CN109274678B - 一种丢包环境下针对车联网恶意攻击的估计方法 - Google Patents

Abstract

本发明公开了一种丢包环境下针对车联网恶意攻击的估计方法，它包括如下步骤：建立车辆系统状态方程；建立车联网系统状态方程和输出方程；构建中间变量估计器；设计并通过矩阵不等式求解中间变量估计器增益。本发明考虑了无线通讯网络存在的丢包现象，建立了车辆系统状态方程，再对车联网构建系统状态方程和输出方程，进一步构建中间变量估计器，对网络中的恶意攻击进行实时估计。估计结果可以满足实际应用的精度与实时性要求，并且所需的相关参数均可以通过低成本的传感器测得。

Description

一种丢包环境下针对车联网恶意攻击的估计方法

技术领域

本发明属于车联网网络安全技术领域，具体涉及一种丢包环境下针对车联网恶意攻击的估计方法。

背景技术

车联网是物联网在汽车行业的应用，通过网络技术，使信息共享并相互联结，实现智能控制。如今，车联网在安全辅助驾驶领域的应用越来越广泛。安全辅助驾驶技术主要依靠传感器、监测装置、GPS定位系统等协同合作，使自动驾驶仪可通过网络远程操作车辆。

在车联网中，由于网络的开放性，黑客常常非法侵入网络，破坏、改动网络中传输的数据，造成自动驾驶仪输出的控制数据数据被篡改，从而导致车辆运行异常。

现有的方法对车联网中的恶意攻击进行估计时，通常没有考虑网络通信的影响，但车联网中数据传输采取的是无线网络通讯，因此存在数据没有送达的现象，即丢包。同时，在复杂的道路环境下，存在一定扰动(比如路面不平等)，这些都会影响对恶意攻击的估计效果。

发明内容

为解决上述问题，本发明的目的在于提供一种丢包环境下针对车联网恶意攻击的估计方法，该方法能在丢包环境下保证对车联网中存在的恶意攻击进行有效估计，能够满足车联网在复杂环境下的网络安全需求。

本发明为解决上述技术问题提供了如下解决方案：本发明设计了一种丢包环境下针对车联网恶意攻击的估计方法。其工作原理如下：先对车辆和车联网分别建模；将车联网中存在的丢包现象建模成伯努利过程；进一步考虑车联网中的恶意攻击，构建中间变量估计器，对其进行实时估计。

本发明为一种丢包环境下针对车联网恶意攻击的估计方法,具体步骤包括：

1)建立车辆系统状态方程；

2)建立车联网系统状态方程和输出方程；

3)构建中间变量估计器；

4)设计并通过矩阵不等式求解中间变量估计器增益。

进一步，步骤1)中，建立车辆系统状态方程：

考虑复杂环境下的扰动，建立车辆系统状态方程如式(1)所示：

x(k+1)＝Ax(k)+g(k)+Bu(k) (1)

其中k表示当前离散时刻，k+1表示下一离散时刻，x表示系统状态量，包括车辆的位置x_d和速度x_v，即x＝[x_d x_v]^T，上标"T"表示矩阵的转置，A表示状态转移矩阵，g表示扰动，u表示车辆得到的控制数据，B表示输入矩阵。

进一步，步骤2)中，建立车联网系统状态方程和输出方程，具体包括以下步骤：

2.1)在车联网中，自动驾驶仪通过输出控制数据υ来远程操纵车辆，黑客向网络中注入恶意攻击a将自动驾驶仪输出的控制数据篡改为υ+a；同时，由于车辆与自动驾驶仪之间通过无线网络通讯，会存在丢包现象，因此车联网系统状态方程如式(2)所示：

x(k+1)＝Ax(k)+g(k)+Φ(k)Bυ(k)+Φ(k)Ba(k) (2)

其中k表示当前离散时刻，k+1表示下一离散时刻，x表示系统状态量,A表示状态转移矩阵，g表示扰动，υ表示自动驾驶仪输出的控制数据，B表示输入矩阵，a表示恶意攻击，Φ表示期望为μ的伯努利过程，用来描述丢包环境；

2.2)车联网中存在丢包现象，因此车联网输出方程如式(3)所示：

y(k)＝Φ(k)Cx(k) (3)

其中k表示当前离散时刻，y表示系统输出量，x表示系统状态量,C表示输出矩阵，Φ表示期望为μ的伯努利过程，用来描述丢包环境。

进一步，步骤3)中，构建中间变量估计器，具体包括以下步骤：

3.1)设计中间变量如式(4)所示：

τ(k)＝a(k)-B^Tx(k) (4)

其中k表示当前离散时刻，上标"T"表示矩阵的转置，τ表示中间变量，a表示恶意攻击，x表示系统状态量，B表示输入矩阵；

3.2)基于中间变量，设计中间变量估计器如式(5)所示:

其中k表示当前离散时刻，k+1表示下一离散时刻，上标"T"表示矩阵的转置，

表示系统状态量x的估计值，

表示中间变量τ的估计值，

表示恶意攻击a的估计值，

表示扰动g的估计值，A表示状态转移矩阵，υ表示自动驾驶仪输出的控制数据，B表示输入矩阵，Φ表示期望为μ的伯努利过程，用来描述丢包环境，L表示需要设计的中间变量估计器增益，C表示输出矩阵。

进一步，步骤4)中，设计并通过矩阵不等式求解中间变量估计器增益，具体包括以下步骤：

4.1)构建矩阵，如式(6)所示：

其中上标"T"表示矩阵的转置，*表示对称元素，P₁，P₂表示待求解的正定矩阵，H表示待求解的矩阵，ε表示待求解的常数,C表示输出矩阵，

表示相邻时刻扰动g的差值上界，B表示输入矩阵，μ表示伯努利过程Φ的期望值，I表示单位阵，Π₁₁、Π₁₂和Π₂₂表示中间矩阵，分别为：

Π₁₂＝μA^TP₁B+μBB^TP₁B+μ²C^TH^TB-μBB^TBP₂+μBB^TBP₂B^TB+(B ^T-B ^TA)^TP₂(I-μB^TB)

Π₂₂＝μB^TP₁B+μεB^TB-μP₂B^TB-μB^TBP₂+μB^TBP₂B^TB+2ε(I-μB ^TB)^T(I-μB ^TB)

其中A表示状态转移矩阵；

4.2)求解矩阵不等式Π＜0，得到P₁，P₂，H和ε，中间变量估计器增益L如式(7)所示：

L＝P₁ ^-1H (7)

其中上标"-1"表示矩阵的逆。从而由中间变量估计器(5)实现对恶意攻击a的实时估计。

本发明设计的一种丢包环境下针对车联网恶意攻击的估计方法,通过矩阵不等式求解估计器增益L，来实现对恶意攻击a进行实时估计，与现有技术相比，本发明的有益效果如下：它考虑了无线通讯网络存在的丢包现象，建立了车辆系统状态方程，再对车联网构建系统状态方程和输出方程，进一步构建中间变量估计器，对网络中的恶意攻击进行实时估计。估计结果可以满足实际应用的精度与实时性要求，并且所需的相关参数均可以通过低成本的传感器测得。

附图说明

图1是本发明方法对恶意攻击a的实时仿真效果图；

图2是本发明方法对恶意攻击a的实时估计误差图。

具体实施方式

为使本发明的目的、技术方案和优点更加清晰，下面结合附图和仿真数据对本发明的技术方案作进一步描述。

本发明设计了一种丢包环境下针对车联网恶意攻击的估计方法。其工作原理如下：先对车辆和车联网分别建模；将车联网中存在的丢包现象建模成伯努利过程；进一步考虑车联网中的恶意攻击，构建中间变量估计器，对其进行实时估计。

本发明为一种丢包环境下针对车联网恶意攻击的估计方法,具体步骤包括：

1)建立车辆系统状态方程；

2)建立车联网系统状态方程和输出方程；

3)构建中间变量估计器；

4)设计并通过矩阵不等式求解中间变量估计器增益。

进一步，步骤1)中，建立车辆系统状态方程：

1)考虑复杂环境下的扰动，建立车辆系统状态方程如式(1)所示：

x(k+1)＝Ax(k)+g(k)+Bu(k)(1)

其中k表示当前离散时刻，k+1表示下一离散时刻，x表示系统状态量，包括车辆的位置x_d和速度x_v，即x＝[x_d x_v]^T，上标"T"表示矩阵的转置，状态转移矩阵

扰动g(k)＝[0.03sin(k)0]^T，sin表示正弦函数，u表示车辆得到的控制数据，输入矩阵B＝[0.4 0.6]^T。

进一步，步骤2)中，建立车联网系统状态方程和输出方程，具体包括以下步骤：

2.1)在车联网中，自动驾驶仪通过输出控制数据υ来远程操纵车辆，黑客向网络中注入恶意攻击a将自动驾驶仪输出的控制数据篡改为υ+a。同时，由于车辆与自动驾驶仪之间通过无线网络通讯，会存在丢包现象，因此车联网系统状态方程如式(2)所示：

x(k+1)＝Ax(k)+g(k)+Φ(k)Bυ(k)+Φ(k)Ba(k) (2)

其中k表示当前离散时刻，k+1表示下一离散时刻，x表示系统状态量,状态转移矩阵

扰动g(k)＝[0.03sin(k) 0]^T，sin表示正弦函数，自动驾驶仪输出的控制数据υ(k)＝-[2.8 1]x(k)，输入矩阵B＝[0.4 0.6]^T，a表示恶意攻击，Φ表示期望为0.9的伯努利过程，用来描述丢包环境。

2.2)车联网中存在丢包现象，因此车联网输出方程如式(3)所示：

y(k)＝Φ(k)Cx(k) (3)

其中k表示当前离散时刻，y表示系统输出量，x表示系统状态量,输出矩阵C＝[10]，Φ表示期望为0.9的伯努利过程，用来描述丢包环境。

进一步，步骤3)中，构建中间变量估计器，具体包括以下步骤：

3.1)设计中间变量如式(4)所示：

τ(k)＝a(k)-B^Tx(k) (4)

其中k表示当前离散时刻，上标"T"表示矩阵的转置，τ表示中间变量，a表示恶意攻击，x表示系统状态量，输入矩阵B＝[0.4 0.6]^T。

3.2)基于中间变量，设计中间变量估计器如式(5)所示:

其中k表示当前离散时刻，k+1表示下一离散时刻，上标"T"表示矩阵的转置，

表示系统状态量x的估计值，

表示中间变量τ的估计值，

表示恶意攻击a的估计值，

表示扰动g的估计值，状态转移矩阵

自动驾驶仪输出的控制数据υ(k)＝-[2.8 1]x(k)，输入矩阵B＝[0.4 0.6]^T，Φ表示期望为0.9的伯努利过程，用来描述丢包环境，L表示需要设计的中间变量估计器增益，输出矩阵C＝[1 0]。

进一步，步骤4)中，设计并通过矩阵不等式求解中间变量估计器增益，具体包括以下步骤：

4.1)构建矩阵，如式(6)所示：

其中上标"T"表示矩阵的转置，*表示对称元素，P₁，P₂表示待求解的正定矩阵，H表示待求解的矩阵，ε表示待求解的常数,输出矩阵C＝[1 0]，相邻时刻扰动g的差值上界

输入矩阵B＝[0.4 0.6]^T，伯努利过程Φ的期望值为μ＝0.9，I表示单位阵，Π₁₁、Π₁₂和Π₂₂表示中间矩阵，分别为：

4.2)求解矩阵不等式Π＜0，得到：

P₂＝4.3ε＝0.2和H＝[-15.4 1.3]^T,上标"T"表示矩阵的转置；

中间变量估计器增益L如式(7)所示：

L＝P₁ ^-1H (7)

因此得到中间变量估计器增益L＝[-1.7 -1.5]^T。从而由中间变量估计器(5)实现对恶意攻击a的实时估计。

本发明设计的一种丢包环境下针对车联网恶意攻击的估计方法,它考虑了无线网络通讯时的丢包现象，并对恶意攻击进行实时估计，为车联网的运行提供态势评估，保障其安全运行。通过矩阵不等式求解估计器增益L，来实现对恶意攻击a进行实时估计，与现有技术相比，本发明的有益效果如下：它考虑了无线通讯网络存在的丢包现象，建立了车辆系统状态方程，再对车联网构建系统状态方程和输出方程，进一步构建中间变量估计器，对网络中的恶意攻击进行实时估计。估计结果可以满足实际应用的精度与实时性要求，并且所需的相关参数均可以通过低成本的传感器测得。

以上结合附图详细说明和陈述了本发明的实施方式，但并不局限于上述方式。在本领域的技术人员所具备的知识范围内，只要以本发明的构思为基础，还可以做出多种变化和改进。

Claims (1)

1.一种丢包环境下针对车联网恶意攻击的估计方法,其特征在于包括如下步骤：

1)建立车辆系统状态方程；

步骤1)中，建立车辆系统状态方程：

考虑复杂环境下的扰动，建立车辆系统状态方程如式(1)所示：

x(k+1)＝Ax(k)+g(k)+Bu(k) (1)

其中k表示当前离散时刻，k+1表示下一离散时刻，x表示系统状态量，包括车辆的位置x_d和速度x_v，即x＝[x_d x_v]^T，上标"T"表示矩阵的转置，A表示状态转移矩阵，g表示扰动，u表示车辆得到的控制数据，B表示输入矩阵；

2)建立车联网系统状态方程和输出方程；

步骤2)中，建立车联网系统状态方程和输出方程，具体包括以下步骤：

2.1)在车联网中，自动驾驶仪通过输出控制数据υ来远程操纵车辆，黑客向网络中注入恶意攻击a将自动驾驶仪输出的控制数据篡改为υ+a；同时，由于车辆与自动驾驶仪之间通过无线网络通讯，会存在丢包现象，因此车联网系统状态方程如式(2)所示：

x(k+1)＝Ax(k)+g(k)+Φ(k)Bυ(k)+Φ(k)Ba(k) (2)

其中k表示当前离散时刻，k+1表示下一离散时刻，x表示系统状态量,A表示状态转移矩阵，g表示扰动，υ表示自动驾驶仪输出的控制数据，B表示输入矩阵，a表示恶意攻击，Φ表示期望为μ的伯努利过程，用来描述丢包环境；

2.2)车联网中存在丢包现象，因此车联网输出方程如式(3)所示：

y(k)＝Φ(k)Cx(k) (3)

其中k表示当前离散时刻，y表示系统输出量，x表示系统状态量,C表示输出矩阵，Φ表示期望为μ的伯努利过程，用来描述丢包环境；

3)构建中间变量估计器；

步骤3)中，构建中间变量估计器，具体包括以下步骤：

3.1)设计中间变量如式(4)所示：

τ(k)＝a(k)-B^Tx(k) (4)

其中k表示当前离散时刻，上标"T"表示矩阵的转置，τ表示中间变量，a表示恶意攻击，x表示系统状态量，B表示输入矩阵；

3.2)基于中间变量，设计中间变量估计器如式(5)所示:

其中k表示当前离散时刻，k+1表示下一离散时刻，上标"T"表示矩阵的转置，

表示系统状态量x的估计值，

表示中间变量τ的估计值，

表示恶意攻击a的估计值，

表示扰动g的估计值，A表示状态转移矩阵，υ表示自动驾驶仪输出的控制数据，B表示输入矩阵，Φ表示期望为μ的伯努利过程，用来描述丢包环境，L表示需要设计的中间变量估计器增益，C表示输出矩阵；

4)设计并通过矩阵不等式求解中间变量估计器增益；

步骤4)中，设计并通过矩阵不等式求解中间变量估计器增益，具体包括以下步骤：

4.1)构建矩阵，如式(6)所示：

其中上标"T"表示矩阵的转置，*表示对称元素，P₁，P₂表示待求解的正定矩阵，H表示待求解的矩阵，ε表示待求解的常数,C表示输出矩阵，

表示相邻时刻扰动g的差值上界，B表示输入矩阵，μ表示伯努利过程Φ的期望值，I表示单位阵，Π₁₁、Π₁₂和Π₂₂表示中间矩阵，分别为：

Π₁₂＝μA^TP₁B+μBB^TP₁B+μ²C^TH^TB-μBB^TBP₂+μBB^TBP₂B^TB+(B^T-B^TA)^TP₂(I-μB^TB)

Π₂₂＝μB^TP₁B+μεB^TB-μP₂B^TB-μB^TBP₂+μB^TBP₂B^TB+2ε(I-μB^TB)^T(I-μB^TB)

其中A表示状态转移矩阵；

4.2)求解矩阵不等式Π＜0，得到P₁，P₂，H和ε，中间变量估计器增益L如式(7)所示：

L＝P₁ ^-1H (7)

其中上标"-1"表示矩阵的逆，从而由中间变量估计器(5)实现对恶意攻击a的实时估计。

Images