CN111163419B - 车辆协作动态追踪中基于状态均值的恶意用户检测方法 - Google Patents

车辆协作动态追踪中基于状态均值的恶意用户检测方法 Download PDF

Info

Publication number
CN111163419B
CN111163419B CN202010082747.1A CN202010082747A CN111163419B CN 111163419 B CN111163419 B CN 111163419B CN 202010082747 A CN202010082747 A CN 202010082747A CN 111163419 B CN111163419 B CN 111163419B
Authority
CN
China
Prior art keywords
vehicle
cooperative
value
dynamic
observation
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.)
Active
Application number
CN202010082747.1A
Other languages
English (en)
Other versions
CN111163419A (zh
Inventor
程翔
皮旺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Original Assignee
Peking University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University filed Critical Peking University
Priority to CN202010082747.1A priority Critical patent/CN111163419B/zh
Publication of CN111163419A publication Critical patent/CN111163419A/zh
Application granted granted Critical
Publication of CN111163419B publication Critical patent/CN111163419B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/12—Detection or prevention of fraud
    • H04W12/121—Wireless intrusion detection systems [WIDS]; Wireless intrusion prevention systems [WIPS]
    • H04W12/122—Counter-measures against attacks; Protection against rogue devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Security & Cryptography (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公布了一种车辆协作动态追踪中基于状态均值的恶意用户检测方法，属于信号处理技术和智能交通技术领域，采用基于动态模型的状态均值检测DMMSD方法，充分利用车辆协作动态追踪中一段时间内的所有历史动态信息(所观测车辆的位置和速度)观测值，将历史观测值序列转换为状态均值，显著地减小传感器误差的影响，有效地检测出更小偏移的虚假动态信息，从而实现恶意用户检测。本发明通过对所有协作车辆发送的历史信息序列进行时序信号处理和聚类来检测得出恶意用户，从而有效提升协作动态追踪算法的安全性能，可应用于车联网中车辆协作动态追踪场景下对发送虚假动态信息观测值的恶意用户的序列检测。

Description

车辆协作动态追踪中基于状态均值的恶意用户检测方法
技术领域
本发明属于信号处理技术和智能交通技术领域，具体涉及一种应用于车联网中车辆协作动态追踪场景下对发送虚假信息的恶意用户的序列检测方法，可通过对所有协作车辆发送的历史信息序列进行时序信号处理和聚类来检测得出恶意用户，从而有效提升协作动态追踪算法的安全性能。
背景技术
车联网(Vehicular Network)，自动驾驶系统(Autonomous Driving Systems)和智能交通系统(Intelligent Transportation Systems)等智能系统将在未来十年内极大地提高交通系统的效率并减小交通事故发生的可能性。车辆的动态信息：即车辆的位置，速度和加速度，在上述智能系统中的路线规划、车辆调度和紧急避险等绝大多数控制任务中都起到了极为重要的作用，是上述系统正常运转所必需的基本信息。为了确保系统中车辆及乘客的安全，各个车辆必须持续获取自身和周边车辆的实时动态信息，并且对动态信息的可靠性、精准度和稳定性有着极高的要求。
就获取可靠且准确的实时自身动态信息而言，目前大规模应用的仅基于全球定位系统(Global Positioning Systems)的动态追踪方式远远达不到车联网，自动驾驶系统和智能交通系统的可靠性和准确性要求。因此现有研究提出了许多独立和协作动态追踪框架来可靠且准确地获取自身的动态信息。相比与仅依赖本车自身装载的传感器(如GPS、IMU、相机和雷达等)来进行动态信息获取的独立动态追踪，基于V2V(Vehicle to Vehicle)通信的协作动态追踪通过融合周边协作车辆和自身车载设备对本车的观测信息，能够实现更可靠、准确和稳定的自身动态信息追踪。
但是普通的协作动态追踪框架相比于独立动态追踪也具有一个固有的缺点，那就是没有考虑到协作车辆中可能存在的发布虚假动态信息的恶意用户。因此如果存在相当比例的恶意用户向本车发送虚假的动态信息，那么本车通过普通协作动态追踪框架得到的动态信息将会出现极大的偏移，进而严重威胁到该车乃至整个系统的安全性。
绝大多数现有的相关工作仅将无线传感器网络中安全协作定位问题的解决方案移植到动态协作追踪场景中来进行恶意用户检测。现有技术均沿用了安全协作定位问题中仅利用当前时刻的单次观测来进行检测的做法，使得在协作动态追踪场景下无法利用车辆动态信息间的相关性来减小传感器观测噪声对检测的影响，进而造成恶意用户检测的准确率和协作动态追踪的可靠性不高。
发明内容
为了克服上述现有技术的不足，本发明提出了一种车辆协作动态追踪中的恶意用户检测方法，检测发布虚假信息的恶意用户，可在车辆协作动态追踪中存在恶意用户的场景下，通过分析和处理各个协作车辆提供历史动态信息序列，检测出那些发布虚假信息的恶意用户。本发明能够和现有的普通协作动态算法进行整合，提高协作动态追踪的可靠性。
本发明提供的车辆协作动态追踪中的恶意用户检测方法被命名为基于动态模型的状态均值检测(Dynamic Model based Mean State Detection，DMMSD)，车辆协作动态追踪中的恶意用户检测方法充分利用一段时间内的所有历史动态信息观测值，通过将历史观测值序列转换为状态均值，显著地减小传感器误差的影响，有效地检测出更小偏移的虚假动态信息；包含以下步骤：
1)以先进先出(First In First Out,FIFO)的方式缓存固定时间长度内每辆协作车辆发送给本车的所有历史动态信息观测值。
具体实施时，假设有N辆协作车辆，那本车上则对应存在N个FIFO缓存。每次检测时，N个FIFO缓存中的长度为K的历史观测值序列形成一个历史观测值矩阵Mz：
Figure BDA0002380884790000021
其中，zij的下标i表示协作车辆的编号，下标j表示离散时刻的编号。且设定序列的最后一个元素(也就是第K个)的下标K对应的时刻为当前时刻K，下标K-1对应的时刻为前一个时刻，而下标1对应的时刻为前K-1个时刻。
2)通过车辆运动的动态模型，预测每个时刻的历史观测值对应的当前时刻的可能的观测值
Figure BDA0002380884790000022
利用动态模型将受车辆运动影响的历史观测序列(历史观测值矩阵Mz)转换为去除了车辆运动影响的预测值序列。
车辆运动的动态模型为一阶隐马尔可夫模型：
s[j]＝As[j-1]+Bu[j]
其中，s[j]是离散时刻j时车辆的动态信息向量，A为前后两个时刻动态信息间的转移矩阵，u[j]是车辆在j时刻的加速度向量，B是加速度向量和动态信息向量之间的转移矩阵。
利用该模型任意的第i辆协作车辆由前K-1个时刻的实际观测值zi1,zi2,…zi(K-1)递推，可得到对当前时刻实际观测值的K-1个预测
Figure BDA0002380884790000031
由此基本消除当前时刻的实际观测值和K-1个预测值对应的动态信息真实值间的差别。
3)将每辆协作车辆的所有当前时刻的可能的观测值平均，得到该协作车辆的历史序列对应的当前时刻的状态均值。
设定当前时刻实际观测值ziK对应的预测值为自身，即
Figure BDA0002380884790000032
取平均得到第i辆协作车辆的历史观测序列对应的状态均值
Figure BDA0002380884790000033
表示为：
Figure BDA0002380884790000034
同理可得出全部N辆协作车辆对应的状态均值
Figure BDA0002380884790000035
一起构成的向量记为状态均值向量
Figure BDA0002380884790000036
表示为：
Figure BDA0002380884790000037
其中，T表示对行向量进行转置。
以上步骤1)～3)通过将每辆协作车辆的历史观测序列转换为预测序列，再转换为状态均值；即对每辆协作车辆对当前时刻目标车辆的动态信息进行了多次观测取均值，由此得到状态均值向量中的每个状态均值中观测噪声的成分相比于单次观测值大大减少。
4)计算所有协作车辆的状态均值向量
Figure BDA0002380884790000038
构成的簇的最小均方差来进行一致性检测，即先用
Figure BDA0002380884790000039
中所有元素进行最小均方差估计，并得到最小的均方误差。具体实施时，设定有10辆协作车辆，协作车辆单次观测的方差为16m2，那么对应的最佳的最小均方差阈值为36m2左右。如果最小均方差没有超过预先设定的最小均方差阈值则认为不存在恶意用户。如果最小均方差超过预先设定的最小均方差阈值，则认为协作车辆中存在恶意用户，进而进行聚类，找出恶意用户。
5)利用已有的聚类算法将所有状态均值分为两簇，由此识别正常车辆用户还是恶意车辆用户；
其中包含状态均值更多的那一簇所对应的协作车辆为正常用户，而包含状态均值更少的那一簇对应的协作车辆为恶意用户。
6)最后将一致性检测和聚类的结果归纳为置信表(即一个长度为N布尔向量，其中正常用户的编号所对应的位置标记为1，而恶意用户的编号所对应的位置标记为0)。最后现有的各种协作动态追踪算法利用此置信表将恶意用户提供的虚假动态信息观测值从数据融合过程中剔除，进而确保动态协作追踪的可靠性。
通过上述步骤，实现在车辆协作动态追踪中的恶意用户检测。
与现有技术相比，本发明具有以下优点：
本发明提供一种车辆协作动态追踪中的恶意用户检测方法DMMSD，检测发布虚假信息的恶意用户，在车辆协作动态追踪中存在恶意用户的场景下，通过分析和处理各个协作车辆提供历史动态信息序列，检测出那些发布虚假信息的恶意用户。本发明能够和现有的普通协作动态算法进行整合，提高协作动态追踪的可靠性；与现有技术相比，本发明的技术优势包括：
(一)现有的少量关注协作动态追踪的安全性的工作提出的算法仅仅利用当前时刻的协作车辆提供的信息来进行恶意用户检测，而本发明提供的DMMSD则充分利用了一段时间内的所有信息来进行检测，从而在相同条件下提高了检测率。使得整个协作动态追踪框架能更好地抵御恶意用户给出地虚假信息，进而得到更可靠和准确地动态信息。
(二)仅依靠当前时刻的信息进行检测的算法其能检测的最小虚假动态信息偏移最终受制于各个协作车辆的传感器误差。而DMMSD通过将历史观测值序列转换为状态均值，显著地减小了传感器误差的影响，使得DMMSD能够有效地检测出更小偏移的虚假动态信息，进而在大量恶意用户发送小偏移虚假信息时其检测性能明显优于当前工作中提出的算法。
附图说明
图1是协作动态追踪中恶意协作者检测的场景示意图。
图2是本发明提供的恶意用户检测算法和现有协作动态追踪算法整合后的工作流程示意图。
图3是本发明提供的基于动态模型的状态均值检测(DMMSD)方法的流程框图。
图4是本发明具体实施时位置和速度信息中的噪声减小比例随序列长度K的变化关系示意图。
图5是现有传统非序列检测算法和DMMSD算法的检测真阳率、误报率随虚假动态信息相对动态信息真实值的偏移大小的变化曲线。
图6是现有传统非序列检测算法和DMMSD算法的检测真阳率、误报率随虚假动态信息的方差大小的变化曲线。
图7是现有传统滤波算法和DMMSD算法给出的车辆轨迹估计比较图。
图8是现有传统滤波算法和DMMSD算法给出的车辆轨迹估计与真实轨迹间的均方根误差(Root Mean Square Error,RMSE)随恶意车辆数量的变化曲线。
具体实施方式
为使本发明的上述场景、目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明的应用场景示意图，即协作动态追踪中的恶意用户检测。在此场景中，存在N辆协作车辆，一辆被追踪的目标车辆。(实际上每辆车辆都会作为其他车辆的协作车辆，同时每辆车都是被追踪的目标车辆。协作车辆和被追踪车辆的角色是对偶的，因此这里仅展示了N辆协作车辆，一辆被追踪车辆的局部场景)
本发明的内容与传统的协作动态追踪算法紧密相关，传统的不考虑恶意用户检测的协作动态追踪算法的大致流程：1)各个协助车辆1，2，3，4将自身传感器观测到的目标车辆0的动态信息，即目标车辆的位置、速度，发送给被追踪的目标车辆；2)目标车辆将接收到的协助车辆观测值进行卡尔曼滤波，然后将滤波器的输出值作为协作动态追踪的融合算法的输入；3)经过融合算法处理后的输出为精度更高、更稳定的自身动态信息估计值。不存在恶意用户时，所有滤波器的输入都是传感器的真实观测值；而当协助车辆中有恶意用户时，他们会故意发送偏离传感器真实观测值的虚假动态信息给目标车辆，因此这些虚假动态信息会产生错误的滤波结果，进而被输入到融合算法，最终使得输出的动态信息估计出现明显的偏差。
本发明提出的恶意用户检测算法能够直接兼容传统算法的框架，在实际运用通常将其和传统协作动态追踪算法整合起来形成安全协作动态追踪系统来使用，整个系统的架构如图2所示。本发明相关的存储历史观测序列的FIFO缓存和序列检测算法位于协作车辆提供的原始观测值和传统协作动态追踪算法中的卡尔曼滤波器组和融合算法之间，从结构上来看就像是为传统算法提供了一道防护。
下面就根据图3所示的算法流程图来介绍本发明提出的基于动态模型状态均值的恶意用户检测算法的具体实施流程。
第一步，协作车辆1到N将当前时刻自己的传感器对目标车辆的动态信息(位置、速度)观测值z1K,z2K,…z(N-1)K,zNK发送给目标车辆，下标1,2,…N-1,N表示协作车辆的编号，下标K表示当前离散时刻的编号。然后这些观测值被放入到目标车辆上N辆协作车辆对应的N个FIFO缓存中，每个缓存中存放了当前时刻和前K-1个时刻的观测值。每次检测时，N个FIFO缓存中的K长的历史观测值序列形成一个历史观测值矩阵Mz，作为算法的输入。
Figure BDA0002380884790000051
采用每辆协作车辆的历史观测序列而非仅当前时刻观测值进行检测的目的是减小单个时刻的观测值中存在的传感器观测噪声对检测的影响。如果观测对象的真实值不变，那么多次测量再取平均值可以有效减小观测噪声带来的影响。但是协作动态追踪中由于目标车辆的持续运动，目标车辆每个时刻的动态信息的真实值都是不同的，不能直接对历史观测序列(Mz的每一行)进行直接平均，而需要借助动态模型先消除车辆运动带来的影响。
第二步，利用动态模型将受车辆运动影响的历史观测序列转换为去除了车辆运动影响的预测值序列。车辆运动的动态模型为：
s[j]＝As[j-1]+Bu[j]
是一个一阶隐马尔可夫模型，其中s[j]是离散时刻j时车辆的动态信息向量，A为前后两个时刻动态信息间的转移矩阵，u[j]是车辆在j时刻的加速度向量，B是加速度向量和动态信息向量之间的转移矩阵。在不考虑所有噪声的情况下，车辆在任意两个相邻离散时刻的动态信息都严格符合这一关系。因此观测序列中各个时刻的实际观测值对应的观测真实值也严格符合这一模型，而包含了观测噪声的实际观测值则近似符合该模型。因此，利用该模型任意的第i辆协作车辆由前K-1个时刻的实际观测值zi1,zi2,…zi(K-1)递推，可得到对当前时刻实际观测值的K-1个预测
Figure BDA0002380884790000061
这样当前时刻的实际观测值和K-1个预测值对应的动态信息真实值间的差别则被基本消除(无观测噪声时被完全消除)，进而取均值即可减小噪声。
第三步，将
Figure BDA0002380884790000062
(当前时刻实际观测值ziK理论上不存在对应的预测值，但是为了同一表述，设定其对应的预测值为自身，即
Figure BDA0002380884790000063
)取平均得到第i辆协作车辆的历史观测序列对应的状态均值
Figure BDA0002380884790000064
表示为：
Figure BDA0002380884790000065
同理可以得出全部N辆协作车辆对应的状态均值
Figure BDA0002380884790000066
并记它们一起构成的向量为状态均值向量
Figure BDA0002380884790000067
表示为：
Figure BDA0002380884790000068
以上的三步通过将每辆协作车辆的历史观测序列转换为预测序列，再转换为状态均值等效于对每辆协作车辆对当前时刻目标车辆的动态信息进行了多次观测取均值。因此得到状态均值向量中的每个状态均值中观测噪声的成分相比于单次观测值大大减少。动态信息中的位置和速度信息中的噪声减小比例随FIFO中容纳的序列的长度K的变化关系如图4所示。
减小观测噪声后，那些原本隐藏在单次观测噪声内的偏离不大的虚假动态信息观测值就更容易和正常的观测值区别开来。所以接下来就是检测状态均值向量
Figure BDA0002380884790000069
中是否存在恶意用户发送的虚假信息转化而来的虚假状态均值。
第四步，采用最小均方差一致性检测来判断是否存在虚假状态均值。具体地，用
Figure BDA0002380884790000071
中所有元素
Figure BDA0002380884790000072
进行最小均方差估计，得到最优估计
Figure BDA0002380884790000073
再计算最优估计时对应的均方误差，表示为：
Figure BDA0002380884790000074
如果该最小均方误差大于预先设定的最小均方误差阈值P，则表示存在虚假状态均值及对应的恶意用户，否则不存在恶意用户。
Figure BDA0002380884790000075
其中，N为协作车辆的数目，σ2为单次观测的方差，δ为累计概率因子，在实验中通常取0.4左右效果最佳。因此如果单次观测的方差为16m2，协作车辆有10辆，那么相应的阈值P取为36m2左右时最佳。
第五步，如果第四步检测得出存在恶意用户发送的虚假观测值序列转化而来的虚假状态均值，那么进一步利用已有的聚类算法(本发明具体实施采用K-means聚类，但其它任何聚类方法也都可以使用)将
Figure BDA0002380884790000076
中的状态均值分为两簇。较小(成员数量较少)的那一簇的成员被认为是虚假状态均值，同时它们对应的协作车辆被认为是恶意用户。而较大的簇的成员则被认为是正常的状态均值，对应的协作车辆被认为是正常用户。
第六步，最后将一致性检测和聚类的结果归纳为置信表(即一个长度为N布尔向量，其中正常用户的编号所对应的位置标记为1，而恶意用户的编号所对应的位置标记为0)。至此基于动态模型的状态均值检测结束，输出的置信表中的每个元素被用作图2中所示的卡尔曼滤波器的使能信号。因此只有那些被认为是正常用户对应的卡尔曼滤波器的输出值才会被作为融合算法的输入，从而确保了最终得到的对目标车辆的动态信息估计是准确的。
相比于现有传统的非序列检测算法，本发明提供的DMMSD的真阳率、误检率均明显更优，参见图5，6。
而和现有的直接滤波算法相比，DMMSD和传统协作动态追踪算法结合时给出的动态信息估计比直接滤波算法与传统协作动态追踪算法结合时给出的动态信息估计更准确、稳定，参见图7，8.
尽管为说明目的公开了本发明的具体实施例和附图，其目的在于帮助理解本发明的内容并据以实施，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。因此，本发明不应局限于最佳实施例和附图所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (7)

1.一种车辆协作动态追踪中的恶意用户检测方法，采用基于动态模型的状态均值检测DMMSD方法，利用车辆协作动态追踪中一段时间内的所有历史动态信息观测值，将历史观测值序列转换为状态均值，减小传感器误差的影响，由此检测出更小偏移的虚假动态信息，从而实现恶意用户检测；包含以下步骤：
1)以先进先出方式缓存固定时间长度内、每辆协作车辆发送给本车辆的所有历史动态信息观测值；
设定有N辆协作车辆，本车辆上对应存在N个FIFO缓存；每次检测时，N个FIFO缓存中的长度为K的历史观测值序列形成一个历史观测值矩阵Mz，表示为：
Figure FDA0002721439840000011
其中，zij的下标i表示协作车辆的编号，下标j表示离散时刻的编号；设定序列的最后一个元素即第K个元素的下标K对应的时刻为当前时刻K，下标K-1对应的时刻为前一个时刻；下标1对应的时刻为前K-1个时刻；
2)通过车辆运动的动态模型，预测每个时刻的历史观测值对应的当前时刻的可能的观测值，记作：
Figure FDA0002721439840000012
利用动态模型将受车辆运动影响的历史观测序列即历史观测值矩阵Mz转换为去除了车辆运动影响的预测值序列；再利用车辆运动的动态模型，对第i辆协作车辆的前K-1个时刻的实际观测值zi1，zi2，…zi(K-1)进行递推，得到对当前时刻实际观测值的K-1个预测值
Figure FDA0002721439840000013
由此消除当前时刻的实际观测值和K-1个预测值对应的动态信息真实值间的差别；
3)将每辆协作车辆的所有当前时刻的可能的观测值进行平均，得到该协作车辆的历史序列对应的当前时刻的状态均值
Figure FDA0002721439840000014
再得出全部N辆协作车辆对应的状态均值
Figure FDA0002721439840000015
一起构成的向量记为状态均值向量
Figure FDA0002721439840000016
表示为：
Figure FDA0002721439840000017
上述步骤1)～3)通过将每辆协作车辆的历史观测序列转换为预测序列，再转换为状态均值；即对每辆协作车辆对当前时刻目标车辆的动态信息进行多次观测取均值，由此减少得到的状态均值向量中的每个状态均值中观测噪声的成分；
4)计算所有协作车辆的状态均值向量
Figure FDA0002721439840000018
构成的簇的最小均方差，进行一致性检测；
如果最小均方差没有超过设定的最小均方差阈值，表示不存在恶意用户；
如果最小均方差超过设定的最小均方差阈值P，表示协作车辆中存在恶意用户；则执行步骤5)进行聚类，以找出恶意车辆用户；
5)通过聚类方法识别正常车辆用户还是恶意车辆用户；
通过聚类方法将所有状态均值分为两簇，包含状态均值更多的那一簇所对应的协作车辆为正常用户；包含状态均值更少的那一簇对应的协作车辆为恶意用户；
通过上述步骤，实现在车辆协作动态追踪中的恶意用户检测。
2.如权利要求1所述车辆协作动态追踪中的恶意用户检测方法，其特征是，步骤2)车辆运动的动态模型为一阶隐马尔可夫模型，表示为：
s[j]＝As[j-1]+Bu[j]
其中，s[j]是离散时刻j时车辆的动态信息向量，A为前后两个时刻动态信息间的转移矩阵，u[j]是车辆在j时刻的加速度向量，B是加速度向量和动态信息向量之间的转移矩阵；
利用车辆运动的动态模型，对任意的第i辆协作车辆的前K-1个时刻的实际观测值zi1，zi2，…zi(K-1)进行递推，得到对当前时刻实际观测值的K-1个预测值
Figure FDA0002721439840000021
3.如权利要求1所述车辆协作动态追踪中的恶意用户检测方法，其特征是，步骤3)设定当前时刻实际观测值ziK对应的预测值为自身，即
Figure FDA0002721439840000022
取平均得到第i辆协作车辆的历史观测序列对应的状态均值
Figure FDA0002721439840000023
表示为：
Figure FDA0002721439840000024
同理得出全部N辆协作车辆对应的状态均值
Figure FDA0002721439840000025
4.如权利要求1所述车辆协作动态追踪中的恶意用户检测方法，其特征是，将一致性检测和聚类结果制成置信表；所述置信表为长度为N的布尔向量，其中正常用户的编号所对应的位置标记为1，而恶意用户的编号所对应的位置标记为0。
5.如权利要求1所述车辆协作动态追踪中的恶意用户检测方法，其特征是，所述聚类具体采用K-means聚类方法。
6.如权利要求1所述车辆协作动态追踪中的恶意用户检测方法，其特征是，步骤4)中，最小均方误差阈值P通过下式计算得到：
Figure FDA0002721439840000026
其中，N为协作车辆的数目，σ2为单次观测的方差，δ为累计概率因子。
7.如权利要求6所述车辆协作动态追踪中的恶意用户检测方法，其特征是，δ取值为0.4。
CN202010082747.1A 2020-02-07 2020-02-07 车辆协作动态追踪中基于状态均值的恶意用户检测方法 Active CN111163419B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010082747.1A CN111163419B (zh) 2020-02-07 2020-02-07 车辆协作动态追踪中基于状态均值的恶意用户检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010082747.1A CN111163419B (zh) 2020-02-07 2020-02-07 车辆协作动态追踪中基于状态均值的恶意用户检测方法

Publications (2)

Publication Number Publication Date
CN111163419A CN111163419A (zh) 2020-05-15
CN111163419B true CN111163419B (zh) 2020-11-27

Family

ID=70565335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010082747.1A Active CN111163419B (zh) 2020-02-07 2020-02-07 车辆协作动态追踪中基于状态均值的恶意用户检测方法

Country Status (1)

Country Link
CN (1) CN111163419B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112880699B (zh) * 2021-01-19 2023-03-10 中国人民解放军空军工程大学 一种基于脑选择性注意机制的车辆协作定位方法
CN116430347B (zh) * 2023-06-13 2023-08-22 成都实时技术股份有限公司 一种雷达数据采集与存储方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012012860A1 (en) * 2010-07-27 2012-02-02 University Of Regina Method and system for cooperative stochastic positioning in a mobile environment
CN109946730A (zh) * 2019-03-06 2019-06-28 东南大学 一种车路协同下基于超宽带的车辆高可靠融合定位方法
CN110418980A (zh) * 2017-03-17 2019-11-05 维宁尔美国公司 用于高准确度协作定位解决方案的通信

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012012860A1 (en) * 2010-07-27 2012-02-02 University Of Regina Method and system for cooperative stochastic positioning in a mobile environment
CN110418980A (zh) * 2017-03-17 2019-11-05 维宁尔美国公司 用于高准确度协作定位解决方案的通信
CN109946730A (zh) * 2019-03-06 2019-06-28 东南大学 一种车路协同下基于超宽带的车辆高可靠融合定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Cooperative Positioning Technique With Decentralized Malicious Vehicle Detection;Seung-Hyun Kong,等;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;20180331;第19卷(第3期);826-838 *

Also Published As

Publication number Publication date
CN111163419A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
US8798897B2 (en) Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models
CN111292538B (zh) 车辆协作动态追踪中基于残差均值的恶意用户检测方法
Liebner et al. Active safety for vulnerable road users based on smartphone position data
CN105717505B (zh) 利用传感网进行多目标跟踪的数据关联方法
US11300663B2 (en) Method for predicting a motion of an object
CN114879695B (zh) 轨迹匹配方法、装置、设备和介质
US9599480B2 (en) Vehicle localization and transmission method and system using a plurality of communication methods
CN111163419B (zh) 车辆协作动态追踪中基于状态均值的恶意用户检测方法
CN108120991A (zh) 一种行车轨迹优化方法
JP4558600B2 (ja) 航跡相関統合装置
CN114274972A (zh) 自主驾驶环境中的场景识别
US20210158128A1 (en) Method and device for determining trajectories of mobile elements
Tak et al. Development of AI‐Based Vehicle Detection and Tracking System for C‐ITS Application
CN112313536B (zh) 物体状态获取方法、可移动平台及存储介质
US20230059588A1 (en) Vehicle position estimation
CN116309696A (zh) 一种基于改进广义交并比的多类别多目标跟踪方法及装置
US20210366274A1 (en) Method and device for predicting the trajectory of a traffic participant, and sensor system
CN103369623B (zh) 传感器网络中动态切换目标跟踪方法的系统及方法
US20230314144A1 (en) System and method for estimating drift path of marine floating body
CN112816974A (zh) 基于图形的用于整体融合测量数据的方法
CN113793031B (zh) 海底管线风险预测方法及装置
EP3499419A1 (en) Information processing method, information processing apparatus, and program
CN107590509B (zh) 基于最大期望近似的切尔诺夫融合方法
CN113343448B (zh) 控制效果评估方法、装置、电子设备及存储介质
JP2021012086A (ja) 車線推定装置

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
GR01 Patent grant
GR01 Patent grant