[發(fā)明專利]一種車聯(lián)網網聯(lián)交叉口網絡攻擊檢測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202011252069.5
• 申請日: 2020-11-11
• 公開（公告）號: CN112491814B
• 公開（公告）日: 2021-10-08
• 發(fā)明（設計）人: 胡笳;祁隆騫;張子晗;王浩然
• 申請（專利權）人: 同濟大學
• 主分類號: H04L29/06
• 分類號: H04L29/06;H04L29/08;H04W4/44;H04W4/46;H04W84/18
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 翁惠瑜

1.一種車聯(lián)網網聯(lián)交叉口網絡攻擊檢測方法，其特征在于，具體為：

通過估計步驟獲取SPaT估計信息，采集SPaT實際信息，將SPaT估計信息和SPaT實際信息輸入訓練好的長短期記憶網絡，獲得網聯(lián)交叉口受到網絡攻擊的概率；

其中，所述的SPaT估計信息包括車道信號顯示時間序列的初始時刻、周期時長以及有效紅燈時間，所述的估計步驟具體為：

獲取網聯(lián)車軌跡數據，對網聯(lián)車軌跡數據進行分割，確定首端網聯(lián)車、末端網聯(lián)車和周期斷點區(qū)間，所述的首端網聯(lián)車為車道信號顯示時間序列的一個周期內第一輛進入該交叉口的網聯(lián)車，所述的末端網聯(lián)車為首端網聯(lián)車的前一輛車，所述的周期斷點區(qū)間為末端網聯(lián)車和該末端網聯(lián)車后一輛首端網聯(lián)車先后通過交叉口停車線的時刻區(qū)間；

通過迭代夾逼法檢測周期斷點區(qū)間內缺失的周期的個數，根據該個數通過最優(yōu)化方程計算車道信號顯示時間序列的初始時刻及周期時長；

根據車道信號顯示時間序列的初始時刻、周期時長以及網聯(lián)車軌跡數據求解有效紅燈時間；

所述的迭代夾逼法具體為：

設定周期長度范圍和周期個數范圍，通過減小周期長度獲得周期個數最大值，通過增大周期長度獲得周期個數最小值，當周期個數最大值和周期個數最小值之間只存在1個整數時，該整數即周期斷點區(qū)間內周期的個數；

所述的最優(yōu)化方程具體為：

其中，t₀為車道信號顯示時間序列的初始時刻，C為周期時長，m_n為第n個周期前的周期斷點區(qū)間內的周期個數，為第n個周期的末端網聯(lián)車通過交叉口停車線的時刻，為第n+1個周期的首端網聯(lián)車通過交叉口停車線的時刻。

2.根據權利要求1所述的一種車聯(lián)網網聯(lián)交叉口網絡攻擊檢測方法，其特征在于，所述的長短期記憶網絡的訓練過程為：

通過更改SPaT實際信息中設定比例的數據獲得SPaT模擬信息，利用SPaT模擬信息和SPaT估計信息訓練長短期記憶網絡。

3.根據權利要求2所述的一種車聯(lián)網網聯(lián)交叉口網絡攻擊檢測方法，其特征在于，將SPaT模擬信息、SPaT估計信息以及SPaT模擬信息和SPaT估計信息的差和比差作為訓練集，對長短期記憶網絡進行訓練。

4.根據權利要求1所述的一種車聯(lián)網網聯(lián)交叉口網絡攻擊檢測方法，其特征在于，所述的長短期記憶網絡包括依次連接的第一前饋神經網絡層、第一長短期記憶網絡層、第二長短期記憶網絡層和第二前饋神經網絡層。

5.根據權利要求1所述的一種車聯(lián)網網聯(lián)交叉口網絡攻擊檢測方法，其特征在于，所述的有效紅燈時間的求解過程具體為：

根據網聯(lián)車軌跡數據繪制d-t圖，所述的d-t圖的縱坐標為網聯(lián)車的延誤時長，橫坐標為時刻，通過曲線擬合獲得各個周期的延誤時長曲線，所述的延誤時長曲線與其所在周期初始時刻的縱軸的交點縱坐標即為有效紅燈時間。

6.根據權利要求1所述的一種車聯(lián)網網聯(lián)交叉口網絡攻擊檢測方法，其特征在于，通過二維支持向量機對網聯(lián)車軌跡數據進行分割。

7.一種車聯(lián)網網聯(lián)交叉口網絡攻擊檢測系統(tǒng)，其特征在于，包括：

網聯(lián)信息估計模塊，用于通過估計步驟獲取SPaT估計信息；

網聯(lián)信息采集模塊，用于采集SPaT實際信息和網聯(lián)車軌跡數據；

網絡攻擊檢測模塊，用于將SPaT估計信息和SPaT實際信息輸入訓練好的長短期記憶網絡，獲得網聯(lián)交叉口受到網絡攻擊的概率；

其中，所述的網聯(lián)信息估計模塊包括周期分割單元、周期斷點計算單元和紅燈時間計算單元，所述的估計步驟具體為：

所述的周期分割單元通過二維支持向量機對網聯(lián)車軌跡數據進行分割，確定首端網聯(lián)車、末端網聯(lián)車和周期斷點區(qū)間，所述的首端網聯(lián)車為車道信號顯示時間序列的一個周期內第一輛進入該交叉口的網聯(lián)車，所述的末端網聯(lián)車為首端網聯(lián)車的前一輛車，所述的周期斷點區(qū)間為末端網聯(lián)車和該末端網聯(lián)車后一輛首端網聯(lián)車先后通過交叉口停車線的時刻區(qū)間；

所述的周期斷點計算單元通過迭代夾逼法檢測周期斷點區(qū)間內缺失的周期的個數，根據該個數通過最優(yōu)化方程計算車道信號顯示時間序列的初始時刻及周期時長；

所述的紅燈時間計算單元根據車道信號顯示時間序列的初始時刻、周期時長以及網聯(lián)車軌跡數據求解有效紅燈時間；

所述的長短期記憶網絡的訓練過程為：

所述的網絡攻擊檢測模塊通過更改SPaT實際信息中設定比例的數據獲得SPaT模擬信息，利用SPaT模擬信息和SPaT估計信息訓練長短期記憶網絡；

所述的迭代夾逼法具體為：

所述的周期斷點計算單元設定周期長度范圍和周期個數范圍，通過減小周期長度獲得周期個數最大值，通過增大周期長度獲得周期個數最小值，當周期個數最大值和周期個數最小值之間只存在1個整數時，該整數即周期斷點區(qū)間內周期的個數；

所述的最優(yōu)化方程具體為：

其中，t₀為車道信號顯示時間序列的初始時刻，C為周期時長，m_n為第n個周期前的周期斷點區(qū)間內的周期個數，為第n個周期的末端網聯(lián)車通過交叉口停車線的時刻，為第n+1個周期的首端網聯(lián)車通過交叉口停車線的時刻。