CN115640828A - 一种基于对抗生成网络的车载数字孪生欺骗检测方法 - Google Patents
一种基于对抗生成网络的车载数字孪生欺骗检测方法 Download PDFInfo
- Publication number
- CN115640828A CN115640828A CN202110817554.0A CN202110817554A CN115640828A CN 115640828 A CN115640828 A CN 115640828A CN 202110817554 A CN202110817554 A CN 202110817554A CN 115640828 A CN115640828 A CN 115640828A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- digital twin
- model
- network
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 230000003042 antagnostic effect Effects 0.000 title claims 5
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 230000001133 acceleration Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 4
- 230000001413 cellular effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 10
- 230000004913 activation Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 230000002547 anomalous effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Landscapes
- Navigation (AREA)
Abstract
本发明公开了一种基于对抗生成网络的车载数字孪生欺骗检测方法。该方案由伪造数据生成器和欺骗检测器两个深度学习模型组成,生成伪造数据并检测欺骗。LSTM模型被引入作为伪造数据生成器模型,其利用全球导航卫星***/CAN/惯性测量单元数据来制造伪造数据。引入DenseNet作为欺骗检测器模型,根据真实数据以及伪造数据的经纬度、速度/加速度、三轴加速度/角速度进行预测。实现了生成对抗方案,并运用于数字孪生车辆的场景,该方案无需额外的硬件设施,成本低且可移植。
Description
技术领域
本发明属于自动驾驶技术安全领域,涉及一种基于对抗生成网络的车载数字孪生欺骗检测方法及检测***。
背景技术
随着5G和大数据技术的进步,车辆变得越来越互联和智能化。然而,由于车辆的攻击面较大,网络安全攻击可能导致危及生命的情况,这突出了对高效安全监控和入侵检测***的需求。在网络安全攻击中,全球导航卫星***欺骗对车辆安全影响很大。误导的位置和速度会导致车辆到错误的地方,从而导致事故。欺骗检测方法需要计算能力,而车辆没有部署计算能力。为了解决这个问题,数字孪生车载网络成为未来车辆应用的新兴手段。维护车辆组件的孪生使边缘计算单元能够连续监控与车辆相关的传感器数据,检测欺骗消息,并依次向车辆发送反馈。
数字孪生,是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程。数字孪生作为真实驾驶车辆的映射而引入的。边缘计算单元利用包含在数字孪生中的传感器数据来完成反欺骗任务,这对于车辆内的计算单元来说是困难的。这意味着需要给车辆增加计算硬件,这意味着很大的成本。
发明内容
为了解决现有技术存在的不足,本发明的目的是提出了一种基于对抗生成网络的车载数字孪生欺骗检测方法。
本发明提出了一种基于对抗生成网络的车载数字孪生欺骗检测方法,该方案基于机器学习和车内传感器数据,无需额外的硬件设施,具有低成本和可移植性。工厂不需要增加成本来为车辆部署额外的反欺骗硬件。该方法也不局限于具有特定硬件的车辆,其可以被大多数车辆使用。本发明应用的深度学习模型中包括伪造数据生成器和欺骗检测器。所述伪造数据生成器可以生成伪造数据来解决异常数据源获取的问题。所述欺骗检测器不仅用正常数据的训练数据集训练,而且用生成器生成的伪造数据训练。因此,欺骗检测器的判别结果不会偏向训练数据集,并且可以借助伪造数据生成器生成的伪造数据来检测未知攻击。
本发明提出的车载数字孪生欺骗检测方法包括如下步骤:
步骤1:构建基于数字孪生的车载网络***架构,以路侧单元RSU作为分布式聚合器进行全局模型的广播与分发,边缘服务器作为车辆之间信息传递的媒介;
步骤2:分析全球导航卫星***、控制器局域网和惯性测量单元的多维数据并进行预处理;
步骤3:基于长短期记忆人工神经网络LSTM机器学习使用真实数据进行训练,构建伪造数据生成器模型;
步骤4:使用训练过的伪造数据生成器生成伪造数据;
步骤5:使用密集卷积网络DenseNet构建欺骗检测器模型,使用步骤4中由生成器模型生成的伪造数据和来自数据集comma2k19(由Harald Schafer提出)的正常数据的监督学习来训练欺骗检测器模型,使其能够确定样本的真实性。
首先本发明通过分析来自全球导航卫星***、控制器局域网和惯性测量单元的多维数据,以检测全球导航卫星***欺骗,而不需要额外的硬件设备。所述多维数据包括经纬度、速度/加速度、三轴加速度/角速度。
此外,本文还介绍了生成伪造数据和检测全球导航卫星***欺骗的生成对抗方案。检测模型不会偏向于训练数据集,因为引入了伪造数据来训练检测模型。
本发明使用的***模型为基于数字孪生的车载网络架构。所述基于数字孪生的车载网络体系架构分为两层:物理层和数字层。
1.物理层:物理层面的驾驶车辆由蜂窝热点、全球导航卫星***(GNSS)、导航设备和驾驶员组成。导航设备内的命令来自路侧单元的反馈,因此不需要车辆内的高级硬件。所述蜂窝热点给导航设备提供向路侧单元RSU的传输数据的能力,传输可以用5G LTE sim卡实现。所述驾驶车辆可以通过这种方式与数字孪生通信。全球导航卫星***通过内部电缆为导航设备提供纬度,经度和速度。导航设备接收来自全球导航卫星***和路侧单元的反馈,并向驾驶员提供驾驶建议。驾驶员根据导航设备控制速度和位置,对车辆的运行进行补偿。驾驶员不能完全按照导航设备的建议行动,所以在边缘服务器中有驾驶员模型,模拟真实驾驶员对车辆进行补偿。
2.数字层:在数字层,数字孪生是由车辆传输的大量数据生成的。所述数字层的功能模块包括:地图模块、驾驶模块、人类行为模块、动力模块。其中,所述地图模块包含由道路类型、道路长度、道路方向和速度限制组成的地图;该模块将从卫星导航***接收位置信息,并在地图内定位车辆。所述驾驶模块通过车辆的速度和位置来预测车辆路径。所述人类行为模块将车辆状况与驾驶计划进行比较,并对车辆进行补偿。所述动力模块分析驾驶状况,并将报告发送给导航设备。
在基于数字孪生的车载网络***架构中,路侧单元的覆盖范围用cr表示,而边缘服务器作为车辆之间通讯的传输媒介,其覆盖范围用ce表示。在该架构中,车辆、路侧单元和边缘服务器被描述为:
vi=(lati,loni,reqi(t)) (1)
rsuj=(latj,lonj,cr) (2)
esk=(latk,lonk,ce) (3)
其中,v为车辆,公式(1)中为第i辆车,rsu为路侧单元,公式(2)中为第j个路侧单元,es为边缘服务器,公式(3)中为第k个边缘服务器,lat和lon表示实体的纬度和经度,reqi(t)表示t时刻i车辆向路侧单元发送的请求。在整个车载网络***架构中,需要保证路侧单元至少在一个边缘服务器的覆盖范围内,而车辆至少在一个路侧单元的覆盖范围内。
一般来说,欺骗检测方法是基于监督学习的。分类器设法将数据集中的正常数据与异常数据分开。然而,对于车辆来说,很难收集异常样本,通常只有正常的驾驶数据,因为全球定位***欺骗可能导致交通事故,这引起了安全问题。此外,即使在仿真环境中获得了一些异常样本,用特定数据集训练的检测模型也会偏向于训练数据,这使得难以检测不属于训练数据集的未知攻击。
针对上述缺陷,本发明提出的基于生成对抗机制的全球导航卫星***欺骗检测方法中利用伪造的数据和真实数据训练检测模型。由于生成的伪造数据不限于已知的攻击样本,所以即使这些异常数据没有出现在训练数据集中,检测模型也可以检测到异常数据。本发明所提出的基于对抗生成网络的车载数字孪生欺骗检测方法中使用了两个神经网络模型,分别为伪造数据生成器和欺骗检测器。
步骤2中,所述预处理是指获取并分析全球导航卫星***、控制器局域网和惯性测量单位的多维数据,并进行数据清洗;所述多维数据包括全球导航卫星***的纬度/经度、控制器局域网的速度/加速度和惯性测量单元的三轴加速度/角速度,以此来描述当前的车辆状况。
步骤3中,使用正常数据预先训练伪造数据生成器。伪造数据生成器模型架构是基于LSTM,这是一种代表性的递归神经网络(RNNs)。LSTM是一个RNN架构,旨在更好地存储和访问信息,所述伪造数据生成器的网络结构图如图3所示。
输入层中为以时间为序的状态序列,每个状态单位含有当前时刻全球导航卫星***、控制器局域网和惯性测量单位的多维数据;LSTM层展开如图4所示;密集层将LSTM层的输出转换成所需维度;输出层输出预测结果。
伪造数据生成器模型的输入是不同时刻t0,t1,t2…的状态序列基于LSTM的模型训练,生成器模型被训练成对于给定的状态序列,预测在每个时间步长中,最有可能成为下一个状态的值。由于RNNs的内部装填,其中包含过去元素的上下文信息,因此可以根据给定的状态序列来预测下一个状态。
如图4中,Xt表示t时刻的状态,ht表示t时刻的输出,表示点乘运算,表示加运算,σ表示sigmoid激活函数,将一个实数输入映射到[0,1]范围内,sigmoid激活函数和一个点乘法运算组成门结构,LSTM有三个门,用于保护和控制单元的状态。tanh表示tanh激活函数,将一个实数输入映射到[-1,1]范围内。图中有三个LSTM单元。
伪数据生成器模型基于LSTM层计算得到的前一个状态和时间步长的输入状态预测下一个状态的类别。使用分类交叉熵损失函数作为密集层(如图6)输出状态的概率。
其中,N表示状态的数量,ti表示给定序列的下一个目标状态,θi表示softmax激活生成向量。所述θi的计算方法如下式所示:
其中,propi表示密集层的输出logits向量的第i个元素。
上述的softmax激活将一个N维向量prop归一化为一个在(0,1)范围内且和为1的N维向量θ,其中prop代表密集层输出的整个logits向量。
总之,车辆状态序列被馈送到具有256个单位的LSTM层。LSTM层提取给定序列的上下文信息。然后,将上下文信息输入至密集层,输出logits向量,预测下一状态的对数似然值,密集层的输出大小与状态序列中状态向量的长度相同。对下一个状态的预测是通过从密集层输出状态的概率中抽样得到的。
步骤4中,使用训练过的伪造数据生成器生成伪造数据。一旦生成器模型经过训练,它就能够生成模拟真实状态序列的状态序列,可以通过向生成器模型反馈时间步长的状态来生成状态序列。生成器模型基于给定的状态序列预测下一个状态的分布。然后,通过从预测的概率分布中采样来获得下一状态的指数。
步骤5中,构建欺骗检测器模型,并训练欺骗检测器模型检测反常数据。本发明使用密集卷积网络(DenseNet)作为检测模型,所述检测模型靠近输入的层和靠近输出的层之间包含更短的连接。DenseNet可以缓解消失梯度问题,加强特征传播,鼓励特征重用,并大幅减少参数数量。
所述检测模型由卷积层、密集块(如图7)、过渡层和全局平均汇集层组成,其中密集块中包含BN层、Leaky ReLU层和卷积层,过渡层包含BN层、卷积层和平均汇集层。
如图7密集块模型中,输入为一个数据x0,经过l层的神经网络,其中第i层的非线性变换记为Hi,Hi可以是多种函数操作的累加如批量归一化(BN)、ReLU、卷积等。第i层的特征输出记作xi。第i层的输入不仅与i-1层的输出相关,还与所有之前层的输出有关,记作:
xl=Hl([x0,x1,…,xl-1])
其中,符号[]代表拼接。所用到的非线性变换H为BN+ReLU+卷积的组合。
所述检测模型的输入包含16×16个状态向量。所述卷积层创建一个卷积核,它与输入层产生输出张量。然后,所述批量归一化(BN)层应用一个转换,保持平均输出接近0,输出标准偏差接近1。所述Leaky ReLU层是整流线性单元的Leaky版本,当单元不活动时,它允许小的梯度。所述密集块,由多个密集层组成。所述过渡层被视为密集块之间的过渡,包括批量归一化(BN)层、卷积层和平均汇集层。所述平均汇集层对空间数据进行平均汇集操作。所述检测模型的输出是二进制信息。
通过使用由生成器模型生成的伪造数据和来自数据集的真实数据的监督学习来训练检测模型。因此,训练检测模型被认为是一个二元分类问题。正常数据和伪造数据的样本分别标记为0和1。
与使用分类交叉熵训练生成器模型类似,检测模型使用分类交叉熵损失来训练,因为检测模型将输入样本分为正常和异常两类。分类交叉熵损失由公式(4)计算,其中N输出类的数量被设为2。
基于以上方法,本发明还提出了一种一种基于对抗生成网络的车载数字孪生欺骗检测***,包括:存储器和处理器;所述存储器上存储有计算机程序,当所述计算机程序被所述处理器执行时,实现上述方法。
基于以上方法,本发明还提出了一种计算机可读存储介质,其上存储有计算机程序,,所述计算机程序被处理器执行时,实现是上述方法。
本发明有益效果是:1.数字孪生作为真实驾驶车辆的反映而引入的。边缘计算单元利用包含在数字孪生中的传感器数据来完成反欺骗任务,这对于车辆内的计算单元来说是困难的。本发明提出的方法基于机器学习和车辆内的传感器数据,无需额外的硬件设施,成本低且可移植。工厂不需要增加成本来为车辆部署额外的反欺骗硬件。该方法也不局限于具有特定硬件的车辆,其可以被大多数车辆使用;2.本发明提出的方法包括生成器和检测器。生成器可以生成伪造数据来解决异常数据源获取的问题。检测器不仅用训练数据集训练,而且用伪造数据训练。因此,检测器不会偏向训练数据集,并且可以借助生成器生成的伪造数据来检测未知攻击。由此,可以检测车载网络中的欺骗信号。
附图说明
图1是本发明基于对抗生成网络的车载数字孪生欺骗检测方法的流程图。
图2是本发明基于数字孪生的车载网络架构图。
图3是本发明伪造数据生成器模型网络结构图。
图4是本发明伪造数据生成器中LSTM层模型网络结构图。
图5是本发明检测模型网络结构图。
图6是本发明密集层网络结构图。
图7是本发明检测模型中密集块网络结构图。
具体实施方式
结合以下具体实施例和附图,对发明作进一步的详细说明。实施本发明的过程、条件、实验方法等,除以下专门提及的内容之外,均为本领域的普遍知识和公知常识,本发明没有特别限制内容。
本发明公开了一种基于对抗生成网络的车载数字孪生欺骗检测方法。该方案由伪造数据生成器和欺骗检测器两个深度学习模型组成,生成伪造数据并检测欺骗。LSTM模型被引入作为伪造数据生成器模型,其利用全球导航卫星***/CAN/惯性测量单元数据来制造伪造数据。引入DenseNet作为欺骗检测器模型,根据真实数据以及伪造数据的经纬度、速度/加速度、三轴加速度/角速度进行预测。实现了生成对抗方案,并运用于数字孪生车辆的场景,该方案无需额外的硬件设施,成本低且可移植。
如图1中所示,一种基于对抗生成网络的车载数字孪生欺骗检测方法分为4个步骤,
步骤1:构建基于数字孪生的车载网络***架构,以路侧单元RSU作为分布式聚合器进行全局模型的广播与分发,边缘服务器作为车辆之间信息传递的媒介;
步骤2:分析全球导航卫星***、控制器局域网和惯性测量单元的多维数据并进行预处理。全球导航卫星***数据集,包括纬度、经度、速度、时间戳、高度和角度;控制器局域网CAN数据集由CAN时间戳、速度和转向角度组成;惯性测量单元数据集由三个方向的加速度计组成,将这些数据预处理后作为伪造数据生成器的输入。
步骤3:基于长短期记忆人工神经网络LSTM(Long Short Term Memory)机器学习使用真实数据进行训练,构建伪造数据生成器模型;生成器模型中LSTM层选用256个LSTM单元,遗忘门选用的激活函数为ft=σ[Wf·(ht-1,xt)+bf],输入门选用的激活函数为it=σ[Wi·(ht-1,xt)+bi],输出门选用的激活函数为ot=σ[Wo·(ht-1,xt)+bo],其中xt为当前LSTM单元的输入,ht-1为前一个LSTM单元的输出结果,Wf,Wi,Wo为应用于新输入xt的连接权重,bf,bi,bo为相应的偏差。
将LSTM层的输出作为密集层的输入,将LSTM层的输出转换为所需要的维度,密集层中使用分类交叉熵损失函数作为输出状态的概率,分类交叉熵损失函数为 其中,N表示状态的数量,ti表示给定序列的下一个目标状态,θi表示softmax激活生成向量。
步骤4:使用训练过的伪造数据生成器生成伪造数据,伪造数据生成的数据格式与真实数据一致;
步骤5:使用密集卷积网络DenseNet构建欺骗检测器模型,使用步骤4中由生成器模型生成的伪造数据和来自数据集的正常数据的监督学***均汇集层(2×2)组成。检测模型使用三个密集块单元,三个密集区块的特征图大小分别为32×32、16×16和8×8。在最后一个密集块的末尾,执行全局平均汇集,模型的输出是二进制信息。
本发明所述的基于数字孪生的车载网络架构分为两层:分别是物理层和数字层。图2中为数字孪生的车载网络架构物理层:虚线为请求,实线为反馈。导航设备接收来自路侧单元的反馈,并向驾驶员提供驾驶建议。车辆由集合V={v0,v1,…}表示。对于每一个车辆vi,数字孪生车辆dtvi由车载传感器收集的位置、速度和其他数据生成。路侧单元由RSU={rsuo,rsu1,…}表示,接收来自车辆的数据和请求,并向相关车辆提供反馈。从车辆到数字孪生,数据不断更新,因此数字孪生可以被视为真实实体的全部副本。车辆可以同时向路侧单元发送请求,请求表示为Req(t)={req0(t),req1(t),…},其中reqi(t)表示从时间t开始的请求。路侧单元被视为中继点,不能解决计算任务。因此,边缘服务器被部署在特定的区域,以解决来自具有包含在数字孪生中的传感器数据的车辆的请求。边缘服务器表示为ES={es0,es1,…}。路侧单元可以通过传输范围与车辆和边缘服务器通信。
本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下,本领域技术人员能够想到的变化和优点都被包括在本发明中,并且以所附的权利要求书为保护范围。
Claims (10)
1.一种基于对抗生成网络的车载数字孪生欺骗检测方法,其特征在于,包括以下步骤:
步骤1:构建基于数字孪生的车载网络***架构,以路侧单元RSU作为分布式聚合器进行全局模型的广播与分发,边缘服务器作为车辆之间信息传递的媒介;
步骤2:分析全球导航卫星***GNSS、控制器局域网CAN和惯性测量单元IMU的多维数据并进行预处理;
步骤3:基于长短期记忆人工神经网络LSTM机器学习使用真实数据进行训练,构建伪造数据生成器模型;
步骤4:使用训练过的伪造数据生成器生成伪造数据;
步骤5:使用密集卷积网络DenseNet构建欺骗检测器模型,使用步骤4中由生成器模型生成的伪造数据和数据集的正常数据的监督学习来训练欺骗检测器模型,使其能够确定样本的真实性。
2.根据权利要求1所述的基于对抗生成网络的车载数字孪生欺骗检测方法,其特征在于,步骤1中,所述构建获得的基于数字孪生的车载网络***架构,分为两层,分别为物理层和数字层;所述物理层为由蜂窝热点、全球导航卫星***、导航设备和驾驶员组成的结构;所述数字层中,数字孪生由车辆传输的大量数据生成。
3.根据权利要求2所述的基于对抗生成网络的车载数字孪生欺骗检测方法,其特征在于,所述蜂窝热点用于导航设备和路侧单元RSU之间的数据传输;所述全球导航卫星***通过内部电缆为导航设备提供纬度,经度和速度;所述导航设备用于接收全球导航卫星***和路侧单元RSU的数据信息;所述驾驶员根据导航设备提供的信息对车辆的运行进行补偿。
4.根据权利要求2所述的基于对抗生成网络的车载数字孪生欺骗检测方法,其特征在于,所述数字层包括如下功能模块:地图模块、驾驶模块、人类行为模块、动力模块;其中,
所述地图模块包含由道路类型、道路长度、道路方向和速度限制组成的地图,用于从卫星导航***接收位置信息,并在地图内定位车辆;所述驾驶模块用于通过车辆的速度和位置来预测车辆路径;所述人类行为模块用于将车辆状况与驾驶计划进行比较,并对车辆进行补偿;所述动力模块用于分析驾驶状况,并将报告发送给导航设备。
5.根据权利要求1所述的基于对抗生成网络的车载数字孪生欺骗检测方法,其特征在于,所述步骤2中,所述预处理是指获取并分析全球导航卫星***、控制器局域网和惯性测量单位的多维数据,并进行数据清洗;所述多维数据包括经纬度、速度/加速度、三轴加速度/角速度。
6.根据权利要求1所述的基于对抗生成网络的车载数字孪生欺骗检测方法,其特征在于,步骤3中,所述伪造数据生成器模型基于长短期记忆人工神经网络LSTM,使用真实数据训练生成器,使生成器产生模拟真实数据的输出,伪造状态序列。
7.根据权利要求1所述的基于对抗生成网络的车载数字孪生欺骗检测方法,其特征在于,步骤4中,使用步骤3中训练过的伪造数据生成器生成伪状态序列数据,用以作为后一步骤中检测器的输入。
8.根据权利要求1所述的基于对抗生成网络的车载数字孪生欺骗检测方法,其特征在于,步骤5中,所述构建的检测器模型基于密集卷积网络DenseNet,以真实数据及步骤4中生成的伪造数据作为输入训练检测模型;由于引入了伪造数据来训练检测模型,检测模型不会偏向于训练数据集。
9.一种基于对抗生成网络的车载数字孪生欺骗检测***,其特征在于,包括:存储器和处理器;
所述存储器上存储有计算机程序,当所述计算机程序被所述处理器执行时,实现如权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110817554.0A CN115640828A (zh) | 2021-07-20 | 2021-07-20 | 一种基于对抗生成网络的车载数字孪生欺骗检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110817554.0A CN115640828A (zh) | 2021-07-20 | 2021-07-20 | 一种基于对抗生成网络的车载数字孪生欺骗检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115640828A true CN115640828A (zh) | 2023-01-24 |
Family
ID=84939902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110817554.0A Pending CN115640828A (zh) | 2021-07-20 | 2021-07-20 | 一种基于对抗生成网络的车载数字孪生欺骗检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115640828A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407771A (zh) * | 2023-12-13 | 2024-01-16 | 湘江实验室 | 基于数字孪生的轴承健康状态评估方法、装置及相关设备 |
-
2021
- 2021-07-20 CN CN202110817554.0A patent/CN115640828A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407771A (zh) * | 2023-12-13 | 2024-01-16 | 湘江实验室 | 基于数字孪生的轴承健康状态评估方法、装置及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111506980B (zh) | 对虚拟驾驶环境生成交通场景的方法及装置 | |
Peng et al. | Uncertainty evaluation of object detection algorithms for autonomous vehicles | |
CN108423006A (zh) | 一种辅助驾驶预警方法及*** | |
Boddupalli et al. | Resilient cooperative adaptive cruise control for autonomous vehicles using machine learning | |
US11699085B2 (en) | Methods and arrangements to identify activation profile context in training data | |
CN105976450A (zh) | 无人驾驶车辆的数据处理方法和装置、黑匣子*** | |
US20230267549A1 (en) | Method of predicting the future accident risk rate of the drivers using artificial intelligence and its device | |
CN110807924A (zh) | 基于全量全样实时交通数据的多参数融合方法及*** | |
CN112193252A (zh) | 驾驶风险的预警方法、装置、计算设备及存储介质 | |
CN113496213B (zh) | 一种目标感知数据的确定方法、装置、***及存储介质 | |
Akowuah et al. | Physical invariant based attack detection for autonomous vehicles: Survey, vision, and challenges | |
EP4257443A1 (en) | Method and system for automatic driving data collection and closed-loop management | |
Li et al. | Detecting stealthy cyberattacks on automated vehicles via generative adversarial networks | |
Han et al. | ADS-lead: Lifelong anomaly detection in autonomous driving systems | |
Hassan et al. | Road anomaly classification for low-cost road maintenance and route quality maps | |
Peng et al. | Evaluation of emergency driving behaviour and vehicle collision risk in connected vehicle environment: A deep learning approach | |
CN115640828A (zh) | 一种基于对抗生成网络的车载数字孪生欺骗检测方法 | |
CN108932839B (zh) | 一种同行车辆判断方法及装置 | |
CN113037750B (zh) | 一种车辆检测数据增强训练方法、***、车辆及存储介质 | |
CN112455460B (zh) | 车辆控制方法、装置、设备及存储介质 | |
CN108900634A (zh) | 一种基于v2x的车辆远程控制方法及*** | |
CN206181239U (zh) | 一种智慧城市动态视频监控*** | |
Deng et al. | Unmanned Aerial Vehicles anomaly detection model based on sensor information fusion and hybrid multimodal neural network | |
Bouchouia | Multi layered Misbehavior Detection for a connected and autonomous vehicle | |
Li et al. | Research on abnormal monitoring of vehicle traffic network data based on support vector machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |