测模型可以表示为函数的近似模拟：
式中，映射满足时序约束，下一个时刻的预测值只与前面时刻的观测值有关，即/>只依赖于/>
步骤4：训练阶段CLSTM使用CrossEntropyLoss作为损失函数，优化算法选用adam，RLSTM使用mse作为损失函数，优化算法选用rmsprop；
步骤5：当损失函数满足最优情况时分别保存CLSTM与RLSTM，按汽车转向程度不同将RLSTM分别命名为0、1、2…n；
步骤6：设计两阶段LSTM选择算法，过程如下：
步骤6-1：将步骤2-3中Classify_data的测试集作为CLSTM的输入；
步骤6-2：按照步骤5中模型命名的不同选择不同的RLSTM，对步骤2-4中Detection_data的测试集数据进行预测；
步骤7：模型预测完之后，计算观测值与当前时刻实际值/>的误差et，利用窗口误差累计法来判断是否为受攻击后的汽车传感器数据，这里的攻击类型是利用高频声波与MEMS陀螺仪产生谐振效果对汽车传感器产生的声波攻击；
步骤8：人工设定一个阈值W0，选取一个时间滑动窗口m，计算当前窗口下预测值与观测值的误差累计将W0与/>进行比较，若大于阈值W0则将t时刻的观测值判定为异常值，若判定为异常则将当前时刻的预测值代替观测值进入下一窗口序列中输入到RLSTM中参与计算；
步骤9：在汽车传感器数值受到攻击处的时刻，将RLSTM的预测值代替观测值进入汽车控制单元中进行闭环运算，达到消除攻击的目的。
本发明比传统的机器学习方法更复杂，但是攻击坚持效果更好，且有一定修复作用，具有一定的实用性。
以上所述是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于两阶段LSTM的汽车传感器攻击检测与修复方法，其特征在于，所述方法包括以下步骤：
步骤1：通过Carsim与Simulink仿真软件联合仿真采集数据，采集汽车在不同转向情况下的多个传感器数据形成数据集，多个传感器选择为横摆角速度AVz、侧向加速度Ay和方向盘转角Steer_SW，并对数据集进行预处理；
步骤2：数据集的选择与分割；
步骤3：通过两阶段LSTM进行训练；
步骤4：训练阶段CLSTM使用CrossEntropyLoss作为损失函数，优化算法选用adam，RLSTM使用mse作为损失函数，优化算法选用rmsprop；
步骤5：当损失函数满足最优情况时分别保存CLSTM与RLSTM，按汽车转向程度不同将RLSTM分别命名为0、1、2…n；
步骤6：设计两阶段LSTM选择算法；
步骤7：模型预测完之后，计算观测值与当前时刻实际值/>的误差et，利用窗口误差累计法来判断是否为受攻击后的汽车传感器数据；
步骤8：人工设定一个阈值W0，选取一个时间滑动窗口m，计算当前窗口下预测值与观测值的误差累计将W0与/>进行比较，若大于阈值W0则将t时刻的观测值判定为异常值，若判定为异常则将当前时刻的预测值代替观测值进入下一窗口序列中输入到RLSTM中参与计算；
步骤9：在汽车传感器数值受到攻击处的时刻，将RLSTM的预测值代替观测值进入汽车控制单元中进行闭环运算，达到消除攻击的目的；
所述步骤2的过程如下：
步骤2-1：将步骤1中所采集到的多种转向情况下汽车行驶开始时设定极短时间的传感器数据的作为分类样本；
步骤2-2：引入数据分割算法，对数据集进行等间距分割处理，扩充数据集样本容积；
步骤2-3：重复步骤2-2，将所有分割的数据合并为一个大样本，命名为分类样本数据集Classify_data；
步骤2-4：将步骤1中所采集到的横摆角速度AVz的全部数据集单独保存，命名为检测样本数据集Detection_data；
所述步骤3中，通过两阶段LSTM进行训练的过程如下：
步骤3-1：两阶段LSTM包括CLSTM与RLSTM，选取步骤2-3中的数据集Classify_data的70％作为训练集导入到CLSTM中进行训练，使用步骤2-3中的数据集Classify_data中的30％作为测试集，使用softmax函数作为激活函数；
步骤3-2：LSTM相比RNN的不同之处在于其隐藏层加入了门机制和一个细胞状态的更新，门机制包括遗忘门、记忆门、输出门，门控函数ft根据上一时刻细胞单元的状态值来控制上一时刻那些信息需要被遗忘，其中状态值0表示遗忘，状态值1表示保留；记忆门it用于控制输入信息，判断是否需要记忆，输出门ot基于细胞状态确认输出信息，其中0表示不允许信息通过，1表示运行通过；
步骤3-3：通过sigmoid函数进行分类，分类精度的评价指标使用Accuracy与Error_rate表示：
式中，TP表示真实类别为正例，预测类别为正例；FP表示真实类别为负例，预测类别为正例；FN表示真实类别为正例，预测类别为负例；TN表示真实类别为负例，预测类别为负例，P代表正例总数、N代表负例总数；
步骤3-4：选取步骤2-4中的数据集Detection_data的70％作为训练集导入到RLSTM中进行训练，使用步骤2-4中的数据集Detection_data中的30％作为测试集，使用linear函数作为激活函数；
步骤3-5：RLSTM采用滑动时间窗口的方式，将下一个时间点的数值作为上一个时间点样本的训练标签，给定步骤2-4中Detection_data中的前一小段序列预测模型可得知下一时刻即t时刻的预测值/>即将前t-1个数据作为输入数据被依次送入模型的输入层，根据窗口内序列的最后一个数据作为期望标签用于优化模型的预测误差；形式上，一个预测模型表示为函数f的近似模拟：
式中，映射满足时序约束，下一个时刻的预测值只与前面时刻的观测值有关，即/>只依赖于/>
所述步骤6中，两阶段LSTM选择算法的过程如下；
步骤6-1：将步骤2-3中Classify_data的测试集作为CLSTM的输入；
步骤6-2：按照步骤5中模型命名的不同选择不同的RLSTM，对步骤2-4中Detection_data的测试集数据进行预测。
2.如权利要求1所述的一种基于两阶段LSTM的汽车传感器攻击检测与修复方法，其特征在于，所述步骤1中，数据集进行预处理，过程如下：
步骤1-1：检查数据集中有无缺失值，有缺失值时则补上；
步骤1-2：数据集中涉及到复杂的汽车转向情况，通过方向盘转角Steer_SW的不同，对三个汽车传感器数据：横摆角速度AVz、侧向加速度Ay和方向盘转角Steer_SW按汽车转向情况的不同分别将“蛇形”标记为0，换道标记为1，直角转弯标记为2，将标签和其他特征属性分开存放；
步骤1-3：对数据进行归一化，对数据集中的数据按如下公式进行归一化处理：
式中，X*代表归一化后的数据，X代表归一化之前的数据，Xmin代表汽车某一传感器在当前数据序列中的最小值，Xmax代表汽车某一传感器在当前数据序列中的最大值。
3.如权利要求1所述的一种基于两阶段LSTM的汽车传感器攻击检测与修复方法，其特征在于，所述步骤3-1中，分类模型CLSTM中输入层为3个神经元，输出为2个神经元，隐藏层32个神经元。
4.如权利要求1所述的一种基于两阶段LSTM的汽车传感器攻击检测与修复方法，其特征在于，所述步骤3-4中，回归模型RLSTM中有4层网络，输入为10个神经元，即滑动窗口为10，输出为1个神经元，设置了2个隐藏层，第一层50个神经元，第二层100个神经元。
5.如权利要求1或2所述的一种基于两阶段LSTM的汽车传感器攻击检测与修复方法，其特征在于，所述步骤7中，提到的攻击类型为高振幅声波攻击，具体为通过高振福声波与MEMS陀螺仪产生的谐振效果使得MEMS陀螺仪产生异常输出并导致汽车传感器产生异常数据。
6.如权利要求1或2所述的一种基于两阶段LSTM的汽车传感器攻击检测与修复方法，其特征在于，所述步骤9中，将预测值替换观测值进行修复的效果既可以从汽车传感器数值上体现，还能通过汽车闭环控制算法在汽车实际转向中得以体现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110422459.0A CN113255725B (zh) | 2021-04-20 | 2021-04-20 | 基于两阶段lstm的汽车传感器攻击检测与修复方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110422459.0A CN113255725B (zh) | 2021-04-20 | 2021-04-20 | 基于两阶段lstm的汽车传感器攻击检测与修复方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113255725A CN113255725A (zh) | 2021-08-13 |
| CN113255725B true CN113255725B (zh) | 2024-03-22 |
Family
ID=77221138
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110422459.0A Active CN113255725B (zh) | 2021-04-20 | 2021-04-20 | 基于两阶段lstm的汽车传感器攻击检测与修复方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113255725B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111447212A (zh) * | 2020-03-24 | 2020-07-24 | 哈尔滨工程大学 | 一种基于gan的apt攻击序列的生成与检测方法 |
| CN112364697A (zh) * | 2020-10-14 | 2021-02-12 | 陕西师范大学 | 基于r-lstm模型的脑电信号情绪识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220058240A9 (en) * | 2019-08-27 | 2022-02-24 | Nec Laboratories America, Inc. | Unsupervised multivariate time series trend detection for group behavior analysis |
-
2021
- 2021-04-20 CN CN202110422459.0A patent/CN113255725B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111447212A (zh) * | 2020-03-24 | 2020-07-24 | 哈尔滨工程大学 | 一种基于gan的apt攻击序列的生成与检测方法 |
| CN112364697A (zh) * | 2020-10-14 | 2021-02-12 | 陕西师范大学 | 基于r-lstm模型的脑电信号情绪识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113255725A (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106971194B (zh) | 一种基于改进hmm和svm双层算法的驾驶意图识别方法 | |
| Tang et al. | Driver lane change intention recognition of intelligent vehicle based on long short-term memory network | |
| LU102710B1 (en) | Input validation method for neural network model by crossing-layer dissection | |
| US20190332935A1 (en) | System and method for siamese instance search tracker with a recurrent neural network | |
| CN111738337B (zh) | 一种混行交通环境下的驾驶人分心状态检测识别方法 | |
| CN112257850A (zh) | 一种基于生成对抗网络的车辆轨迹预测方法 | |
| CN112668779B (zh) | 基于自适应高斯过程的前车运动状态预测方法 | |
| CN111114556A (zh) | 基于多源指数加权损失下lstm的换道意图识别方法 | |
| CN114418298A (zh) | 基于非侵入式检测的充电负荷概率预测***及方法 | |
| CN110910531B (zh) | 一种基于车载obd信息的路面摩擦系数快速检测方法 | |
| EP4145345A1 (en) | Data annotation method and device, and fine granularity identification method and device | |
| CN111783943B (zh) | 一种基于lstm神经网络的驾驶员制动强度预测方法 | |
| CN114926825A (zh) | 一种基于时空特征融合的车辆驾驶行为检测方法 | |
| CN115496384A (zh) | 工业设备的监控管理方法、装置和计算机设备 | |
| CN116985793B (zh) | 基于深度学习算法的自动驾驶安全控制***及方法 | |
| CN112435466B (zh) | 混合交通流环境下cacc车辆退变为传统车的接管时间预测方法及*** | |
| EP3640857A1 (en) | Method, vehicle, system, and storage medium for indicating anomalous vehicle scenario using encoder network and discriminator network intermediate layer activation | |
| CN113255725B (zh) | 基于两阶段lstm的汽车传感器攻击检测与修复方法 | |
| CN111160089B (zh) | 一种基于不同车辆类型的轨迹预测***及方法 | |
| CN116946183A (zh) | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 | |
| CN112232226A (zh) | 通过判别式模型检测目标对象的方法和*** | |
| Sun et al. | Vision-based traffic conflict detection using trajectory learning and prediction | |
| CN116151472A (zh) | 一种基于车联网数据挖掘的电动汽车短期能耗预测方法 | |
| Lim et al. | Temporal early exiting with confidence calibration for driver identification based on driving sensing data | |
| CN114248780A (zh) | 考虑驾驶员风格的idm-lstm组合型跟车模型建立方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |