CN112491814B - 一种车联网网联交叉口网络攻击检测方法及系统 - Google Patents

一种车联网网联交叉口网络攻击检测方法及系统 Download PDF

Info

Publication number
CN112491814B
CN112491814B CN202011252069.5A CN202011252069A CN112491814B CN 112491814 B CN112491814 B CN 112491814B CN 202011252069 A CN202011252069 A CN 202011252069A CN 112491814 B CN112491814 B CN 112491814B
Authority
CN
China
Prior art keywords
period
spat
internet connection
vehicle
information
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
CN202011252069.5A
Other languages
English (en)
Other versions
CN112491814A (zh
Inventor
胡笳
祁隆骞
张子晗
王浩然
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202011252069.5A priority Critical patent/CN112491814B/zh
Publication of CN112491814A publication Critical patent/CN112491814A/zh
Application granted granted Critical
Publication of CN112491814B publication Critical patent/CN112491814B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1416—Event detection, e.g. attack signature detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1441—Countermeasures against malicious traffic
    • H04L63/145—Countermeasures against malicious traffic the attack involving the propagation of malware through the network, e.g. viruses, trojans or worms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • 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]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Abstract

本发明涉及一种车联网网联交叉口网络攻击检测方法及系统，该方法具体为：通过估计步骤获取SPaT估计信息，采集SPaT实际信息，将SPaT估计信息和SPaT实际信息输入训练好的长短期记忆网络，获得网联交叉口受到网络攻击的概率；估计步骤具体为：获取网联车轨迹数据，对网联车轨迹数据进行分割，确定首端网联车、末端网联车和周期断点区间，首端网联车为车道信号显示时间序列的一个周期内第一辆进入该交叉口的网联车，末端网联车为首端网联车的前一辆车，周期断点区间为末端网联车和该末端网联车后一辆首端网联车先后通过交叉口停车线的时刻区间。与现有技术相比，本发明具有适用范围广、及时性强和安全性好等优点。

Description

一种车联网网联交叉口网络攻击检测方法及系统
技术领域
本发明涉及一种车联网及车路协同技术，尤其是涉及一种车联网网联交叉口网络攻击检测方法及系统。
背景技术
车联网系统主要由三部分组成：网联车CV，控制平台CP和网联基础设施。网联基础设施包括路边单元RSU和网联信号CS。网联信号CS是指具有交通信息传输功能并由互联车辆系统控制的信号灯。
车联网系统中信息传输的逻辑如图3所示，在典型的V2I系统中的网联交叉口处，信号相位和配时SPaT信息从CS广播到CV，以帮助CV做出决策。每个CV都配备了一个车载单元OBU。OBU向所有附近的CV和基础设施广播本CV的基本安全信息BSM。同时，OBU从附近所有CV接收BSM，BSM记录CV的车辆信息，例如速度，位置，航向，加速度等。具有相同车辆的一组连续BSM代表车辆的轨迹。在基础设施方面，CS安装在信号交叉口。CS接收BSM，并将其广播到控制平台CP，以获得此信号交叉口的最佳配时计划。同时，SPaT信息从CS广播到CV，来帮助CV确定其行驶方案，例如停止或通过。
CS和CV之间传输的SPaT信息面临着网络攻击和篡改的风险。V2I中的网络攻击可能会导致欺骗性SPaT信息的广播。由于CV会在接近交叉路口时依赖接收到的SPaT信息进行决策，因此此类攻击可能会导致严重的交通事故。
近些年，研究人员已经研究了许多用来提高车联网网络安全的方法，主要包括信息加密和二次确认两种方法。然而现存的方法存在以下缺陷：这些方法集中于研究道路交通安全，而不是交叉口交通安全；这些方法仅适用于小区间的CV渗透率环境，而对于低渗透率条件下的环境表现较差；这些方法更多用来预防攻击的发生，而对已经发生攻击情况的检测方法则较少。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种车联网网联交叉口网络攻击检测方法及系统，适用范围广，及时性强，安全性好。
本发明的目的可以通过以下技术方案来实现：
一种车联网网联交叉口网络攻击检测方法，具体为：
通过估计步骤获取SPaT估计信息，采集SPaT实际信息，将SPaT估计信息和SPaT实际信息输入训练好的长短期记忆网络，获得网联交叉口受到网络攻击的概率；
其中，所述的SPaT估计信息包括车道信号显示时间序列的初始时刻、周期时长以及有效红灯时间，所述的估计步骤具体为：
获取网联车轨迹数据，通过二维支持向量机对网联车轨迹数据进行分割，确定首端网联车、末端网联车和周期断点区间，所述的首端网联车为车道信号显示时间序列的一个周期内第一辆进入该交叉口的网联车，所述的末端网联车为首端网联车的前一辆车，所述的周期断点区间为末端网联车和该末端网联车后一辆首端网联车先后通过交叉口停车线的时刻区间；
通过迭代夹逼法检测周期断点区间内缺失的周期的个数，根据该个数通过最优化方程计算车道信号显示时间序列的初始时刻及周期时长；
根据车道信号显示时间序列的初始时刻、周期时长以及网联车轨迹数据求解有效红灯时间；
所述的长短期记忆网络的训练过程为：
通过更改SPaT实际信息中设定比例的数据获得SPaT模拟信息，利用SPaT模拟信息和SPaT估计信息训练长短期记忆网络；
将SPaT模拟信息、SPaT估计信息以及SPaT模拟信息和SPaT估计信息的差和比差作为训练集，对长短期记忆网络进行训练。所述的SPaT模拟信息和SPaT实际信息各包含3个特征，将SPaT模拟信息、SPaT估计信息以及SPaT模拟信息和SPaT估计信息的差和比差作为训练集，对长短期记忆网络进行训练，该训练集具有12个特征，实现特征延伸，丰富训练集，提高长短期记忆网络的预测精度。
进一步地，所述的长短期记忆网络包括依次连接的第一前馈神经网络层、第一长短期记忆网络层、第二长短期记忆网络层和第二前馈神经网络层。
进一步地，由于网联车轨迹数据为时序数据，且没有固定的周期分割点，采用二维支持向量机估计的周期断点区间之间至少存在一个车道信号显示时间序列的周期断点；
所述的迭代夹逼法具体为：
设定周期长度范围和周期个数范围，通过减小周期长度获得周期个数最大值，通过增大周期长度获得周期个数最小值，当周期个数最大值和周期个数最小值之间只存在1个整数时，该整数即周期断点区间内缺失的周期的个数。
进一步地，所述的最优化方程具体为：
Figure BDA0002771898830000031
Figure BDA0002771898830000032
Figure BDA0002771898830000033
Figure BDA0002771898830000034
Figure BDA0002771898830000035
其中，t0为车道信号显示时间序列的初始时刻，C为周期时长，mn为第n个周期前的周期断点区间内的周期个数，
Figure BDA0002771898830000036
为第n个周期的末端网联车通过交叉口停车线的时刻，
Figure BDA0002771898830000037
为第n+1个周期的首端网联车通过交叉口停车线的时刻。
进一步地，所述的有效红灯时间的求解过程具体为：
根据网联车轨迹数据绘制d-t图，所述的d-t图的纵坐标为网联车的延误时长，横坐标为时刻，通过曲线拟合获得各个周期的延误时长曲线，所述的延误时长曲线与其所在周期初始时刻的纵轴的交点纵坐标即为有效红灯时间。
一种车联网网联交叉口网络攻击检测系统，包括：
网联信息估计模块，用于通过估计步骤获取SPaT估计信息；
网联信息采集模块，用于采集SPaT实际信息和网联车轨迹数据；
网络攻击检测模块，用于将SPaT估计信息和SPaT实际信息输入训练好的长短期记忆网络，获得网联交叉口受到网络攻击的概率；
其中，所述的网联信息估计模块包括周期分割单元、周期断点计算单元和红灯时间计算单元，所述的估计步骤具体为：
所述的周期分割单元通过二维支持向量机对网联车轨迹数据进行分割，确定首端网联车、末端网联车和周期断点区间，所述的首端网联车为车道信号显示时间序列的一个周期内第一辆进入该交叉口的网联车，所述的末端网联车为首端网联车的前一辆车，所述的周期断点区间为末端网联车和该末端网联车后一辆首端网联车先后通过交叉口停车线的时刻区间；
所述的周期断点计算单元通过迭代夹逼法检测周期断点区间内缺失的周期的个数，根据该个数通过最优化方程计算车道信号显示时间序列的初始时刻及周期时长；
所述的红灯时间计算单元根据车道信号显示时间序列的初始时刻、周期时长以及网联车轨迹数据求解有效红灯时间；
所述的长短期记忆网络的训练过程为：
所述的网络攻击检测模块通过更改SPaT实际信息中设定比例的数据获得SPaT模拟信息，利用SPaT模拟信息和SPaT估计信息训练长短期记忆网络；
将SPaT模拟信息、SPaT估计信息以及SPaT模拟信息和SPaT估计信息的差和比差作为训练集，对长短期记忆网络进行训练。所述的SPaT模拟信息和SPaT实际信息各包含3个特征，将SPaT模拟信息、SPaT估计信息以及SPaT模拟信息和SPaT估计信息的差和比差作为训练集，对长短期记忆网络进行训练，该训练集具有12个特征，实现特征延伸，丰富训练集，提高长短期记忆网络的预测精度。
进一步地，由于网联车轨迹数据为时序数据，且没有固定的周期分割点，采用二维支持向量机估计的周期断点区间之间至少存在一个车道信号显示时间序列的周期断点；
所述的迭代夹逼法具体为：
所述的周期断点计算单元设定周期长度范围和周期个数范围，通过减小周期长度获得周期个数最大值，通过增大周期长度获得周期个数最小值，当周期个数最大值和周期个数最小值之间只存在1个整数时，该整数即周期断点区间内缺失的周期的个数。
进一步地，所述的最优化方程具体为：
Figure BDA0002771898830000041
Figure BDA0002771898830000042
Figure BDA0002771898830000043
Figure BDA0002771898830000044
Figure BDA0002771898830000045
其中，t0为车道信号显示时间序列的初始时刻，C为周期时长，mn为第n个周期前的周期断点区间内的周期个数，
Figure BDA0002771898830000051
为第n个周期的末端网联车通过交叉口停车线的时刻，
Figure BDA0002771898830000052
为第n+1个周期的首端网联车通过交叉口停车线的时刻。
进一步地，所述的有效红灯时间的求解过程具体为：
所述的红灯时间计算单元根据网联车轨迹数据绘制d-t图，所述的d-t图的纵坐标为网联车的延误时长，横坐标为时刻，通过曲线拟合获得各个周期的延误时长曲线，所述的延误时长曲线与其所在周期初始时刻的纵轴的交点纵坐标即为有效红灯时间。
与现有技术相比，本发明具有以如下有益效果：
(1)本发明对网联车轨迹数据进行分割，确定周期断点区间，再确定周期断点区间内缺失的周期个数，最终估计出车道信号显示时间序列的初始时刻及周期时长，再根据车道信号显示时间序列的初始时刻、周期时长以及网联车轨迹数据求解有效红灯时间，实现信号相位和配时信息的估计，适用于低渗透率以及独立的网联交叉口，适用范围广，可检测信号灯广播的SPaT信息的真实性，将SPaT估计信息和SPaT实际信息输入训练好的长短期记忆网络，获得网联交叉口受到网络攻击的概率，可及时、准确地预估网络攻击的概率，网联车可根据概率作出相应的应对措施，安全性好；
(2)本发明设定周期长度范围和周期个数范围，通过迭代夹逼估计周期断点区间内缺失的周期的个数，根据该个数通过最优化方程计算车道信号显示时间序列的初始时刻及周期时长，适用于低渗透率的网联交叉口，准确获得车道信号显示时间序列的各个周期；
(3)本发明通过随机更改SPaT实际信息中设定比例的数据获取模拟网络攻击发生的SPaT模拟信息，利用SPaT模拟信息和SPaT估计信息训练长短期记忆网络，操作简单，训练好的长短期记忆网络能及时、准确地获得贴合实际情况的预测结果；
(4)本发明SPaT模拟信息、SPaT估计信息以及SPaT模拟信息和SPaT估计信息的差和比差作为训练集，对长短期记忆网络进行训练，实现特征延伸，丰富训练集，长短期记忆网络的预测精度高。
附图说明
图1为本发明的方法流程图；
图2为估计步骤的流程图；
图3为车联网网联交叉口示意图；
图4为d-t图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
一种车联网网联交叉口网络攻击检测方法，如图1，具体为：
通过估计步骤获取SPaT估计信息，采集SPaT实际信息，将SPaT估计信息和SPaT实际信息输入训练好的长短期记忆网络，获得网联交叉口受到网络攻击的概率，SPaT估计信息和SPaT实际信息均包括车道信号显示时间序列的初始时刻、周期时长以及有效红灯时间；
设置若干个警报级别，每个警报级别对应一个概率范围，根据检测方法得到的概率进行相应级别的报警，及时发现网络攻击，保证来保证网联信息安全以及网联车的安全。
如图2，估计步骤具体为：
S101：进行模糊周期分割，具体为：
网联车的车载单元通过接收附近其它网联车的基本安全信息获取网联车轨迹数据，通过二维支持向量机对网联车轨迹数据进行分割，确定首端网联车、末端网联车和周期断点区间，首端网联车为车道信号显示时间序列的一个周期内第一辆进入该交叉口的网联车，末端网联车为首端网联车的前一辆车，周期断点区间为末端网联车和该末端网联车后一辆首端网联车先后通过交叉口停车线的时刻区间；
S102：检测周期断点区间内缺失的周期，具体为：
通过迭代夹逼法检测周期断点区间内缺失的周期的个数，根据该个数通过最优化方程计算车道信号显示时间序列的初始时刻及周期时长；
S103：估计有效红灯时间，具体为：
根据车道信号显示时间序列的初始时刻、周期时长以及网联车轨迹数据求解有效红灯时间。
由于网联车轨迹数据为时序数据，且没有固定的周期分割点，对于低渗透率的网联交叉口，采用二维支持向量机估计的周期断点区间之间至少存在一个车道信号显示时间序列的周期断点，可能存在缺失的周期；
迭代夹逼法具体为：
设定周期长度范围和周期个数范围，周期长度范围为30s～180s，周期个数范围为0～99，通过减小周期长度获得周期个数最大值，通过增大周期长度获得周期个数最小值，当周期个数最大值和周期个数最小值之间只存在1个整数时，该整数即周期断点区间内缺失的周期的个数。
最优化方程具体为：
Figure BDA0002771898830000071
Figure BDA0002771898830000072
Figure BDA0002771898830000073
Figure BDA0002771898830000074
Figure BDA0002771898830000075
其中，t0为车道信号显示时间序列的初始时刻，C为周期时长，mn为第n个周期前的周期断点区间内的周期个数，
Figure BDA0002771898830000076
为第n个周期的末端网联车通过交叉口停车线的时刻，
Figure BDA0002771898830000077
为第n+1个周期的首端网联车通过交叉口停车线的时刻。
长短期记忆网络的训练过程为：
通过随机更改SPaT实际信息中30％的数据获得用于模拟网络攻击发生的SPaT模拟信息，利用SPaT模拟信息和SPaT估计信息训练长短期记忆网络。
SPaT模拟信息和SPaT估计信息各包含3个特征，将SPaT模拟信息、SPaT估计信息以及SPaT模拟信息和SPaT估计信息的差和比差作为训练集，对长短期记忆网络进行训练，该训练集具有12个特征，实现特征延伸，丰富训练集，提高长短期记忆网络的预测精度。
有效红灯时间的求解过程具体为：
如图4，根据网联车轨迹数据绘制d-t图，d-t图的纵坐标为网联车的延误时长d，横坐标为时刻t，通过曲线拟合获得各个周期的延误时长曲线，延误时长曲线与其所在周期初始时刻的纵轴的交点纵坐标St即为有效红灯时间St。
实施例2
本实施例中，长短期记忆网络包括依次连接的第一前馈神经网络层、第一长短期记忆网络层、第二长短期记忆网络层和第二前馈神经网络层。其它与实施例1相同。
实施例3
与实施例1对应的一种车联网网联交叉口网络攻击检测系统，包括网联信息估计模块、网联信息采集模块和网络攻击检测模块：
网联信息估计模块用于通过估计步骤获取SPaT估计信息，网联信息采集模块用于采集SPaT实际信息和网联车轨迹数据，网络攻击检测模块用于将SPaT估计信息和SPaT实际信息输入训练好的长短期记忆网络，获得网联交叉口受到网络攻击的概率；
其中，网联信息估计模块包括周期分割单元、周期断点计算单元和红灯时间计算单元，估计步骤具体为：
周期分割单元通过二维支持向量机对网联车轨迹数据进行分割，确定首端网联车、末端网联车和周期断点区间，首端网联车为车道信号显示时间序列的一个周期内第一辆进入该交叉口的网联车，末端网联车为首端网联车的前一辆车，周期断点区间为末端网联车和该末端网联车后一辆首端网联车先后通过交叉口停车线的时刻区间；
周期断点计算单元通过迭代夹逼法检测周期断点区间内缺失的周期的个数，根据该个数通过最优化方程计算车道信号显示时间序列的初始时刻及周期时长；
红灯时间计算单元根据车道信号显示时间序列的初始时刻、周期时长以及网联车轨迹数据求解有效红灯时间；
长短期记忆网络的训练过程为：
通过随机更改SPaT实际信息中30％的数据获得用于模拟网络攻击发生的SPaT模拟信息，利用SPaT模拟信息和SPaT估计信息训练长短期记忆网络。
SPaT模拟信息和SPaT实际信息各包含3个特征，将SPaT模拟信息、SPaT实际信息以及SPaT模拟信息和SPaT实际信息的差和比差作为训练集，对长短期记忆网络进行训练，该训练集具有12个特征，实现特征延伸，丰富训练集，提高长短期记忆网络的预测精度。
迭代夹逼法具体为：
设定周期长度范围和周期个数范围，周期长度范围为30s～180s，周期个数范围为0～99，通过减小周期长度获得周期个数最大值，通过增大周期长度获得周期个数最小值，当周期个数最大值和周期个数最小值之间只存在1个整数时，该整数即周期断点区间内缺失的周期的个数。
最优化方程具体为：
Figure BDA0002771898830000091
Figure BDA0002771898830000092
Figure BDA0002771898830000093
Figure BDA0002771898830000097
Figure BDA0002771898830000094
其中，t0为车道信号显示时间序列的初始时刻，C为周期时长，mn为第n个周期前的周期断点区间内的周期个数，
Figure BDA0002771898830000095
为第n个周期的末端网联车通过交叉口停车线的时刻，
Figure BDA0002771898830000096
为第n+1个周期的首端网联车通过交叉口停车线的时刻。
有效红灯时间的求解过程具体为：
如图4，红灯时间计算单元根据网联车轨迹数据绘制d-t图，d-t图的纵坐标为网联车的延误时长d，横坐标为时刻t，通过曲线拟合获得各个周期的延误时长曲线，延误时长曲线与其所在周期初始时刻的纵轴的交点纵坐标即为有效红灯时间St。
实施例1、实施例2和实施例3提出了一种车联网网联交叉口网络攻击检测方法及系统，首先依次通过模糊周期分割、周期断点检测和估计有效红灯时长，获得SPaT估计信息，再实时获取SPaT实际信息，再将SPaT估计信息和SPaT实际信息输入训练好的SPaT实际信息，获得网联交叉口受到网络攻击的概率，可及时、准确地预估网络攻击的概率，网联车可根据概率作出相应的应对措施，具有低渗透率的容错功能，有效提高V2I系统中网联交叉口的信控信息安全。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (7)

1.一种车联网网联交叉口网络攻击检测方法，其特征在于，具体为：
通过估计步骤获取SPaT估计信息，采集SPaT实际信息，将SPaT估计信息和SPaT实际信息输入训练好的长短期记忆网络，获得网联交叉口受到网络攻击的概率；
其中，所述的SPaT估计信息包括车道信号显示时间序列的初始时刻、周期时长以及有效红灯时间，所述的估计步骤具体为：
获取网联车轨迹数据，对网联车轨迹数据进行分割，确定首端网联车、末端网联车和周期断点区间，所述的首端网联车为车道信号显示时间序列的一个周期内第一辆进入该交叉口的网联车，所述的末端网联车为首端网联车的前一辆车，所述的周期断点区间为末端网联车和该末端网联车后一辆首端网联车先后通过交叉口停车线的时刻区间；
通过迭代夹逼法检测周期断点区间内缺失的周期的个数，根据该个数通过最优化方程计算车道信号显示时间序列的初始时刻及周期时长；
根据车道信号显示时间序列的初始时刻、周期时长以及网联车轨迹数据求解有效红灯时间；
所述的迭代夹逼法具体为：
设定周期长度范围和周期个数范围，通过减小周期长度获得周期个数最大值，通过增大周期长度获得周期个数最小值，当周期个数最大值和周期个数最小值之间只存在1个整数时，该整数即周期断点区间内周期的个数；
所述的最优化方程具体为：
Figure FDA0003164313020000011
Figure FDA0003164313020000012
Figure FDA0003164313020000013
Figure FDA0003164313020000014
Figure FDA0003164313020000015
其中，t0为车道信号显示时间序列的初始时刻，C为周期时长，mn为第n个周期前的周期断点区间内的周期个数，
Figure FDA0003164313020000016
为第n个周期的末端网联车通过交叉口停车线的时刻，
Figure FDA0003164313020000021
为第n+1个周期的首端网联车通过交叉口停车线的时刻。
2.根据权利要求1所述的一种车联网网联交叉口网络攻击检测方法，其特征在于，所述的长短期记忆网络的训练过程为：
通过更改SPaT实际信息中设定比例的数据获得SPaT模拟信息，利用SPaT模拟信息和SPaT估计信息训练长短期记忆网络。
3.根据权利要求2所述的一种车联网网联交叉口网络攻击检测方法，其特征在于，将SPaT模拟信息、SPaT估计信息以及SPaT模拟信息和SPaT估计信息的差和比差作为训练集，对长短期记忆网络进行训练。
4.根据权利要求1所述的一种车联网网联交叉口网络攻击检测方法，其特征在于，所述的长短期记忆网络包括依次连接的第一前馈神经网络层、第一长短期记忆网络层、第二长短期记忆网络层和第二前馈神经网络层。
5.根据权利要求1所述的一种车联网网联交叉口网络攻击检测方法，其特征在于，所述的有效红灯时间的求解过程具体为：
根据网联车轨迹数据绘制d-t图，所述的d-t图的纵坐标为网联车的延误时长，横坐标为时刻，通过曲线拟合获得各个周期的延误时长曲线，所述的延误时长曲线与其所在周期初始时刻的纵轴的交点纵坐标即为有效红灯时间。
6.根据权利要求1所述的一种车联网网联交叉口网络攻击检测方法，其特征在于，通过二维支持向量机对网联车轨迹数据进行分割。
7.一种车联网网联交叉口网络攻击检测系统，其特征在于，包括：
网联信息估计模块，用于通过估计步骤获取SPaT估计信息；
网联信息采集模块，用于采集SPaT实际信息和网联车轨迹数据；
网络攻击检测模块，用于将SPaT估计信息和SPaT实际信息输入训练好的长短期记忆网络，获得网联交叉口受到网络攻击的概率；
其中，所述的网联信息估计模块包括周期分割单元、周期断点计算单元和红灯时间计算单元，所述的估计步骤具体为：
所述的周期分割单元通过二维支持向量机对网联车轨迹数据进行分割，确定首端网联车、末端网联车和周期断点区间，所述的首端网联车为车道信号显示时间序列的一个周期内第一辆进入该交叉口的网联车，所述的末端网联车为首端网联车的前一辆车，所述的周期断点区间为末端网联车和该末端网联车后一辆首端网联车先后通过交叉口停车线的时刻区间；
所述的周期断点计算单元通过迭代夹逼法检测周期断点区间内缺失的周期的个数，根据该个数通过最优化方程计算车道信号显示时间序列的初始时刻及周期时长；
所述的红灯时间计算单元根据车道信号显示时间序列的初始时刻、周期时长以及网联车轨迹数据求解有效红灯时间；
所述的长短期记忆网络的训练过程为：
所述的网络攻击检测模块通过更改SPaT实际信息中设定比例的数据获得SPaT模拟信息，利用SPaT模拟信息和SPaT估计信息训练长短期记忆网络；
所述的迭代夹逼法具体为：
所述的周期断点计算单元设定周期长度范围和周期个数范围，通过减小周期长度获得周期个数最大值，通过增大周期长度获得周期个数最小值，当周期个数最大值和周期个数最小值之间只存在1个整数时，该整数即周期断点区间内周期的个数；
所述的最优化方程具体为：
Figure FDA0003164313020000031
Figure FDA0003164313020000032
Figure FDA0003164313020000033
Figure FDA0003164313020000034
Figure FDA0003164313020000035
其中，t0为车道信号显示时间序列的初始时刻，C为周期时长，mn为第n个周期前的周期断点区间内的周期个数，
Figure FDA0003164313020000036
为第n个周期的末端网联车通过交叉口停车线的时刻，
Figure FDA0003164313020000037
为第n+1个周期的首端网联车通过交叉口停车线的时刻。
CN202011252069.5A 2020-11-11 2020-11-11 一种车联网网联交叉口网络攻击检测方法及系统 Active CN112491814B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011252069.5A CN112491814B (zh) 2020-11-11 2020-11-11 一种车联网网联交叉口网络攻击检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011252069.5A CN112491814B (zh) 2020-11-11 2020-11-11 一种车联网网联交叉口网络攻击检测方法及系统

Publications (2)

Publication Number Publication Date
CN112491814A CN112491814A (zh) 2021-03-12
CN112491814B true CN112491814B (zh) 2021-10-08

Family

ID=74929507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011252069.5A Active CN112491814B (zh) 2020-11-11 2020-11-11 一种车联网网联交叉口网络攻击检测方法及系统

Country Status (1)

Country Link
CN (1) CN112491814B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106910351A (zh) * 2017-04-19 2017-06-30 大连理工大学 一种基于深度强化学习的交通信号自适应控制方法
CN106981195A (zh) * 2017-05-18 2017-07-25 重庆大学 基于公交gps数据的交叉口信号配时参数估计方法
CN108335509A (zh) * 2018-03-16 2018-07-27 北京航空航天大学 一种基于机器视觉的车路协同系统和方法
CN109348423A (zh) * 2018-11-02 2019-02-15 同济大学 一种基于抽样轨迹数据的干道协调控制优化方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3267418A1 (en) * 2016-07-06 2018-01-10 Volvo Car Corporation A method for performing a real time analysis of traffic light related data
EP3383075B1 (en) * 2017-03-30 2020-04-29 LG Electronics Inc. Communication apparatus for vehicle
JP7045288B2 (ja) * 2018-01-22 2022-03-31 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ データ解析装置、データ解析方法及びプログラム
US20190356685A1 (en) * 2018-05-18 2019-11-21 GM Global Technology Operations LLC Detection and localization of attack on a vehicle communication network
KR20190098094A (ko) * 2019-07-31 2019-08-21 엘지전자 주식회사 자율주행시스템에서 차량이 수신한 메시지의 유효성을 판단하는 방법 및 이를 위한 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106910351A (zh) * 2017-04-19 2017-06-30 大连理工大学 一种基于深度强化学习的交通信号自适应控制方法
CN106981195A (zh) * 2017-05-18 2017-07-25 重庆大学 基于公交gps数据的交叉口信号配时参数估计方法
CN108335509A (zh) * 2018-03-16 2018-07-27 北京航空航天大学 一种基于机器视觉的车路协同系统和方法
CN109348423A (zh) * 2018-11-02 2019-02-15 同济大学 一种基于抽样轨迹数据的干道协调控制优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Eco approaching at an isolated signalized intersection under partially connected and automated vehicles environment;Hu Jia;《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》;20170731;第290-307页 *
Estimating Phase Duration for SPaT Messages;Shahana Ibrahim;《IEEE Transactions on Intelligent Transportation Systems》;20181019;第2668-2676页 *
Estimating signal phase and timing for traffic actuated intersections based on low frequency Floating Car Data;Steffen Axer;《2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC)》;20161226;全文 *

Also Published As

Publication number Publication date
CN112491814A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN112700470B (zh) 一种基于交通视频流的目标检测和轨迹提取方法
Sen et al. Horn-ok-please
CN104537889B (zh) 一种不同车况下的防撞方法和系统
CN104157156B (zh) 一种高速公路危险路段车速动态管理预警方法
CN108492562A (zh) 基于定点检测与电警数据融合的交叉口车辆轨迹重构方法
CN103258430A (zh) 路段旅行时间统计、以及交通路况判定方法和装置
CN113593273A (zh) 一种基于v2i通信的无信号控制道路交叉口碰撞预警方法
CN107204115B (zh) 干线车流停车率估计方法
CN104778834A (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN103456175A (zh) 基于车辆号牌识别和网格化监控的伴随车实时检测方法
CN112085950B (zh) 交通状态判别指标的估计方法、系统、存储介质及应用
CN100466010C (zh) 异类交通信息实时融合方法
CN111325978A (zh) 一种高速公路车辆异常行为的全程监测警示系统和方法
CN114454878B (zh) 车速控制模型训练样本的确定方法及装置
CN110428621A (zh) 一种基于轨迹数据的浮动车危险驾驶行为监测与预警方法
CN110444015A (zh) 基于无信号十字路口分区的智能网联汽车速度决策方法
CN113192327A (zh) 兼顾交通流和个体的道路运行风险主动防控系统及方法
CN113851017A (zh) 一种基于路侧rsu的行人车辆识别预警多功能系统
US20240046787A1 (en) Method And System For Traffic Clearance At Signalized Intersections Based On Lidar And Trajectory Prediction
CN105574502A (zh) 一种自助发卡机违章行为自动检测方法
CN111754780A (zh) 一种基于拥堵指数的判断路段拥堵程度的方法
CN111882858A (zh) 一种基于多源数据的高速公路异常事件排队长度预测方法
CN216357337U (zh) 一种智能网联研究测试装置
CN112491814B (zh) 一种车联网网联交叉口网络攻击检测方法及系统
Dong et al. Determining E-bike drivers’ decision-making mechanisms during signal change interval using the hidden Markov driving model

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