CN115563607A - 自主驾驶无人船导航传感器网络攻击异常诊断***方法 - Google Patents
自主驾驶无人船导航传感器网络攻击异常诊断***方法 Download PDFInfo
- Publication number
- CN115563607A CN115563607A CN202111456680.4A CN202111456680A CN115563607A CN 115563607 A CN115563607 A CN 115563607A CN 202111456680 A CN202111456680 A CN 202111456680A CN 115563607 A CN115563607 A CN 115563607A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- model
- layer
- navigation sensor
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种自主驾驶无人船导航传感器网络攻击异常诊断***方法,该方法通过构建网络攻击异常诊断***模型对自主驾驶无人船导航传感器的多通道位置测量数据进行自动数据挖掘和特征提取,网络攻击异常诊断***模型采用改进的一维卷积神经网络智能算法搭建,包含有输入数据层、特征提取层、降维减参层和Softmax输出层四个部分,其中特征提取层包含有多个依次堆叠的一维卷积层和一维池化层,降维减参层由1个1×1的一维卷积层和1个一维全局均值池化层(1DGAP)组成,整个诊断过程无需人工操作,数据处理由模型自动完成,诊断结果自动输出,因此,人们对自主无人船导航传感器的网络攻击异常诊断更方便快捷。
Description
技术领域
本发明属于传感器异常诊断及检测的技术领域,尤其涉及一种自主驾驶无人船导航传感器网络攻击异常诊断***及方法。
背景技术
近十年来,自主驾驶无人船已受到全球造船界与航运界的广泛关注,自主驾驶无人船作为一种新兴的水面交通运输工具为全世界的航运领域注入了新动力,自主驾驶无人船可以自动完成诸如自主驾驶、自动靠港、自主泊船、自主蔽障和自主航线规划等一系列“人工操作”,不仅有效释放了船长和轮机长等船员的操控时间,同时还有效避免和减少了因人为操作失误和大雾、黑夜、洋流运动和暴风雨等不可干预的自然环境给航运带来的损失和重大灾难后果事故的发生;自主驾驶无人船在航行过程中需要依赖大量的传感器实时的读取和接收来自于导航卫星、通信卫星、雷达基站和其他船舶之间的航运和海况数据,作为一种新兴智能水面交通输运工具,自主驾驶无人船的行驶完全依赖于GPS、Lidar、Radar等导航传感器提供的精确位置和路径数据,然而,自主驾驶无人船的导航传感器因***、计算机网络黑客等的恶意网络攻击或导航传感器本身的物理故障而造成导航位置数据异常或篡改给自主驾驶无人船的安全行驶带来了巨大的威胁和挑战,使船舶在无感知的状态下偏离航行路线、与其他船舶或障碍物碰撞,甚至更严重的海难发生。
导航传感器的异常主要分为两个方面的原因,其一是硬件和软件技术问题,如导航传感器损坏、设备老化和信号延迟等,这类问题随着科技水平的发展已逐渐解决和完善;另一方面则是来自于***或黑客的恶意网络攻击,干扰正常导航传感器或***的真实数据,使自主驾驶无人船执行错误指令,从而造成令人防不胜防的危害,目前已成为影响自主驾驶无人船大规模上市前必须解决的首要问题。
针对船舶导航传感器的网络攻击问题一直是让船东和造船厂迫于解决的难题,在本发明之前,人们尝试采用各种方法来防控这一问题。比如,虽然是自动驾驶船,但仍然安排船员24小时在驾控台上观察仪表,这种方法虽然有些效果,但是仍然不能做到有效的防范;因为人的注意力是有限的和主观的,如1912年沉没的泰坦尼克号巨型游轮,虽然有船员驾驶,但仍未能及时的发现冰川而造成举世瞩目的海难;目前,业内学者和科研院所主要聚焦于自主驾驶无人船功能的实现和性能提升研究,直接针对自主驾驶无人船导航传感器网络攻击检测的研究尚未见到,现有的一些针对计算机操作***的黑客攻击往往是采用计算机病毒入侵、或是采用基于卡尔曼滤波器模型的异常检测,但这些方法需要建立复杂的数学模型,并且检测效果很大程度上取决于模型精度,然而在实际中建立高精度的数学模型是十分困难的,异常检测效果十分有限,并且这些方法的应用对象也不是自主驾驶无人船,不便于自主驾驶无人船的导航传感器异常的实时诊断和故障检测。
发明内容
本发明的目的在于提供一种自主驾驶无人船导航传感器网络攻击异常诊断***方法,使人们对自主驾驶无人船导航传感器的网络攻击或物理异常检测更方便快速。
为实现上述目的,本发明提供了一种自主驾驶无人船导航传感器网络攻击异常诊断***方法,包括以下步骤:
1)采集自主驾驶无人船导航传感器的位置测量数据;其包含1类正常状态数据和N类异常状态数据,从而获取n类(n=N+1)原始状态监测数据{D}原;
2)对所述原始异常状态数据进行多通道数据融合,将来自于多个导航传感器的多通道时间序列数据转变为一个长时间序列的原始数据集二维特征图{T}原;
3)数据预处理,所述数据预处理包含数据标准化处理、数据截断、重叠采样数据增强和异常样本生成,获得扩充总数据集二维特征图训练样本{T}总;
4)划分数据集,将生成的扩充数据集二维特征图训练样本{T}总划分为训练数据集、验证数据集和测试数据集;
5)构建网络攻击异常诊断***模型;
6)对所述网络攻击异常诊断***模型进行训练,保存模型参数权重;
7)完成最终模型测试,将新检测样本输入模型,得到异常诊断结果。
本发明设计了,所述多通道数据融合的数据来自于自主驾驶无人船的k个导航传感器,每个传感器具有m个数据通道,每个通道采集了P个数据点,在n(n=N+1)种状态类型下可以构建一个[n, [k, m], P] 的多维张量矩阵的原始数据集二维特征图{T}原。
本发明设计了,所述原始数据集二维特征图{T}原的数据排序设置为:第1个导航传感器的第1通道、第1个导航传感器的第2通道、…、第1个导航传感器的第m通道、第2个导航传感器的第1通道、第2个导航传感器的第2通道、…、第2个导航传感器的第m通道、…、第k个导航传感器的第1通道、第k个导航传感器的第2通道、…、第k个导航传感器的第m通道。
本发明设计了,所述数据预处理包含数据标准化处理、数据截断、重叠采样数据增强和异常样本生成。
所述数据标准化处理,为将每个通道的P个数据点的量值压缩到0~1之间的数值,具体的量值压缩方法采用最大最小标准化方法,其数学表达式为:{X}=(x i -x min)/(x max-x min),其中x i 为第i个原始数据点,x min为P个原始数据点中最小值的数据点,x max为P个原始数据点中最大值的数据点,{X}为标准化处理后的P个数据点。
所述数据截断,设置为将长度为P的长时间序列多维张量矩阵的原始数据集二维特征图{T}原截取为多个长度为p的短时间序列二维特征图{t}。
所述重叠采样数据增强,设置为采用基于滑动窗口法重叠采样的样本数据增强方法,该方法设置为采用一个固定的滑移窗口W num在所述长时间序列多维张量矩阵原始数据集二维特征图{T}原上以固定的步长S num沿时间轴方向滑移,每移动一个步长就将滑移窗口内的数据点生成保存为一个短时间序列二维特征图训练样本{t},从而将一个长时间序列多维张量矩阵原始数据集二维特征图{T}原生成T num个短时间序列的扩充总数据集二维特征图训练样本{T}总。
本发明设计了,所述滑动窗口重叠采样法的样本数据增强方法所生成的新训练样本数量的计算方法为:T num=(I num-W num+1)/ S num ,I num代表输入样本的数据点个数,W num代表滑动窗口的长度,S num代表滑窗步长,T num代表新故障样本的数量,该计算结果小数点设置为向上取整。
本发明设计了,所述划分数据集,设置为在预处理后的扩充总数据集二维特征图训练样本{T}总的每个状态类别的所有样本中随机的选取30%的样本数量作为测试数据集,在剩余的70%的样本中随机取80%作为训练数据集、20%作为验证数据集。
本发明设计了,所述网络攻击异常诊断***模型设置为改进的一维卷积神经网络智能算法。
所述改进的一维卷积神经网络智能算法设置为包含有输入数据层、特征提取层、降维减参层和Softmax输出层四个部分组成;
所述输入数据层用于读取训练数据集、验证数据集和测试数据集的样本数据,并将这些数据输入到所述特征提取层;
所述特征提取层设置为包含有多个依次堆叠的一维卷积层、激活层和一维池化层;
所述降维减参层设置为由1个1×1的一维卷积层和1个一维全局均值池化层(1DGAP)组成;
本发明设计了,所述改进的一维卷积神经网络智能算法设置为采用误差反向传播算法来实现模型各层神经元的参数训练和权重学习,反复执行前向传播和反向传播迭代计算过程。
本发明设计了,所述训练数据集用于对网络攻击异常诊断***模型进行训练;在模型训练的同时,将所述验证数据集的样本用于对训练过程中的所述网络攻击异常诊断***模型的诊断准确率进行实时交叉验证,验证模型在验证集上的准确率以及检查是否出现过拟合。
本发明设计了,所述训练过程中网络攻击异常诊断***模型是否过拟合的判定设置为:若随着模型训练迭代轮数的增加,当验证集上的准确率与训练集上的准确率持续增涨时,则模型训练正常,模型继续训练,直到训练集和验证集上的准确率达到设定的迭代轮数时,模型结束训练,保存训练过程中验证数据集准确率最高的模型各层权重参数值;若随着模型训练迭代轮数的增加,当训练集上的准确率持续增涨而验证集上的准确率没有增涨,且两者准确率差达到预设值时,则诊断模型出现过拟合,停止模型训练,跳转执行将所述训练集的数据重新输入所述网络攻击异常诊断***模型,重新修改所述网络攻击异常诊断***模型超参数,若重新验证时,没有出现过拟合,则说明模型参数合理,模型继续训练,直到训练集和验证集上的准确率达到设定的迭代轮数时,模型结束训练,保存训练过程中验证数据集准确率最高的模型各层权重参数值,若重新验证时出现过拟合,则停止训练,再重新修改所述网络攻击异常诊断***模型参数,继续验证,依此反复执行,直到验证成功。
本发明设计了,将所述测试数据集的样本或新采集的自主驾驶无人船导航传感器的实时样本输入到网络攻击异常诊断***模型进行异常检测,输出最终的异常检测结果。
本发明设计了,所述导航传感器的类型包含有全球定位***传感器(GPS)、激光探测与测量传感器(LIDAR)等常规导航传感器。
本发明提供的基于深度学习的自主驾驶无人船导航传感器异常检测***及方法中所述的网络攻击异常诊断***模型的检测流程如下:
首先,将训练数据集的样本输入到网络攻击异常诊断***模型中,所述输入数据层会自动读取训练数据集、验证数据集和测试数据集的样本数据,并将训练数据集的样本按小批次输入到所述特征提取层。
其次,所述特征提取层的多层堆叠的一维卷积层、激活层和一维池化层逐层对输入的训练样本进行特征提取和数据挖掘,并将提取的稀疏代表特征向量输出给所述降维减参层。
第三,所述降维减参层把接收到的来自特征提取层的特征数据输入到1×1的一维卷积层,由1×1的一维卷积层完成维度变换,所述1×1的一维卷积层的通道个数设置为导航传感器的状态数量n。
所述1×1的一维卷积层将维度变换后的结果输出给所述一维全局均值池化层,一维全局均值池化层将所述1×1一维卷积层输出的每个通道的一维特征向量计算得到一个全局平均值,从而得到一个[1×n]的数组,并将该结果输出给所述Softmax输出层。
第四,在所述网络攻击异常诊断***模型的训练阶段,将所述输入数据层的训练数据集的训练样本依次输入到一维卷积神经网络层、1×1一维卷积层、一维全局均值池化层和Softmax分类器,并通过误差反向传播算法完成模型各层神经元的参数训练和学习,反复执行前向传播和反向传播迭代计算过程。
在模型训练的同时,将所述输入数据层的验证数据集的样本用于对训练过程中的所述网络攻击异常诊断***模型模型的诊断准确率进行实时验证,验证模型在验证集上的准确率以及检查是否出现过拟合。
所述训练过程中网络攻击异常诊断***模型模型是否过拟合的判定设置为:若随着模型训练迭代轮数的增加,当验证集上的准确率与训练集上的准确率持续增涨时,则模型训练正常,模型继续训练,直到训练集和验证集上的准确率达到设定的迭代轮数时,模型结束训练,保存训练过程中验证数据集准确率最高的模型各层权重参数值;若随着模型训练迭代轮数的增加,当训练集上的准确率持续增涨而验证集上的准确率没有增涨,且两者准确率差达到预设值时,则诊断模型出现过拟合,停止模型训练,跳转执行将所述训练集的数据重新输入所述网络攻击异常诊断***模型,重新修改所述网络攻击异常诊断***模型超参数,若重新验证时,没有出现过拟合,则说明模型参数合理,模型继续训练,直到训练集和验证集上的准确率达到设定的迭代轮数时,模型结束训练,保存训练过程中验证数据集准确率最高的模型各层权重参数值,若重新验证时出现过拟合,则停止训练,再重新修改所述网络攻击异常诊断***模型参数,继续验证,依此反复执行,直到验证成功。
本发明产生的有益效果是:本发明通过改进传统一维卷积神经网络模型结构,首先采用1×1的一维卷积层与设计的一维全局均值池化层进行组合来代替传统1DCNN的2~3层的全连接层结构,有效减少1DCNN的训练参数量,提高了模型的诊断速度。同时,本发明可自动自主驾驶无人船的多个导航传感器下采集的多通道数据进行数据融合,通过有效利用多个通道的数据对自主驾驶无人船导航传感器的网络攻击或物理异常进行更精准的异常诊断。
本发明提供的自主驾驶无人船导航传感器网络攻击异常诊断***方法,将自主驾驶无人船导航传感器的多通道位置测量数据自动进行多通道数据融合,原始的自主驾驶无人船导航传感器多通道测量数据被直接输入到构建的网络攻击异常诊断***模型,其输入数据层自动完成多通道数据融合、数据标准化处理、数据截断、样本数据增强及样本生成、特征提取、维度变换和降维减参等一系列的操作,整个检测过程无需依赖于工程师先验知识的任何特征操作,端到端的算法结构具有优越的自适应性和灵活通用性,且具有更快的检测速度和更高的诊断准确率,更加适用于自主驾驶无人船导航传感器的网络攻击或物理损坏的异常实时诊断和快速检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的自主驾驶无人船导航传感器网络攻击异常诊断***方法的流程步骤图。
图2是本发明提供的自主驾驶无人船导航传感器网络攻击异常诊断***方法的多传感器多通道数据融合示意图。
图3是本发明提供的自主驾驶无人船导航传感器网络攻击异常诊断***方法的滑移窗口重叠采样法样本数据增强的示意图。
图4是本发明提出的网络攻击异常诊断***模型的算法示意图。
图5是本发明提供的自主驾驶无人船导航传感器异常检测***框架图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
请参阅图1至图4,本发明提供了一种自主驾驶无人船导航传感器网络攻击异常诊断***方法,包括:
S101、采集自主驾驶无人船导航传感器多通道位置测量数据。
具体的,所述自主驾驶无人船导航传感器多通道位置测量数据包含有1类正常状态数据和N类异常状态数据,从而获取n类(n=N+1)原始状态监测数据{D}原。
S102、对所述原始异常状态数据进行多通道数据融合。
具体的,参见图2,所述多通道数据融合设置为将来自于多个导航传感器的多通道时间序列数据转变为一个长时间序列的原始数据集二维特征图{T}原。
在本实施例中,所述多通道数据融合的数据来自于自主驾驶无人船的k个导航传感器,每个传感器具有m个数据通道,每个通道采集了P个数据点,在n(n=N+1)种状态类型下可以构建一个[n, [k, m], P] 的多维张量矩阵的原始数据集二维特征图{T}原。
在本实施例中,所述原始数据集二维特征图{T}原的数据排序设置为:第1个导航传感器的第1通道、第1个导航传感器的第2通道、…、第1个导航传感器的第m通道、第2个导航传感器的第1通道、第2个导航传感器的第2通道、…、第2个导航传感器的第m通道、…、第k个导航传感器的第1通道、第k个导航传感器的第2通道、…、第k个导航传感器的第m通道。
S103、数据预处理。
具体的,所述数据预处理包含数据标准化处理、数据截断、重叠采样数据增强和异常样本生成。
在本实施例中,所述数据截断设置为将长度为P的长时间序列多维张量矩阵的原始数据集二维特征图{T}原截取为多个长度为p的短时间序列二维特征图{t}。
在本实施例中,所述重叠采样数据增强,如图3所示,设置为采用基于滑动窗口法重叠采样的样本数据增强方法,该方法设置为采用一个固定的滑移窗口W num在所述长时间序列多维张量矩阵原始数据集二维特征图{T}原上以固定的步长S num沿时间轴方向滑移,每移动一个步长就将滑移窗口内的数据点生成保存为一个短时间序列二维特征图训练样本{t},从而将一个长时间序列多维张量矩阵原始数据集二维特征图{T}原生成T num个短时间序列的扩充总数据集二维特征图训练样本{T}总。
在本实施例中,所述滑动窗口重叠采样法的样本数据增强方法所生成的新训练样本数量的计算方法为:T num=(I num-W num+1)/ S num ,I num代表输入样本的数据点个数,W num代表滑动窗口的长度,S num代表滑窗步长,T num代表新故障样本的数量,该计算结果小数点设置为向上取整。在图3中,假设每个通道包含2000个数据点,即I num=2000,通过重叠采样数据截断法,可获得6个训练样本(滑窗长度W num为400,步长S num为300,即重叠率为25%),每个故障样本的尺寸为[m, 400]。由图3可见,最右侧的样本是不完整的,因此不能构成一个有效样本。
S104、划分数据集。
具体的,将生成的扩充总数据集二维特征图训练样本{T}总划分为训练数据集、验证数据集和测试数据集,划分方法为:设置为在预处理后的扩充总数据集二维特征图训练样本{T}总的每个状态类别的所有样本中随机的选取30%的样本数量作为测试数据集,在剩余的70%的样本中随机取80%作为训练数据集、20%作为验证数据集;
S105、构建网络攻击异常诊断***模型。
具体的,所述网络攻击异常诊断***模型设置为改进的一维卷积神经网络智能算法。
所述改进的一维卷积神经网络智能算法设置为包含有输入数据层、特征提取层、降维减参层和Softmax输出层四个部分组成,如图4和图5所示。
所述输入数据层用于读取训练数据集、验证数据集和测试数据集的样本数据,并将这些数据输入到所述特征提取层。
所述特征提取层设置为包含有多个依次堆叠的一维卷积层、激活层和一维池化层。
所述降维减参层设置为由1个1×1的一维卷积层和1个一维全局均值池化层(1DGAP)组成。
所述改进的一维卷积神经网络智能算法设置为采用误差反向传播算法来实现模型各层神经元的参数训练和权重学习,反复执行前向传播和反向传播迭代计算过程。
S106、对网络攻击异常诊断***模型进行训练和验证。
具体的,所述训练数据集用于对网络攻击异常诊断***模型进行训练;在模型训练的同时,将所述验证数据集的样本用于对训练过程中的所述网络攻击异常诊断***模型的诊断准确率进行实时交叉验证,验证模型在验证集上的准确率以及检查是否出现过拟合。
所述训练过程中网络攻击异常诊断***模型是否过拟合的判定设置为:若随着模型训练迭代轮数的增加,当验证集上的准确率与训练集上的准确率持续增涨时,则模型训练正常,模型继续训练,直到训练集和验证集上的准确率达到设定的迭代轮数时,模型结束训练,保存训练过程中验证数据集准确率最高的模型各层权重参数值;若随着模型训练迭代轮数的增加,当训练集上的准确率持续增涨而验证集上的准确率没有增涨,且两者准确率差达到预设值时,则诊断模型出现过拟合,停止模型训练,跳转执行将所述训练集的数据重新输入所述网络攻击异常诊断***模型,重新修改所述网络攻击异常诊断***模型超参数,若重新验证时,没有出现过拟合,则说明模型参数合理,模型继续训练,直到训练集和验证集上的准确率达到设定的迭代轮数时,模型结束训练,保存训练过程中验证数据集准确率最高的模型各层权重参数值,若重新验证时出现过拟合,则停止训练,再重新修改所述网络攻击异常诊断***模型参数,继续验证,依此反复执行,直到验证成功。
S107、完成模型训练,保存最优的模型参数权重。
具体的,训练过程中,当验证数据集的准确率达到设定的目标值或训练迭代次数时,模型训练结束,同时保存模型训练时验证数据集准确率最高的模型各层权重参数值。
S108、完成最终测试,得到最终的异常诊断结果。
具体的,最后将所述测试数据集的样本或新采集的自主驾驶无人船导航传感器的实时样本输入到网络攻击异常诊断***模型进行异常检测,输出最终的异常检测结果。
在本实施例中,所述导航传感器的类型包含有全球定位***传感器(GPS)、激光探测与测量传感器(LIDAR)等常规导航传感器。
在本实施例中,为了进一步说明本发明提供的方法在针对自主驾驶无人船导航传感器异常诊断的可行性和有效性,本实施例以GPS和LIDAR导航传感器为例,对本发明提出的方法进行验证。
在本实施例中,选用了GPS和 LIDAR两个导航传感器的位置数据作为实验数据,两者均包含有x、y和姿态角ѳ三个通道的数据,其中GPS的数据加入了5种攻击,LIDAR作为参考信号未加入攻击。两个传感器的采样频率均为10Hz,测试时间为1000秒,因此每类异常的每个通道均可获得一个包含有10000个点的一维时间序列数据段。本实验充分考虑到不同异常严重程度和网络攻击的不确定性,从而设置了多种异常等级,详细说明如下:
1)正常状态和定点攻击:无等级;
2)X向偏移攻击:分别设置了±1m、±3m、±5m、±7m和±10m五个等级;
3)Y向偏移攻击:分别设置了±5m、±10m、±20m、±30m和±50m五个等级;
4)X向缓变漂移攻击:分别设置了±0.2、±0.4m、±0.6m、±0.8m和±1.0五种斜率等级;
5)Y向缓变漂移攻击:分别设置了±0.2、±0.4m、±0.6m、±0.8m和±1.0五个斜率的攻击等级。以上每个异常等级的采样时间均为100秒。
首先,每种异常状态的原始数据在输入层中进行数据融合,本实施例中,2个传感器获得6个通道数据,从而构建一个[10000,6]的二维特征图,在5种异常状态和1个正常状态下最终可得到一个[6,10000,6]的原始数据集,第一个6代表6种状态类型。其次,对所有原始数据做均值化处理后进行样本切割,本实验中GPS和LIDAR的采样频率均为10Hz,因此,在数据截断中将每个训练样本的长度设置为10,将原始数据进行等分,从而每种状态类型可获得1000个训练样本,如表2所示。最后,在每类异常的所样本中随机取70%作为训练集,30%作为测试集,在训练集中随机的选取20%进行交叉验证,训练集用于模型训练,测试集用于检测算法的诊断准确率,最终建立的异常数据集如表1所示。
根据图4和图5所示的所述网络攻击异常诊断***模型框架,本实施例建立了诊断模型,如表2所示,该模型中,所述的特征提取层包含有3个一维卷积层、3个激活层和1个一维池化层,所述的降维减参层包含有一个1×1的一维卷积层和1个一维全局均值池化层,还有1个Softmax输出层。所有的卷积核和池化核的补零方式都设置为Padding=“Same”,采用Adam自适应学习率优化器和mini-batch训练法,每批64个样本,训练200轮。
在传统的1DCNN算法中,模型末端通过采用了一个2~3层的全连接结构,为了进一步验证本发明提出的算法的改进效果,本实施例将表2中的一维全局均值池化层更换为一个具有3层隐含层的全连接网络,超参数为256-128-6,采用同样的数据集对传统1DCNN算法进行训练,两种模型最终得到的诊断结果如表3所示,表4给出了两个诊断模型的训练参数的数量。
通过对比表3和表4的结果可以看出:
1)在诊断准确率方面,传统的1DCNN算法的准确率为98.67%,而本发明提出的算法的诊断准确率已提升至99.69%,且对正常状态、定点攻击和Y向缓变攻击的辨识度达100%,相比传统的1DCNN方法具有更高的诊断准确率。
2)在模型参数量方面,传统的包含有3层全连接层的1DCNN算法的总参数量为108134个,3层的全连接网络参数量为74886个;而本发明提出的采用一维全局均值池化改进后的模型参数量仅为33446,相比传统1DCNN算法减少参数量74688个,约占总参数量的70%,有效减少了模型参数量。
3)在诊断时间方面,传统的方法的训练时间和测试时间分别为202.19秒和0.368秒,而改进算法的训练时间和测试时间分别为162.41秒和0.209秒,尤其是测试时间上,本发明提出的算法有效减少诊断时间约43%,给网络攻击检测提供了更多的报警排障时间,这对网络攻击的实时诊断具有重要现实意义。
本发明产生的有益效果是:本发明通过改进传统一维卷积神经网络模型结构,首先采用1×1的一维卷积层与设计的一维全局均值池化层进行组合来代替传统1DCNN的2~3层的全连接层结构,有效减少1DCNN的训练参数量,提高了模型的诊断速度,然后在测试阶段采用支持向量机代替Softmax分类器进一步提升诊断准确率,同时,本发明可自动自主驾驶无人船的多个导航传感器下采集的多通道数据进行数据融合,通过有效利用多个通道的数据对自主驾驶无人船导航传感器的网络攻击或物理异常进行更精准的异常诊断。
本发明提供的一种自主驾驶无人船导航传感器网络攻击异常诊断***方法,将自主驾驶无人船导航传感器的多通道位置测量数据自动进行多通道数据融合,原始的自主驾驶无人船导航传感器多通道测量数据被直接输入到构建的网络攻击异常诊断***模型,其输入数据层自动完成多通道数据融合、数据标准化处理、数据截断、样本数据增强及样本生成、特征提取、维度变换和降维减参等一系列的操作,整个检测过程无需依赖于工程师先验知识的任何特征操作,端到端的算法结构具有优越的自适应性和灵活通用性,且具有更快的检测速度和更高的诊断准确率,更加适用于自主驾驶无人船导航传感器的网络攻击或物理损坏的异常实时诊断和快速检测,使人们对自主驾驶无人船导航传感器的异常检测更方便快捷。
应当指出,以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍在发明的保护范围之内。
Claims (10)
1.一种自主驾驶无人船导航传感器网络攻击异常诊断***方法,其特征在于,包括以下步骤:
1)采集自主驾驶无人船导航传感器的位置测量数据,其包含1类正常状态数据和N类异常状态数据,从而获取n类(n=N+1)原始状态监测数据{D}原;
2)对所述原始异常状态数据进行多通道数据融合,将来自于多个导航传感器的多通道时间序列数据转变为一个长时间序列的原始数据集二维特征图{T}原;
3)数据预处理,所述数据预处理包含数据标准化处理、数据截断、重叠采样数据增强和异常样本生成,获得扩充总数据集二维特征图训练样本{T}总;
4)划分数据集,将生成的扩充数据集二维特征图训练样本{T}总划分为训练数据集、验证数据集和测试数据集;
5)构建网络攻击异常诊断***模型;
6)对所述网络攻击异常诊断***模型进行训练,保存模型参数权重;
7)完成最终模型测试,将新检测样本输入模型,得到异常诊断结果。
2.根据权利要求1所述的自主驾驶无人船导航传感器网络攻击异常诊断***方法,其特征在于,所述多通道数据融合的数据来自于自主驾驶无人船的k个导航传感器,每个传感器具有m个数据通道,每个通道采集了P个数据点,在n(n=N+1)种状态类型下可以构建一个[n, [k, m], P] 的多维张量矩阵的原始数据集二维特征图{T}原;
所述原始数据集二维特征图{T}原的数据排序设置为:第1个导航传感器的第1通道、第1个导航传感器的第2通道、…、第1个导航传感器的第m通道、第2个导航传感器的第1通道、第2个导航传感器的第2通道、…、第2个导航传感器的第m通道、…、第k个导航传感器的第1通道、第k个导航传感器的第2通道、…、第k个导航传感器的第m通道。
3.根据权利要求1所述的自主驾驶无人船导航传感器网络攻击异常诊断***方法,其特征在于,所述数据预处理包含数据标准化处理、数据截断、重叠采样数据增强和异常样本生成;
所述数据标准化处理,为将每个通道的P个数据点的量值压缩到0~1之间的数值,具体的量值压缩方法采用最大最小标准化方法,其数学表达式为:{X}=(x i -x min)/(x max-x min),其中x i 为第i个原始数据点,x min为P个原始数据点中最小值的数据点,x max为P个原始数据点中最大值的数据点,{X}为标准化处理后的P个数据点;
所述数据截断,设置为将长度为P的长时间序列多维张量矩阵的原始数据集二维特征图{T}原截取为多个长度为p的短时间序列二维特征图{t};
所述重叠采样数据增强,设置为采用基于滑动窗口法重叠采样的样本数据增强方法,该方法设置为采用一个固定的滑移窗口W num在所述长时间序列多维张量矩阵原始数据集二维特征图{T}原上以固定的步长S num沿时间轴方向滑移,每移动一个步长就将滑移窗口内的数据点生成保存为一个短时间序列二维特征图训练样本{t},从而将一个长时间序列多维张量矩阵原始数据集二维特征图{T}原生成T num个短时间序列的扩充总数据集二维特征图训练样本{T}总。
4. 根据权利要求3所述的自主驾驶无人船导航传感器网络攻击异常诊断***方法,其特征在于,所述滑动窗口重叠采样法的样本数据增强方法所生成的新训练样本数量的计算方法为:T num=(I num-W num+1)/ S num ,I num代表输入样本的数据点个数,W num代表滑动窗口的长度,S num代表滑窗步长,T num代表新故障样本的数量,该计算结果小数点设置为向上取整。
5.根据权利要求1所述的自主驾驶无人船导航传感器网络攻击异常诊断***方法,其特征在于,所述划分数据集,设置为在预处理后的扩充总数据集二维特征图训练样本{T}总的每个状态类别的所有样本中随机的选取30%的样本数量作为测试数据集,在剩余的70%的样本中随机取80%作为训练数据集、20%作为验证数据集。
6.根据权利要求1所述的自主驾驶无人船导航传感器网络攻击异常诊断***方法,其特征在于,所述网络攻击异常诊断***模型设置为基于人工智能算法的异常诊断模型,所述基于人工智能算法的网络攻击异常诊断***模型,其人工智能诊断算法设置为卷积神经网络、循环神经网络、深度自编码神经网络或深度信念神经网络。
7.根据权利要求6所述的自主驾驶无人船导航传感器网络攻击异常诊断***方法,其特征在于,所述基于人工智能算法的网络攻击异常诊断***模型,其卷积神经网络特别设置为改进的一维卷积神经网络模型,所述改进的一维卷积神经网络智能算法设置为包含有输入数据层、特征提取层、降维减参层和Softmax输出层四个部分组成,并按顺序依次连接;
所述输入数据层用于读取训练数据集、验证数据集和测试数据集的样本数据,并将这些数据输入到所述特征提取层;
所述特征提取层设置为包含有多个依次堆叠的一维卷积层、激活层和一维池化层;
所述降维减参层设置为由1个1×1的一维卷积层和1个一维全局均值池化层(1DGAP)组成。
8.根据权利要求1所述的自主驾驶无人船导航传感器网络攻击异常诊断***方法,其特征在于,所述改进的一维卷积神经网络智能算法设置为采用误差反向传播算法来实现模型各层神经元的参数训练和权重学习,反复执行前向传播和反向传播迭代计算过程。
9.根据权利要求1所述的自主驾驶无人船导航传感器网络攻击异常诊断***方法,其特征在于,所述训练数据集用于对网络攻击异常诊断***模型进行训练;在模型训练的同时,将所述验证数据集的样本用于对训练过程中的所述网络攻击异常诊断***模型的诊断准确率进行实时交叉验证,验证模型在验证集上的准确率以及检查是否出现过拟合;
所述训练过程中网络攻击异常诊断***模型是否过拟合的判定设置为:若随着模型训练迭代轮数的增加,当验证集上的准确率与训练集上的准确率持续增涨时,则模型训练正常,模型继续训练,直到训练集和验证集上的准确率达到设定的迭代轮数时,模型结束训练,保存训练过程中验证数据集准确率最高的模型各层权重参数值;若随着模型训练迭代轮数的增加,当训练集上的准确率持续增涨而验证集上的准确率没有增涨,且两者准确率差达到预设值时,则诊断模型出现过拟合,停止模型训练,跳转执行将所述训练集的数据重新输入所述网络攻击异常诊断***模型,重新修改所述网络攻击异常诊断***模型超参数,若重新验证时,没有出现过拟合,则说明模型参数合理,模型继续训练,直到训练集和验证集上的准确率达到设定的迭代轮数时,模型结束训练,保存训练过程中验证数据集准确率最高的模型各层权重参数值,若重新验证时出现过拟合,则停止训练,再重新修改所述网络攻击异常诊断***模型参数,继续验证,依此反复执行,直到验证成功。
10.根据权利要求1所述的自主驾驶无人船导航传感器网络攻击异常诊断***方法,其特征在于,所述导航传感器的类型包含有全球定位***传感器(GPS)、激光探测与测量传感器(LIDAR)等常规导航传感器。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2021106080777 | 2021-06-01 | ||
CN202110608077 | 2021-06-01 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115563607A true CN115563607A (zh) | 2023-01-03 |
Family
ID=84737660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111456680.4A Pending CN115563607A (zh) | 2021-06-01 | 2021-12-02 | 自主驾驶无人船导航传感器网络攻击异常诊断***方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115563607A (zh) |
-
2021
- 2021-12-02 CN CN202111456680.4A patent/CN115563607A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8942062B2 (en) | Detecting structural changes to underwater structures | |
CN109186610B (zh) | 一种auv地形匹配导航的鲁棒bslam方法 | |
CN109903383B (zh) | 一种采煤机在工作面煤层三维模型中精确定位方法 | |
CN112146654B (zh) | 基于关键约束帧的前视成像声呐水下定位与导航方法 | |
CN108960421B (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
CN114626470B (zh) | 基于多类型几何特征算子的飞机蒙皮关键特征检测方法 | |
CN113469217A (zh) | 一种基于深度学习的无人驾驶汽车导航传感器异常检测方法 | |
Lin et al. | Intelligent filter-based SLAM for mobile robots with improved localization performance | |
CN113822201B (zh) | 基于流场速度分量时程的水下物体外形识别的深度学习方法 | |
CN113901927B (zh) | 一种基于流场压力时程的水下物体外形识别方法 | |
CN102981160B (zh) | 一种确定空中目标航迹的方法及装置 | |
CN112230247A (zh) | 一种用于城市复杂环境下gnss完好性监测方法 | |
CN115563607A (zh) | 自主驾驶无人船导航传感器网络攻击异常诊断***方法 | |
CN110751201B (zh) | 基于纹理特征变换的sar装备任务失效成因推理方法 | |
CN111694997A (zh) | 一种无人艇的航行数据分析控制方法及*** | |
CN115375925A (zh) | 一种基于相位信息和深度学习的水下声呐图像匹配算法 | |
CN113641954B (zh) | 一种复杂海洋环境中的三维声场快速预报方法及*** | |
CN115373383A (zh) | 一种垃圾回收无人艇的自主避障方法、装置及相关设备 | |
CN114842074A (zh) | 一种基于模型匹配的无人机影像定位方法 | |
CN115062526A (zh) | 基于深度学习的三维电离层电子浓度分布模型训练方法 | |
Pereira et al. | A 3-D Lightweight Convolutional Neural Network for Detecting Docking Structures in Cluttered Environments | |
CN111381233A (zh) | 一种水下对抗态势显控方法及*** | |
CN117708741A (zh) | 一种用于参数选择的无人机多维飞行数据异常检测的方法 | |
CN112834194B (zh) | 一种无故障样本下基于软目标度量的故障智能检测方法 | |
CN113804188B (zh) | 一种基于随机分布节点的水下机器人导航方法 |
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 |