[發明專利]一種基于LTE-V2X的CACC車隊異常車輛檢測方法

有效

• 申請號: 202110608445.8
• 申請日: 2021-06-01
• 公開（公告）號: CN113316123B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 肖海林;胡詩婷;劉紅霖;汪鵬君;李嘉;左清念;沈君鳳;曾張帆;劉海龍
• 申請（專利權）人: 溫州大學;湖北大學;云寶寶大數據產業發展有限責任公司
• 主分類號: H04W4/46
• 分類號: H04W4/46;H04W12/122;H04W12/126;H04W24/08
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 陸夢云

1.一種基于LTE-V2X的CACC車隊異常車輛檢測方法，其特征在于，包括如下步驟：

1)構建基于LTE-V2X的車隊模型：假設在同一車道上行駛有K+1輛車輛，依據CACC控制策略組成車隊，將車輛標記為0,1,…,K，車輛0為頭車，其余車輛為跟隨車輛，其中存在一個觀測車輛，假設所有車輛都具有CACC功能，車隊內車輛通過LTE-V2V與相鄰車輛進行通信，令s_i＝[x_i,v_i,a_i]^T表示車輛i的空間狀態，其中x_i為車輛i的位置，v_i為車輛i的速度，a_i為車輛i的加速度，i＝1_,2,...,K，第i輛車的動力學模型描述為如公式(1)所示：

其中，τ_i表示車輛i的動力系統的時間常數，u_i表示車輛i的位置控制輸入，u_i表達式如公式(2)所示：

u_i＝f[s_i(t-Δt)] (2)，

其中，f[·]表示控制方法，Δt表示通信時延，車輛i與前車之間的距離d_i表示為公式(3)所示：

d_i＝q_i-1-q_i-l_i (3)，

其中，q_i-1，q_i分別為車輛i-1、車輛i的后保險杠與最尾車后保險杠之間的距離，l_i表示車輛i的長度，在車隊中，車間的間距控制策略如公式(4)所示：

d_r,i＝hv_i (4)，

其中，d_r,i為車輛之間的期望車距，h為車頭時距即前車剎車時后車具有的最大反應時間，車隊中車輛之間的實際車距與期望車距之間的距離差為e_i，即有e_i＝d_i-d_r,i，當e_i→0時，達到車隊的最佳行駛狀態，當車隊中存在拒絕服務(Denial of Service，簡稱DOS)攻擊時，假設加速度的通信延遲時，車輛i-1的加速度通過無線通信被車輛i接收，將延遲項Δt添加到前車車輛i-1的加速度上，公式(2)轉換為公式(5)：

u_i＝f[a_i-1(t-Δt),x_i(t),v_i(t)] (5)；

2)時延閾值估計：采用OMNET++通信仿真平臺收集無DOS攻擊情況下車隊內的V2V通信時延，通過蒙特卡洛方法構建概率密度曲線，再依據概率密度曲線進行通信時延閾值的估計，當車隊通信時延高于時延閾值時，車隊內觀測車輛上報基站，進行車隊異常節點的檢測；

3)構建異常節點檢測的特征參數：依據DOS攻擊惡意占用資源的特點，從感知業務周期、業務實際周期、平均資源使用情況、業務類型以及丟包率幾個方面構建特征參數集；

4)數據生成：車載通信行為數據數量較少，采用生成對抗網絡學習車輛節點歷史通信行為的數據分布，進行數據的擴充，從仿真平臺收集的車輛通信數據中采樣輸入數據a～p_data(a)，隨機噪聲z～p_z(z)，設節點的通信數據序列為a＝{a₁,a₂,…a_n}，其中a為節點整體行為序列集合，a_i為某時刻的行為序列，i＝1,2,…n，令a_i＝{a_i1,a_i2,…a_ij}，包括j個通信行為數據，給定的通信行為序列數據a＝{a₁,a₂,…a_n}，通過生成模型G，生成新的行為序列G(z)，生成對抗網絡的目標函數如公式(6)所示：

其中，D表示判別模型，G表示生成模型，生成模型G和判別模型D交替訓練，固定G的參數，只對D進行訓練時，如公式(7)所示：

訓練D時，通過參數調整，最大化判別模型判別數據真偽的能力即希望真實數據被正確判別輸出1、生成數據被正確判別輸出0，如果有一個真實的數據被判別錯，那么log D(a)會遠小于0，期望會變成負無窮大；同理，如果生成的數據被判別為1的話，公式(7)中的第二項也會負無窮大，從而反過來通過約束損失函數趨于零來優化網絡：

固定D的參數，訓練G時，表達式如公式(8)所示：

訓練G時，通過參數調整，最大化生成模型G生成數據的真實性，即最小化生成模型G被判斷模型鑒別出真假的概率，G和D最終會收斂至納什均衡狀態，此時，判別模型D無法判別輸入數據為真實數據的概率，表明生成模型G能夠完好地擬合節點的通信行為數據；

5)異常節點檢測：將車隊內異常節點的檢測轉換為分類問題即通過車隊車輛的通信行為數據，進行通信行為數據正常的車輛節點與通信行為數據異常的節點的分類，因此，采用支持向量機(Support Vector Machine,簡稱SVM)算法，SVM的目標函數如公式(9)、公式(10)所示：

s.t.y_i(ω^Tx_i+b)≥1-ξ_i,ξ_i≥0,i＝1,2,...,k (10)，

其中，x_i表示訓練樣本數據，y_i表示每條訓練樣本對應的類標志，ω表示超平面的法線方向，b表示所求超平面與原點之間的距離，c為懲罰因子表示對誤分類的懲罰，ξ_i為松弛變量，用來放寬不等式約束，ξ_i＝1-y_i(ω^Tx_i+b)，i＝1,2,…,k，因此，要找到最優超平面只需求解ω和b，

構建拉格朗日函數如公式(11)所示：

因此，目標函數變換成如公式(12)所示：

s.t.λ_i≥0 (13)，

根據強對偶定理，公式(12)變為如公式(14)所示：

構建卡羅需-庫恩-塔克(Karush-Kuhn-Tucker，簡稱KKT)條件如下：

λ_i≥0 (16)，

λ_i(1-y_i(ω^Tx_i+b))＝0 (17)，

1-ξ-y_i(ω^Tx_i+b)≤0 (18)，

由于：

所以求得最優解如公式(20)與公式(21)所示：

根據公式(22)所示的分類決策函數得到最終的分類結果，

f(x)＝sign(ω^Tx+b) (22)，

采用尋優算法對SVM進行參數取值；

6)限制異常節點：檢測出異常節點后，基站對異常節點進行通信資源進行限制。