CN113722982A - 一种基于多模型融合的汽车传感器攻击检测与防御方法 - Google Patents

一种基于多模型融合的汽车传感器攻击检测与防御方法 Download PDF

Info

Publication number
CN113722982A
CN113722982A CN202110912649.0A CN202110912649A CN113722982A CN 113722982 A CN113722982 A CN 113722982A CN 202110912649 A CN202110912649 A CN 202110912649A CN 113722982 A CN113722982 A CN 113722982A
Authority
CN
China
Prior art keywords
data
prediction
value
automobile
sensor
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.)
Pending
Application number
CN202110912649.0A
Other languages
English (en)
Inventor
洪榛
刘涛
刘利松
傅金波
周磊强
李雄
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202110912649.0A priority Critical patent/CN113722982A/zh
Publication of CN113722982A publication Critical patent/CN113722982A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

一种基于多模型融合的汽车传感器攻击检测与防御方法，对Carsim与MATLAB\Simulink联合仿真采集的数据进行预处理，先利用SVC、LSTM的分类功能对汽车的驾驶工况进行判断，准确识别所处工况后再利用AR、RNN、LSTM来训练汽车传感器数据，损失函数满足条件时终止训练并保存好各自的模型，之后将训练好的模型在测试集上进行验证。利用窗口累计误差的方法判断当前传感器是否受到攻击。若传感器受到攻击，则使用预测值替换传感器的实际值进入控制单元进行运算，以此来进行防御。本发明提高了识别复杂驾驶工况的准确率，提高了对汽车传感器的攻击检测的准确率和防御的成功率。

Description

一种基于多模型融合的汽车传感器攻击检测与防御方法
技术领域
本发明涉及一种基于多模型融合的汽车传感器攻击检测与防御方法，属于安全领域。
背景技术
为了让汽车提供了更多的功能以及安全保障，传感器得到广泛应用，但传感器在一定程度上易遭受物理攻击，一旦传感器被攻击会导致汽车控制系统接收数据的错误，将可能造成无法预知的后果，产生严重的安全隐患。当车载传感器遭受到攻击时，如果系统可以在第一时间内进行识别，并且采取相应补救措施，将会降低交通事故的发生率，保护人民人身安全。
为了有效保障汽车安全行驶，目前许多技术人员已经将深度学习的方法应用于自动高效的检测和防御汽车受到的攻击问题上，但是大多数是应用于CAN总线上，很少有人将深度学习的方法应用到汽车传感器的攻击检测与防御上。单个的LSTM模型在多种复杂的驾驶工况下会存在一定的局限性，本发明提出的多模型融合方法：分类模型(SVC、LSTM)、回归预测模型(LSTM、AR、RNN)，不仅提高了识别复杂驾驶工况的准确率，也提高了对汽车传感器攻击检测的准确率和防御的成功率。
虽然LSTM在解决分类与回归问题上都具有较好的表现，但是单个的LSTM模型在多种复杂的驾驶工况下会存在一定的局限性，导致汽车传感器受到非侵入式攻击时检测和防御效果有所下降，此处提到的攻击类型为高频声波攻击，具体为通过高频声波与MEMS陀螺仪产生的谐振，使得MEMS陀螺仪产生异常数据。因此本发明提出了一种基于多模型融合的汽车传感器攻击检测与防御方法，首先利用SVC、LSTM的分类功能对汽车的驾驶工况进行识别，准确识别所处工况后再利用AR、RNN、LSTM的回归功能对汽车传感器的实时数据进行预测，根据以上三种模型在不同工况的不同速度下预测传感器数据的准确性程度进行预测值权重的分配，通过基于阈值的方法实时比较实际值与预测值，对汽车传感器受到的攻击进行防御。此外，目前国内外很少有人涉及到基于多模型融合的汽车传感器的攻击检测与防御的研究，本发明具有一定的前瞻性。
发明内容
本发明要克服现有技术的上述缺点，提供基于多模型融合的汽车传感器攻击检测与防御方法。
本发明采用的技术方案为：
一种基于多模型融合的汽车传感器攻击检测与防御方法，对Carsim与MATLAB\Simulink联合仿真采集的数据进行预处理，先利用SVC、LSTM的分类功能对汽车的驾驶工况进行判断，准确识别所处工况后再利用AR、RNN、LSTM来训练汽车传感器数据，损失函数满足条件时终止训练并保存好各自的模型，之后将训练好的模型在测试集上进行验证。利用窗口累计误差的方法判断当前传感器是否受到攻击。若传感器受到攻击，则使用预测值替换传感器的实际值进入控制单元进行运算，以此来进行防御，具体包括以下步骤：
步骤1：利用Carsim与MATLAB\Simulink进行联合仿真，采集不同速度下的多种驾驶工况数据：车速V、横摆角速度AVz、侧向加速度Ay、方向盘转角Steer_SW；
步骤2：对数据集进行预处理：
步骤2-1：检查采集的数据集中数据的完整性，若有缺失值则进行修补；
步骤2-2：将数据集中的数据按如下公式进行归一化处理：
Figure BDA0003204391310000021
式中，X*代表归一化后的数据，X代表归一化之前的数据，Xmin代表汽车某一传感器在当前数据序列中的最小值，Xmax代表汽车某一传感器在当前数据序列中的最大值；
步骤2-3：本发明主要针对多个复杂的驾驶工况进行八分类，主要通过方向盘转角Steer_SW的不同时，对汽车三个传感器数据：横摆角速度AVz、侧向加速度Ay、方向盘转角Steer_SW按汽车驾驶工况的不同分将“直线”标记为0，“左换道”标记为1，“右换道”标记为2，“左连续换道”标记为3，“右连续换道”标记为4，“左直角转弯”标记为5，“右直角转弯”标记为6，“掉头”标记为7，将标签和其他特征属性分开存放；
步骤3：对数据集进行选择与分割：
步骤3-1：将步骤2中预处理后的多种驾驶工况下汽车行驶开始时极短时间T(0.5s)的传感器数据的作为分类样本；
步骤3-2：引入数据分割算法，对数据集进行等间距分割处理，扩充数据集样本容积；
步骤3-3：重复步骤3-2，将所有分割的数据合并为一个大样本，命名为分类样本数据集Classify_data；
步骤3-4：将步骤1中所采集到的传感器数据车速V、横摆角速度AVz、方向盘转角Steer_SW的全部数据集单独保存，命名为检测样本数据集Prediction_data；
步骤4：利用多模型融合算法在不同驾驶工况进行训练：
步骤4-1：选取步骤3-3中的数据集Classify_data的70％作为训练集进行分类训练，使用步骤3-3中的数据集Classify_data中的一部分作为测试集，使用softmax函数作为激活函数；
步骤4-2：分类精度的评价指标使用Accuracy与Error_rate表示:
Figure BDA0003204391310000031
Figure BDA0003204391310000032
式中，TP表示真实类别为正例，预测类别为正例；TN表示真实类别为负例，预测类别为负例，P代表正例总数、N代表负例总数；FP表示真实类别为负例，预测类别为正例；FN表示真实类别为正例，预测类别为负例；
步骤4-3：选取步骤3-4中的数据集Prediction_data的一部分作为训练集进行回归预测训练，使用步骤3-4中的数据集Prediction_data中的一部分作为测试集，使用linear函数作为激活函数；
步骤4-4：回归预测采用滑动时间窗口的方式，将下一个时间点的数值作为上一个时间点样本的训练标签，回归模型可以根据步骤3-4中Prediction_data中的前一段序列
Figure BDA0003204391310000033
预测出下一时刻(t)的预测值
Figure BDA0003204391310000034
即将前t-1个数据作为输入数据被依次送入模型的输入层，下一个时刻的预测值
Figure BDA0003204391310000035
只依赖于
Figure BDA0003204391310000036
设定回归预测模型中的LSTM、AR、RNN的输出预测值X(L)、X(A)、X(R)，预测值的权重由如下公式得出，其中
Figure BDA0003204391310000037
表示t时刻的实际值：
Figure BDA0003204391310000038
s.t.a(N-M)1+a(N-M)2+a(N-M)3＝1
Figure BDA0003204391310000039
式中，N代表工况，N的取值范围为0～7；M代表速度等级，设定车速范围为5Km/h～80Km/h，每5Km/h代表一个速度等级，即M取值范围为0～15。
步骤5：训练阶段：分类模型使用CrossEntropyLoss作为损失函数，优化算法选用adam，回归预测模型使用mse作为损失函数，优化算法选用rmsprop；
步骤6：当损失收敛到最小值时分别保存分类模型与回归预测模型；
步骤7：设计多模型融合算法；
步骤7-1：将步骤3-3中Classify_data的测试集作为分类模型的输入，设置SVC、LSTM的输出值的权重后进行求和，根据求和结果识别属于哪种驾驶工况；
步骤7-2：根据不同的驾驶工况选择步骤6中不同的回归预测模型，对步骤3-4中Prediction_data的测试集数据进行预测；
步骤8：计算当前时刻的预测值
Figure BDA0003204391310000041
与实际值
Figure BDA0003204391310000042
的误差et，利用窗口误差累计法来判断汽车传感器数据是否受到攻击；
步骤9：手动设定一个阈值W0，选取一个时间滑动窗口m，计算当前窗口下预测值与实际值的累计误差
Figure BDA0003204391310000043
并与W0进行比较。若大于W0，则判定t时刻的实际值判定为异常数据，即汽车传感器受到攻击。同时，使用预测值代替实际值进入下一窗口序列中输入到回归预测模型中参与计算，实现防御攻击的效果。
优选地，步骤3-1的极短时间T取0.5s。
优选地，步骤3-3中的数据集Classify_data中的30％作为测试集；步骤4-3中，选取步骤3-4中的数据集Prediction_data的70％作为训练集进行回归预测训练，使用步骤3-4中的数据集Prediction_data中的30％作为测试集。
优选地，步骤4-4中工况N的取值范围为0～7；速度等级M取值范围为0～15。
优选地，步骤7-1中设置SVC、LSTM的输出值的权重均为0.5后进行求和。
本发明相比现有技术，具有以下有益效果：
1、相比单模型识别驾驶工况，本发明提出的多模型融合提高了识别复杂驾驶工况的准确率；
2、相比单模型进行攻击检测、防御，本发明提出的多模型融合的方法提高了对汽车传感器的攻击检测的准确率和防御的成功率；
3、针对非侵入式的隐蔽攻击，本发明提出了有效的检测、防御方法，具有一定的实用性。
附图说明
图1是本发明的基于多模型融合的汽车传感器攻击检测与防御方法的流程图；
图2是本发明方法的滑动时间窗口示意图；
图3是本发明方法的预测替换机制示意图；
图4是本发明的基于多模型融合的汽车传感器攻击检测与防御方法的框架示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面结合附图和具体实施例，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于多模型融合的汽车传感器攻击检测与防御方法，如图1所示，包括数据预处理、数据集的选择与分割、分类模型训练、回归预测模型选择、攻击检测与防御。具体步骤如下：
步骤1：利用Carsim与MATLAB\Simulink进行联合仿真，采集不同速度下的多种驾驶工况数据：V(车速)、AVz(横摆角速度)、Ay(侧向加速度)、Steer_SW(方向盘转角)；
步骤2：对数据集进行预处理：
步骤2-1：检查采集的数据集中数据的完整性，若有缺失值则进行修补；
步骤2-2：将数据集中的数据按如下公式进行归一化处理：
Figure BDA0003204391310000051
式中，X*代表归一化后的数据，X代表归一化之前的数据，Xmin代表汽车某一传感器在当前数据序列中的最小值，Xmax代表汽车某一传感器在当前数据序列中的最大值；
步骤2-3：本发明主要针对多个复杂的驾驶工况进行八分类，主要通过Steer_SW(方向盘)角度的不同时，对汽车三个传感器数据：AVz(横摆角速度)、Ay(侧向加速度)、Steer_SW(方向盘转角)按汽车驾驶工况的不同分将“直线”标记为0，“左换道”标记为1，“右换道”标记为2，“左连续换道”标记为3，“右连续换道”标记为4，“左直角转弯”标记为5，“右直角转弯”标记为6，“掉头”标记为7，将标签和其他特征属性分开存放；
步骤3：对数据集进行选择与分割：
步骤3-1：将步骤2中预处理后的多种驾驶工况下汽车行驶开始时极短时间(0.5s)的传感器数据的作为分类样本；
步骤3-2：引入数据分割算法，对数据集进行等间距分割处理，扩充数据集样本容积；
步骤3-3：重复步骤3-2，将所有分割的数据合并为一个大样本，命名为分类样本数据集Classify_data；
步骤3-4：将步骤1中所采集到的传感器数据V(车速)、AVz(横摆角速度)、Steer_SW(方向盘转角)的全部数据集单独保存，命名为检测样本数据集Prediction_data；
步骤4：利用多模型融合算法在不同驾驶工况进行训练：
步骤4-1：选取步骤3-3中的数据集Classify_data的70％作为训练集进行分类训练，使用步骤3-3中的数据集Classify_data中的30％作为测试集，使用softmax函数作为激活函数；
步骤4-2：分类精度的评价指标使用Accuracy与Error_rate表示:
Figure BDA0003204391310000052
Figure BDA0003204391310000061
式中，TP表示真实类别为正例，预测类别为正例；TN表示真实类别为负例，预测类别为负例，P代表正例总数、N代表负例总数；FP表示真实类别为负例，预测类别为正例；FN表示真实类别为正例，预测类别为负例；
步骤4-3：选取步骤3-4中的数据集Prediction_data的70％作为训练集进行回归预测训练，使用步骤3-4中的数据集Prediction_data中的30％作为测试集，使用linear函数作为激活函数；步骤4-4：回归预测采用滑动时间窗口的方式，将下一个时间点的数值作为上一个时间点样本的训练标签，回归模型可以根据步骤3-4中Prediction_data中的前一段序列
Figure BDA0003204391310000062
预测出下一时刻(t)的预测值
Figure BDA0003204391310000063
即将前t-1个数据作为输入数据被依次送入模型的输入层，下一个时刻的预测值
Figure BDA0003204391310000064
只依赖于
Figure BDA0003204391310000065
设定回归预测模型中的LSTM、AR、RNN的输出预测值XL、XA、XR，预测值的权重由如下公式得出，其中
Figure BDA0003204391310000066
表示t时刻的实际值：
Figure BDA0003204391310000067
s.t.a(N-M)1+a(N-M)2+a(N-M)3＝1
Figure BDA0003204391310000068
式中，N代表工况，N的取值范围为0～7；M代表速度等级，设定车速范围为5Km/h～80Km/h，每5Km/h代表一个速度等级，即M取值范围为0～15。
步骤5：训练阶段：分类模型使用CrossEntropyLoss作为损失函数，优化算法选用adam，回归预测模型使用mse作为损失函数，优化算法选用rmsprop；
步骤6：当损失收敛到最小值时分别保存分类模型与回归预测模型；
步骤7：设计多模型融合算法；
步骤7-1：将步骤3-3中Classify_data的测试集作为分类模型的输入，设置SVC、LSTM的输出值的权重均为0.5后进行求和，根据求和结果识别属于哪种驾驶工况；
步骤7-2：根据不同的驾驶工况选择步骤6中不同的回归预测模型，对步骤3-4中Prediction_data的测试集数据进行预测；
步骤8：计算当前时刻的预测值
Figure BDA0003204391310000069
与实际值
Figure BDA00032043913100000610
的误差et，利用窗口误差累计法来判断汽车传感器数据是否受到攻击；
步骤9：手动设定一个阈值W0，选取一个时间滑动窗口m，计算当前窗口下预测值与实际值的累计误差
Figure BDA00032043913100000611
并与W0进行比较。若大于W0，则判定t时刻的实际值判定为异常数据，即汽车传感器受到攻击。同时，使用预测值代替实际值进入下一窗口序列中输入到回归预测模型中参与计算，实现防御攻击的效果。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (5)

1.一种基于多模型融合的汽车传感器攻击检测与防御方法，具体包括以下步骤：
步骤1：利用Carsim与MATLAB\Simulink进行联合仿真，采集不同速度下的多种驾驶工况数据：车速V、横摆角速度AVz、侧向加速度Ay、方向盘转角Steer_SW；
步骤2：对数据集进行预处理：
步骤2-1：检查采集的数据集中数据的完整性，若有缺失值则进行修补；
步骤2-2：将数据集中的数据按如下公式进行归一化处理：
Figure FDA0003204391300000011
式中，X*代表归一化后的数据，X代表归一化之前的数据，Xmin代表汽车某一传感器在当前数据序列中的最小值，Xmax代表汽车某一传感器在当前数据序列中的最大值；
步骤2-3：本发明主要针对多个复杂的驾驶工况进行八分类，主要通过方向盘Steer_SW角度的不同时，对汽车三个传感器数据：横摆角速度AVz、侧向加速度Ay、方向盘转角Steer_SW按汽车驾驶工况的不同分将“直线”标记为0，“左换道”标记为1，“右换道”标记为2，“左连续换道”标记为3，“右连续换道”标记为4，“左直角转弯”标记为5，“右直角转弯”标记为6，“掉头”标记为7，将标签和其他特征属性分开存放；
步骤3：对数据集进行选择与分割：
步骤3-1：将步骤2中预处理后的多种驾驶工况下汽车行驶开始时极短时间T(0.5s)的传感器数据的作为分类样本；
步骤3-2：引入数据分割算法，对数据集进行等间距分割处理，扩充数据集样本容积；
步骤3-3：重复步骤3-2，将所有分割的数据合并为一个大样本，命名为分类样本数据集Classify_data；
步骤3-4：将步骤1中所采集到的传感器数据车速V、横摆角速度AVz、方向盘转角Steer_SW的全部数据集单独保存，命名为检测样本数据集Prediction_data；
步骤4：利用多模型融合算法在不同驾驶工况进行训练：
步骤4-1：选取步骤3-3中的数据集Classify_data的70％作为训练集进行分类训练，使用步骤3-3中的数据集Classify_data中的一部分作为测试集，使用softmax函数作为激活函数；
步骤4-2：分类精度的评价指标使用Accuracy与Error_rate表示:
Figure FDA0003204391300000021
Figure FDA0003204391300000022
式中，TP表示真实类别为正例，预测类别为正例；TN表示真实类别为负例，预测类别为负例，P代表正例总数、N代表负例总数；FP表示真实类别为负例，预测类别为正例；FN表示真实类别为正例，预测类别为负例；
步骤4-3：选取步骤3-4中的数据集Prediction_data的一部分作为训练集进行回归预测训练，使用步骤3-4中的数据集Prediction_data中的一部分作为测试集，使用linear函数作为激活函数；
步骤4-4：回归预测采用滑动时间窗口的方式，将下一个时间点的数值作为上一个时间点样本的训练标签，回归模型可以根据步骤3-4中Prediction_data中的前一段序列
Figure FDA0003204391300000023
预测出下一时刻(t)的预测值
Figure FDA0003204391300000024
即将前t-1个数据作为输入数据被依次送入模型的输入层，下一个时刻的预测值
Figure FDA0003204391300000025
只依赖于
Figure FDA0003204391300000026
设定回归预测模型中的LSTM、AR、RNN的输出预测值X(L)、X(A)、X(R)，预测值的权重由如下公式得出，其中
Figure FDA0003204391300000027
表示t时刻的实际值：
Figure FDA0003204391300000028
s.t.a(N-M)1+a(N-M)2+a(N-M)3＝1
Figure FDA0003204391300000029
式中，N代表工况，N的取值范围为0～7；M代表速度等级，设定车速范围为5Km/h～80Km/h，每5Km/h代表一个速度等级，即M取值范围为0～15；
步骤5：训练阶段：分类模型使用CrossEntropyLoss作为损失函数，优化算法选用adam，回归预测模型使用mse作为损失函数，优化算法选用rmsprop；
步骤6：当损失收敛到最小值时分别保存分类模型与回归预测模型；
步骤7：设计多模型融合算法；
步骤7-1：将步骤3-3中Classify_data的测试集作为分类模型的输入，设置SVC、LSTM的输出值的权重后进行求和，根据求和结果识别属于哪种驾驶工况；
步骤7-2：根据不同的驾驶工况选择步骤6中不同的回归预测模型，对步骤3-4中Prediction_data的测试集数据进行预测；
步骤8：计算当前时刻的预测值
Figure FDA0003204391300000031
与实际值
Figure FDA0003204391300000032
的误差et，利用窗口误差累计法来判断汽车传感器数据是否受到攻击；
步骤9：手动设定一个阈值W0，选取一个时间滑动窗口m，计算当前窗口下预测值与实际值的累计误差
Figure FDA0003204391300000033
并与W0进行比较；若大于W0，则判定t时刻的实际值判定为异常数据，即汽车传感器受到攻击；同时，使用预测值代替实际值进入下一窗口序列中输入到回归预测模型中参与计算，实现防御攻击的效果。
2.如权利要求1所述的基于多模型融合的汽车传感器攻击检测与防御方法，其特征在于：步骤3-1的极短时间T取0.5s。
3.如权利要求1所述的基于多模型融合的汽车传感器攻击检测与防御方法，其特征在于：步骤3-3中的数据集Classify_data中的30％作为测试集；步骤4-3中，选取步骤3-4中的数据集Prediction_data的70％作为训练集进行回归预测训练，使用步骤3-4中的数据集Prediction_data中的30％作为测试集。
4.如权利要求1所述的基于多模型融合的汽车传感器攻击检测与防御方法，其特征在于：步骤4-4中工况N的取值范围为0～7；速度等级M取值范围为0～15。
5.如权利要求1所述的基于多模型融合的汽车传感器攻击检测与防御方法，其特征在于：步骤7-1中设置SVC、LSTM的输出值的权重均为0.5后进行求和。
CN202110912649.0A 2021-08-10 2021-08-10 一种基于多模型融合的汽车传感器攻击检测与防御方法 Pending CN113722982A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110912649.0A CN113722982A (zh) 2021-08-10 2021-08-10 一种基于多模型融合的汽车传感器攻击检测与防御方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110912649.0A CN113722982A (zh) 2021-08-10 2021-08-10 一种基于多模型融合的汽车传感器攻击检测与防御方法

Publications (1)

Publication Number Publication Date
CN113722982A true CN113722982A (zh) 2021-11-30

Family

ID=78675322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110912649.0A Pending CN113722982A (zh) 2021-08-10 2021-08-10 一种基于多模型融合的汽车传感器攻击检测与防御方法

Country Status (1)

Country Link
CN (1) CN113722982A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115453589A (zh) * 2022-08-19 2022-12-09 中国科学院深圳先进技术研究院 基于自动驾驶的攻击检测方法、终端设备以及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115453589A (zh) * 2022-08-19 2022-12-09 中国科学院深圳先进技术研究院 基于自动驾驶的攻击检测方法、终端设备以及存储介质

Similar Documents

Publication Publication Date Title
CN111104969B (zh) 一种无人驾驶车辆与周边车辆的碰撞可能性预判方法
CN111079342B (zh) 一种基于在线岩体等级分类的tbm掘进性能预测方法
CN110077398B (zh) 一种用于智能驾驶的危险处理方法
CN109871599B (zh) 一种无人驾驶车辆运行安全指数评价方法
CN109067773B (zh) 一种基于神经网络的车载can网络入侵检测方法及系统
CN112242059B (zh) 基于动机与风险评估的无人驾驶车辆智能决策方法
CN108313054A (zh) 自动驾驶自主换道决策方法和装置及自动驾驶车辆
CN112053589B (zh) 一种目标车辆换道行为自适应识别模型构建方法
Deng et al. Improved driving behaviors prediction based on fuzzy logic-hidden markov model (fl-hmm)
CN105069415A (zh) 车道线检测方法和装置
CN109878530B (zh) 识别车辆侧向行驶工况的方法和系统
Peng et al. Intelligent method for identifying driving risk based on V2V multisource big data
CN112793576A (zh) 一种基于规则与机器学习融合的换道决策方法及系统
CN110723152B (zh) 一种保障自动驾驶安全的人工智能检测方法、装置、设备或存储介质
CN113722982A (zh) 一种基于多模型融合的汽车传感器攻击检测与防御方法
CN108482385B (zh) 一种考虑交通环境复杂度的车载设备操作风险辨识方法
CN110610326A (zh) 一种基于驾驶数据的驾驶管理系统
CN110509925B (zh) 一种基于车联网数据的急转弯识别方法
CN105416290B (zh) 检测车距的方法和装置
CN112328651B (zh) 基于毫米波雷达数据统计特征的交通目标识别方法
CN113822593A (zh) 一种安全态势评估方法、装置、存储介质及电子设备
Ma et al. Lane change analysis and prediction using mean impact value method and logistic regression model
CN115731261B (zh) 基于高速公路雷达数据的车辆换道行为识别方法及系统
CN113255725B (zh) 基于两阶段lstm的汽车传感器攻击检测与修复方法
CN116451084B (zh) 一种用于驾驶风格识别模型的训练样本预处理方法

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