CN116069478A - 基于图神经网络的车载系统安全感知设计优化方法及设备 - Google Patents
基于图神经网络的车载系统安全感知设计优化方法及设备 Download PDFInfo
- Publication number
- CN116069478A CN116069478A CN202310211551.1A CN202310211551A CN116069478A CN 116069478 A CN116069478 A CN 116069478A CN 202310211551 A CN202310211551 A CN 202310211551A CN 116069478 A CN116069478 A CN 116069478A
- Authority
- CN
- China
- Prior art keywords
- message
- vehicle
- task
- mounted system
- messages
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5066—Algorithms for mapping a plurality of inter-dependent sub-tasks onto a plurality of physical CPUs
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Small-Scale Networks (AREA)
Abstract
本申请适用于智能网联汽车车载系统技术领域,提供了一种基于图神经网络的车载系统安全感知设计优化方法及设备,包括:获取车载系统功能的有向无环图;根据有向无环图构建节点特征矩阵和边邻接矩阵;将节点特征矩阵和边邻接矩阵输入图神经网络模型做前向传播计算,得到概率矩阵;通过贪心算法将多个任务成功映射到ECU上,并将概率矩阵转为任务映射标签矩阵;根据任务映射标签矩阵以及每个任务的优先级,对多个任务进行调度;根据任务调度结果计算车载系统功能的响应时间;对暴露在车载系统中总线上的消息使用最低位数的认证,提供初步的安全保障;利用冗余的系统时间进行二次安全增强。本申请能够解决车载系统早期阶段安全约束下的设计问题。
Description
技术领域
本申请属于智能网联汽车车载系统技术领域,尤其涉及一种基于图神经网络的车载系统安全感知设计优化方法及设备。
背景技术
随着人工智能(AI,Artificial Intelligence)、先进传感器和第四代移动通信技术(4G)/第五代移动通信技术(5G)等无线通信技术的发展与在汽车的广泛应用,汽车正朝着电动化、智能化、网联化和共享化方向迅速发展。车载电子系统集成了防抱死制动、自适应巡航控制等越来越多的功能应用,已演化成复杂的车载嵌入式系统。对计算和通信能力也提出了更高的要求。为执行功能任务,一些高档汽车部署了100多个电子控制单元(ECU),各ECU之间使用控制器域网(CAN,Controller Area Network)/CAN FD(CAN FD是CAN WithFlexible Data-Rate的缩写,可以理解成CAN协议的升级版)、串行通讯协议(Lin,LocalInterconnect Network)等总线和网关相互通信,构成了车载总线网络。汽车智能化的发展,功能的不断增加,对通信带宽的要求也越来越高,现有技术中提出了CAN总线的高带宽解决方案CAN FD,保留CAN总线主要特性的同时,将总线的最高传输速率提高到5 MBit/s以上,数据域长度增加到64字节,在汽车行业具有广阔的应用前景。随着汽车网联化发展,5G、蓝牙等无线通信接口在车载系统的应用也越来越多,与外界信息交互也不断增加,改善驾驶体验和交通安全的同时,也带了网络攻击的安全威胁。而CAN FD总线和CAN总线一样,在设计时并没有考虑信息安全。汽车一旦遭受攻击,可能会造成重大安全事故,加密或认证等安全机制的应用也成为了必要。
为节约硬件成本,多个功能任务可以映射到相同的ECU。怎样实现复杂功能任务到多个ECU的映射,实现任务和消息在满足时间约束下的正确调度,保证系统功能安全,是车载电子系统早期设计阶段要解决的重要问题。再考虑到车载电子系统的信息安全,增加认证机制会产生计算和通信开销,可能影响功能的时间约束。怎样在系统的早期设计阶段,满足任务和消息的响应时间约束下,尽可能的增加信息安全,成为了典型的多目标优化问题。目前研究提出的遗传算法、禁忌搜索等启发式优化算法和线性规划等确定性算法,在求解最优值、时间复杂度和求解规模等方面均存在一些不足之处。
可见,需要一种能在满足车载系统功能的响应时间约束下,考虑车载系统的信息安全性的设计优化方法,为车载电子系统早期阶段的开发提供理论参考。
发明内容
本申请实施例提供了一种基于图神经网络的车载系统安全感知设计优化方法及设备,可以解决车载系统早期阶段安全约束下的设计问题。
第一方面,本申请实施例提供了一种基于图神经网络的车载系统安全感知设计优化方法,包括:
获取车载系统功能的有向无环图;有向无环图中的多个节点与车载系统功能的多个任务一一对应,有向无环图中多个边与车载系统功能的多个消息一一对应;
根据有向无环图中的任务特征构建节点特征矩阵,并根据有向无环图中的消息特征构建边邻接矩阵;
将节点特征矩阵和边邻接矩阵输入图神经网络模型做前向传播计算,得到概率矩阵,概率矩阵用于表示多个任务中每个任务在车载系统的每个ECU中的映射概率;
通过贪心算法将多个任务成功映射到车载系统的ECU上,并根据映射结果将概率矩阵转为任务映射标签矩阵;
计算多个任务中每个任务的优先级,并根据任务映射标签矩阵以及每个任务的优先级,对多个任务进行调度,得到任务调度结果;
根据任务调度结果计算车载系统功能的响应时间;
若响应时间小于预设的截止时限,则在车载系统的每个消息中加入消息认证码,并基于任务调度结果和含有消息认证码的消息更新车载系统的响应时间;
若更新后的响应时间小于预设的截止时限,通过多轮扩大的方式扩大多个消息中至少部分消息的消息认证码的位数,直至车载系统更新后的响应时间大于或等于预设的截止时限;其中,在每一轮扩大的过程中只扩大多个消息中一个消息的消息认证码的位数,且在每一轮扩大后,基于任务调度结果和含有扩大位数后的消息认证码的消息更新车载系统的响应时间;
针对多个消息中的每个消息,将多轮扩大中倒数第二轮扩大结束后该消息的消息认证码的位数作为该消息的消息认证码的位数。
可选的,概率矩阵中的第行表示所述多个任务中第个任务在所述车载系统的不同ECU中的映射概率,所述概率矩阵中每一行映射概率的和为1,所述概率矩阵中的第列表示所述多个任务在所述车载系统的第个ECU中的映射概率;
,,表示所述车载系统中任务的数量,表示所述车载系统中ECU的数量。
可选的,贪心算法所采用的贪心准则为:
车载系统中每个ECU按照映射概率由大至小的顺序选择在该ECU中映射概率最高的任务;
车载系统的每个任务选择在映射概率最高的ECU中执行,且车载系统的每个任务只能在一个ECU中执行;
映射至同一ECU中的所有任务对应的WCET值之和小于或等于该ECU的最大可执行时间;其中,任务对应的WCET值表示该任务在该ECU中的最坏执行时间;
若多个任务中的任一任务在映射至车载系统的一ECU后,该ECU中的所有任务对应的WCET值之和大于该ECU的最大可执行时间,则该任务在除该ECU以外的其他ECU中选择映射概率最高的ECU执行。
可选的,通过贪心算法将多个任务成功映射到车载系统的ECU上,并根据映射结果将概率矩阵转为任务映射标签矩阵,包括:
通过多次映射的方式将多个任务成功映射到车载系统的ECU上;其中,在每一次映射的过程中,按照贪心准则对未成功映射到车载系统的ECU上任务进行映射;
针对多个任务中任一任务,若该任务成功映射到车载系统的一ECU上,则将概率矩阵中该任务对应的行中该ECU对应的映射概率修改为1,并将该任务对应的行中其他ECU对应的映射概率修改为0,得到任务映射标签矩阵。
可选的,通过多轮扩大的方式扩大多个消息中至少部分消息的消息认证码的位数,包括:
定义表示消息扩大消息认证码的位数时需额外调度长度的增量;消息为所述多个消息中的任一消息;
定义表示消息扩大消息认证码的位数时需要的WCTT增量;WCTT表示消息在所述车载系统中总线上的最坏传输时间;
定义表示消息的完成时刻和消息的验证时间的开始时刻之间的时间增量;
定义表示消息将扩大的消息认证码的位数;
将所述多个消息中满足如下条件的所有消息的集合作为第一消息集:
将所述多个消息中满足如下条件的所有消息的集合作为第二消息集:
表示所述预设的截止时限,表示所述车载系统的响应时间;
将所述多个消息中满足如下条件的所有消息作为第三消息集:
按照先第一消息集、再第二消息集、最后第三消息集的顺序,通过多轮扩大的方式扩大多个消息中至少部分消息的消息认证码的位数。
可选的,扩大第一消息集中所有消息的消息认证码的位数的过程为:
分多轮扩大第一消息集中所有消息的消息认证码的位数;其中,在每一轮扩大的过程中,从第一消息集中选择一未进行位数扩大的消息,并将该消息的消息认证码的位数扩大预设位数。
可选的,扩大第二消息集中所有消息的消息认证码的位数的过程为:
针对第二消息集中的每一消息,计算该消息对应的与之间差值,并计算差值与该消息对应的的比值;
分多轮扩大第二消息集中所有消息的消息认证码的位数;其中,在每一轮扩大的过程中,按照比值从高至低的顺序从第二消息集中选择一未进行位数扩大的消息,并将该消息的消息认证码的位数扩大预设位数。
可选的,扩大第三消息集中所有消息的消息认证码的位数的过程为:
针对第三消息集中的每一消息,计算该消息对应的与之间的比值;
分多轮扩大第三消息集中所有消息的消息认证码的位数;其中,在每一轮扩大的过程中,按照比值从高至低的顺序从第三消息集中选择一未进行位数扩大的消息,并将该消息的消息认证码的位数扩大预设位数。
第二方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的车载系统安全感知设计优化方法。
第三方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述的车载系统安全感知设计优化方法。
本申请的上述方案有如下的有益效果:
在本申请的实施例中,通过将车载系统的节点特征矩阵和边邻接矩阵输入图神经网络模型做前向传播计算,得到用于表示每个任务在每个ECU中的映射概率的概率矩阵,然后利用贪心算法将车载系统的任务成功映射到ECU上,并利用映射结果将概率矩阵转为任务映射标签矩阵,接着基于该任务映射标签矩阵和每个任务的优先级对任务进行调度,并基于任务调度结果计算车载系统的响应时间,若该响应时间小于预设的截止时限,则对车载系统中的每条消息使用最低位数的消息认证码,并更新车载系统的响应时间,此时若车载系统的响应时间仍小于预设的截止时限,则通过多轮扩大的方式扩大至少部分消息的消息认证码的位数,直至车载系统的响应时间达到预设的截止时限时,将多轮扩大中倒数第二轮扩大结束后各消息的消息认证码的位数作为,各消息的消息认证码的位数,从而在满足车载系统功能的响应时间约束下,尽可能的增加了认证的字节长度,提高了车载系统的安全性。
本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的基于图神经网络的车载系统安全感知设计优化方法的流程图;
图2为本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
针对目前车载系统的安全性欠佳的问题,本申请实施例提供了一种基于图神经网络的车载系统安全感知设计优化方法,该方法通过将车载系统的节点特征矩阵和边邻接矩阵输入图神经网络模型做前向传播计算,得到用于表示每个任务在每个ECU中的映射概率的概率矩阵,然后利用贪心算法将车载系统的任务成功映射到ECU上,并利用映射结果将概率矩阵转为任务映射标签矩阵,接着基于该任务映射标签矩阵和每个任务的优先级对任务进行调度,并基于任务调度结果计算车载系统的响应时间,若该响应时间小于预设的截止时限,则对车载系统中的每条消息使用最低位数的消息认证码,并更新车载系统的响应时间,此时若车载系统的响应时间仍小于预设的截止时限,则通过多轮扩大的方式扩大至少部分消息的消息认证码的位数,直至车载系统的响应时间达到预设的截止时限时,将多轮扩大中倒数第二轮扩大结束后各消息的消息认证码的位数作为,各消息的消息认证码的位数,从而在满足车载系统功能的响应时间约束下,尽可能的增加了认证的字节长度,提高了车载系统的安全性。
下面结合具体实施例对本申请提供的基于图神经网络的车载系统安全感知设计优化方法进行示例性的说明。
本申请实施例提供了一种基于图神经网络的车载系统安全感知设计优化方法,该方法可以由终端设备执行,也可以由应用于终端设备中的装置(比如芯片)来执行,下述实施例以该方法由终端设备执行为例。作为一种示例,该终端设备可以是平板,服务器或者笔记本电脑等,本申请实施例对此不做限定。
如图1所示,本申请实施例提供的基于图神经网络的车载系统安全感知设计优化方法包括如下步骤:
步骤11,获取车载系统功能的有向无环图。
上述有向无环图中的多个节点与车载系统功能的多个任务一一对应,有向无环图中多个边与车载系统功能的多个消息一一对应。在本申请的一些实施例中,可通过对车载系统中全部的功能进行分解和依赖性分析后,得到上述有向无环图。
步骤12,根据有向无环图中的任务特征构建节点特征矩阵,并根据有向无环图中的消息特征构建边邻接矩阵。
上述任务特征和消息特征均属于有向无环图中的图形特征,具体可对有向无环图进行图形特征的提取得到。为便于后文描述,节点特征矩阵称之为F,边邻接矩阵称之为A。
步骤13,将节点特征矩阵和边邻接矩阵输入图神经网络模型做前向传播计算,得到概率矩阵。
上述概率矩阵X(X∈RN×M)用于表示多个任务中每个任务在车载系统的每个ECU中的映射概率。具体的,概率矩阵中的第行表示多个任务中第个任务在车载系统的不同ECU中的映射概率,概率矩阵中每一行映射概率的和为1,概率矩阵中的第列表示多个任务在车载系统的第个ECU中的映射概率。
,,表示所述车载系统中任务的数量,表示车载系统中ECU的数量,R表示实数集。
在本申请的一些实施例中,上述图神经网络模型的结构可以采用常用的图神经网络模型的结构。具体的,该图神经网络模型包括两层图卷积层、随机失活(Dropout)层、修正线性单元(ReLU)激活层、一层全连接层以及Softmax分类器(Softmax为深度学习模型中类别概率的归一化函数,用于处理分类任务中初始输出结果)。其中,图卷积层内包含邻域聚合部分和线性变换层,领域聚合部分通过聚合任务自身和邻接任务的信息来更新该任务的特征表示,能有效提取车载系统中任务间的全局依赖关系,也就是说,在任务调度前,系统中任务的特征不再仅由自身表征,还由邻接任务表征;线性变换层对输入的车载系统中F和A进行线性组合以构成新的特征表示,由多维特征向量变换为二维特征向量。
值得一提的是,通过图神经网络模型聚合任务自身和邻接任务的特征信息来更新本任务的特征表示,以此提取任务与任务、任务与消息、消息与消息间的依赖关系,得到全局特征信息,提高了任务映射的准确性并减少了车载系统中总线(如CAN FD总线)上需传输的消息数量,进而便于后续对消息进行安全增强。
步骤14,通过贪心算法将多个任务成功映射到车载系统的ECU上,并根据映射结果将概率矩阵转为任务映射标签矩阵。
在本申请的一些实施例中,在将车载系统的所有任务映射到车载系统的ECU上时,每个ECU的利用率为每一列映射概率输出的阈值,ECU的利用率是指ECU中可执行多少任务的概率。
在本申请的一些实施例中,上述贪心算法所采用的贪心准则如下:
车载系统中每个ECU按照映射概率由大至小的顺序选择在该ECU中映射概率最高的任务;
车载系统的每个任务选择在映射概率最高的ECU中执行,且车载系统的每个任务只能在一个ECU中执行;
映射至同一ECU中的所有任务对应的WCET值之和小于或等于该ECU的最大可执行时间;其中,任务对应的WCET值表示该任务在该ECU中的最坏执行时间;
若多个任务中的任一任务在映射至车载系统的一ECU后,该ECU中的所有任务对应的WCET值之和大于该ECU的最大可执行时间,则该任务在除该ECU以外的其他ECU中选择映射概率最高的ECU执行。
在本申请的一些实施例中,基于上述贪心准则,上述步骤14的具体实现过程可以为:
通过多次映射的方式将多个任务成功映射到车载系统的ECU上。即,需要通过多轮映射才能将车载系统的所有任务映射到该车载系统ECU上。
其中,在每一次映射(即每轮映射)的过程中,按照贪心准则对未成功映射到车载系统的ECU上任务进行映射。针对多个任务中任一任务,若该任务成功映射到车载系统的一ECU上,则将概率矩阵中该任务对应的行中该ECU对应的映射概率修改为1,并将该任务对应的行中其他ECU对应的映射概率修改为0,得到任务映射标签矩阵。
即,在每一轮映射中,每个ECU会按照映射概率由大至小的顺序从未成功映射到车载系统的ECU上的任务中,选择一在该ECU中映射概率最高的任务;若不同ECU选择了相同的任务,由任务在不同ECU中的映射概率大小进行判断,任务在映射概率高的ECU中执行;若存在任务映射至某ECU后超过该ECU的最大可执行时间,那么该任务不能映射至该ECU,将去除该ECU后选择映射概率最高的ECU进行映射。
值得一提的是,通过利用上述贪心准则对任务进行映射,能提高任务映射的准确性,便于后续对消息进行安全增强,提升车载系统的安全性。
步骤15,计算多个任务中每个任务的优先级,并根据任务映射标签矩阵以及每个任务的优先级,对多个任务进行调度,得到任务调度结果。
在本申请的一些实施例中,计算任务的优先级的公式为:
其中,表示任务的优先级,当任务的映射结果不同时,任务优先级的计算结果不同,因此任务优先级是随着映射结果来动态调整的,表示任务在相应ECU(由任务映射标签矩阵确定该ECU)中的最坏执行时间(WCET),表示任务的后继任务集合,任务为任务的后继任务,任务执行完后将消息传输给任务,表示指示函数,当任务和在同一ECU中时为1,其它为0,表示消息在车载系统中总线(如CAN FD总线)上的最坏传输时间(WCTT),表示任务的优先级。
在本申请的一些实施例中,在各任务的优先级的基础上,按照车载系统中的所有任务的优先级对任务进行调度,能得到一个满足基本时序要求且总响应时间最短的调度结果。在一些场景中,可采用常用调度方法对各任务进行调度,得到任务调度结果。
步骤16,根据任务调度结果计算车载系统功能的响应时间。
在本申请的一些实施例中,车载系统功能的响应时间取决于车载系统中每个任务的开始时间和完成时间,以及每条消息的发送时间和接收时间。具体的,可根据以下传输消息选择原则和执行任务选择原则进行并行计算。
其中,传输消息选择原则为:当任务完成其执行时,该任务可以触发多个准备好的消息(即的直接后继消息);然后,这些消息将被添加到就绪消息集;最后,从就绪消息集合中选择优先级最高的消息进行传输。
在总线(如CAN FD总线)中,消息的开始时间取决于总线(如CANFD总线)的可用时间和任务的完成时间,即:
其中,avT(CANFD)表示CAN FD总线的可用时间;只要消息在CAN FD总线中完成传输,avT(CANFD)执行相应的更新,更新值为消息在此CAN FD总线上的完成时间,表示任务的完成时间;然后计算出CAN FD总线中的完成时间,即:
执行任务选择原则为:一种情况是,当消息完成传输时,任务接收到消息后直接执行;另一种情况是,当任务完成其执行时,和将被分配给同一个ECU,当接收完mpre()中所有直接前驱消息时,才可以选择进行执行。其中,mpre()表示任务的直接前驱消息集合。
任务的开始时间ST()取决于ECU中的可用时间和mpre()中所有直接前驱消息的完成时间值,即:
其中,avT(ECU)表示ECU中的可用时间;只要一个任务在ECU中完成其执行,avT(ECU)执行相应的更新,更新的值是该任务在ECU上的完成时间,FT()表示的完成时间;然后计算ECU 中任务的完成时间FT(),即:
表示任务的开始时间,表示任务在ECU中的最坏执行时间。
步骤17,若响应时间小于预设的截止时限,则在车载系统的每个消息中加入消息认证码,并基于任务调度结果和含有消息认证码的消息更新车载系统的响应时间。
在本申请的一些实施例中,上述预设的截止时限可以为满足车载系统功能的响应时间,上述消息认证码主要用于对消息进行安全增强,提升车载系统的安全性,且步骤17中的消息认证码为最低位数(如4比特)的消息认证码。在一些具体的实施例中,该消息认证码可以为MAC算法计算得到的MAC值,MAC算法(Message Authentication Codes)为带秘密密钥的哈希(Hash)函数。需要说明的是,在各消息中添加消息认证码后,需基于添加消息认证码后的所有消息以及步骤15得到的任务调度结果,更新车载系统的响应时间(即重新计算车载系统的响应时间,具体的计算方式与步骤16的计算方式相同)。
在一些应用场景中,使用消息认证码对消息进行安全增强的过程如下:
假设ECU间共享密钥,使用MAC机制进行身份验证,ECU x1和ECU x2间发送消息时将共享秘钥和有效载荷作为MAC算法的输入,计算MAC值,附加到有效载荷末端以形成新的有效载荷,其中,“+”表示连接操作。
当接收端ECU接收到发送的有效载荷时,将其身份验证码分离得到原始的有效载荷,其中,“—”表示分离操作。使用有效载荷和共享秘钥计算新的身份验证码。当和相等时,ECU身份认证成功;否则遭受到了伪装攻击。
需要说明的是,在车载系统的每个消息中加入消息认证码的过程中,任务执行完成后将消息给后继任务,若任务和被映射至同一ECU中,两任务在同一ECU内部传输消息,此时为安全传输,不需要添加消息认证码进行安全保护;若任务和被映射至不同ECU中,两任务需借助总线(如CAN FD总线)传输消息,此时容易遭受伪装攻击,需添加消息认证码的最低位数进行安全保护。即,可只对在总线上进行传输的消息添加消息认证码。
步骤18,若更新后的响应时间小于预设的截止时限,通过多轮扩大的方式扩大多个消息中至少部分消息的消息认证码的位数,直至车载系统更新后的响应时间大于或等于预设的截止时限。
其中,在每一轮扩大的过程中只扩大多个消息中一个消息的消息认证码的位数,且在每一轮扩大后,基于任务调度结果和含有扩大位数后的消息认证码的消息更新车载系统的响应时间。
在本申请的一些实施例中,当使用最低位数的消息认证码进行安全增强后,车载系统的响应时间仍小于预设的截止时限,则利用冗余的系统时间进行二次安全增强,以提高车载系统的安全性。
需要说明的是,二次安全增强是通过多轮扩大消息验证码的位数的方式实现的,且在每一轮扩大某个消息的消息认证码的位数后,需基于该轮扩大消息认证码位数后的所有消息以及步骤15得到的任务调度结果,更新车载系统功能的响应时间(即重新计算车载系统功能的响应时间,具体的计算方式与步骤16的计算方式相同)。
步骤19,针对多个消息中的每个消息,将多轮扩大中倒数第二轮扩大结束后该消息的消息认证码的位数作为该消息的消息认证码的位数。
在本申请的一些实施例中,为在满足车载系统功能的响应时间约束下,提高车载系统的安全性,需将多轮扩大中倒数第二轮扩大结束后各消息的消息认证码的位数作为,各自的消息认证码的位数。
示例性的,假设在执行完第10轮扩大过程后,车载系统更新后的响应时间大于或等于预设的截止时限,则将第9轮扩大结束后各消息的消息认证码的位数作为,各自的消息认证码的位数。
值得一提的是,本申请的上述方法实现了任务和ECU之间的最优映射,从而减少了延迟和总线需传输消息的数量,通过将消息认证码应用于最优任务映射后在CAN FD总线传输的消息,保证消息的认证率为100%。利用冗余的系统响应时间进行二次安全增强,实现了更加有效的安全性能。同时,不需要修改或增加硬件来实现该方法的方案。
下面结合具体实施例对上述步骤18的具体实现方式进行说明。
在本申请的一些实施例中,可先定义、、、等参数,消息可以为多个消息中的任一消息。
其中,表示消息扩大消息认证码的位数时需额外调度长度的增量;当消息扩大消息认证码的位数使时,若此时WCTT的增加在该消息传输完成时间(此处可以理解为完成时刻)和该消息的验证时间Vi的开始时间(可以理解为开始时刻)之间的时间增量内,此时不会有额外的调度长度的增量,即,。
表示消息扩大消息认证码的位数时需要的WCTT增量,WCTT表示消息在车载系统中总线上的最坏传输时间。,表示消息的下一个WCTT值,表示消息的当前WCTT值。
表示消息的完成时刻M_FT和消息的验证时间的开始时刻Vi_ST之间的时间增量。。
定义表示消息将扩大的消息认证码的位数。,表示消息的下一个消息认证码的位数,表示消息的当前消息认证码的位数。
基于上述定义,上述步骤18中,通过多轮扩大的方式扩大多个消息中至少部分消息的消息认证码的位数的具体实现方式包括如下步骤:
将多个消息中满足如下条件的所有消息的集合作为第一消息集:
将多个消息中满足如下条件的所有消息的集合作为第二消息集:
表示所述预设的截止时限,表示所述车载系统的响应时间;
将多个消息中满足如下条件的所有消息作为第三消息集:
按照先第一消息集、再第二消息集、最后第三消息集的顺序,通过多轮扩大的方式扩大多个消息中至少部分消息的消息认证码的位数。即,在多轮扩大中,先对第一消息集中的消息的消息认证码的位数进行扩大,然后再对第二消息集中的消息的消息认证码的位数进行扩大,最后对第三消息集中的消息的消息认证码的位数进行扩大,直至车载系统的响应时间大于或等于预设的截止时限。
可以理解的是,在对第一消息集中的消息的消息认证码的位数进行扩大时,第一消息集中各消息没有先后顺序。即,扩大第一消息集中所有消息的消息认证码的位数的过程可以为:
分多轮扩大第一消息集中所有消息的消息认证码的位数;其中,在每一轮扩大的过程中,从第一消息集中选择一未进行位数扩大的消息,并将该消息的消息认证码的位数扩大预设位数。
在对第二消息集中的消息的消息认证码的位数进行扩大时,需通过公式计算第二消息集中各消息的安全等级,然后按照安全等级从高至低的顺序,逐轮对各消息的消息认证码的位数进行扩大。具体的,扩大第二消息集中所有消息的消息认证码的位数的过程可以为:
首先,针对第二消息集中的每一消息,计算该消息对应的与之间差值,并计算差值与该消息对应的的比值;然后分多轮扩大第二消息集中所有消息的消息认证码的位数。其中,在每一轮扩大的过程中,按照比值从高至低的顺序从第二消息集中选择一未进行位数扩大的消息,并将该消息的消息认证码的位数扩大预设位数。
在对第三消息集中的消息的消息认证码的位数进行扩大时,需通过公式计算第三消息集中各消息的安全等级,然后按照安全等级从高至低的顺序,逐轮对各消息的消息认证码的位数进行扩大。具体的,扩大第三消息集中所有消息的消息认证码的位数的过程可以为:
首先针对第三消息集中的每一消息,计算该消息对应的与之间的比值;然后分多轮扩大第三消息集中所有消息的消息认证码的位数;其中,在每一轮扩大的过程中,按照比值从高至低的顺序从第三消息集中选择一未进行位数扩大的消息,并将该消息的消息认证码的位数扩大预设位数。
其中,上述预设位数可根据实际情况进行设定,例如设定为4比特。
为确保上述方法能在满足车载系统功能的响应时间约束下,尽可能的增加了认证的字节长度,提高了车载系统的安全性,下面对一些步骤中的目标函数进行说明。
其中,上述步骤11至步骤16的总目标函数为:。
其中,上述公式求和中的第一部分是暴露在总线上的消息率R(M)与截止时限(即上述预设的截止时限,用D(G)表示)乘积,R(M)乘上D(G)是为了强调将R(M)度量作为最优先的考量目标;R(M)表示消息率,由消息在CAN FD总线上传输的数量除以车载系统中所有的消息数量得到,计算方法如下公式所示;上述公式求和中的第二部分表示整体调度长度,即系统的响应时间RT(G),该数字越小代表空闲资源越多。
其中,为指示函数,当任务和在同一ECU中时为1,其它为0;为指示函数,当任务和在不同ECU中时为1,其它为表示消息在CAN FD总线上传输的数量;N(M)表示车载系统中所有消息的数量。
其中,上述步骤13中图神经网络模型的目标函数为如下:
其中,表示任务在ECU k中的最坏执行时间(WCET),表示任务在ECU中的最坏执行时间;表示消息在CAN FD总线上的最坏传输时间(WCTT);表示任务在ECU k中的映射概率,,、、...、中只有一个映射概率等于1;为指示函数,当任务和在不同ECU中时为1,其它为0。
其中,在本申请的一些实施例中,在将节点特征矩阵F和边邻接矩阵A在输入图神经网络模型做前向传播计算前,需对边邻接矩阵A进行预处理。具体的预处理过程为:先对边邻接矩阵A(A∈RN×N)进行对称化处理,以将有向无环图转为无向无环图,并对边邻接矩阵A添加自环,以便在邻域聚合部分聚合自身节点的任务特征,用于保存消息在CAN FD总线上进行传输时的WCET值和图中连接关系;然后计算边邻接矩阵A的度矩阵D,D为对角矩阵,对角线元素的值为边邻接矩阵A中对应行的非零元素之和;最后将对称化、添加自环处理后的边邻接矩阵A进行归一化处理。
需要说明的是,节点特征矩阵F(F∈RN×M)可直接作为第一层图神经网络的输入,其中每一行表示某个任务映射至不同ECU中的WCET值,每一列表示某ECU中执行不同任务的WCET值。
在本申请的一些实施例中,图神经网络模型进行前向传播计算的公式为:
(1)
(2)
(3)
(4)
式(1)表示图卷积层中邻域聚合操作,用于聚合任务自身和邻接任务的特征信息来更新本任务的特征表示,以此提取任务与任务、任务与消息、消息与消息间的依赖关系,得到全局特征信息,提高任务映射的准确性并减少CAN FD总线需传输的消息数量;, ,,分别表示第l层的边邻接矩阵、卷积权重矩阵、输入特征矩阵和输出特征矩阵;l是当前隐藏层的层数,从0开始索引;式(2)表示对图卷积层的输出进行Dropout处理、ReLU激活处理;式(3)表示线性变换层,它对输入的车载系统中节点特征矩阵F和边邻接矩阵A进行线性变换以构成新的特征表示;为变换权重矩阵;为全连接层的输入矩阵,为某一任务映射到不同ECU中的特征值;式(4)表示Softmax分类器,将式(3)输出的特征值压缩到(0,1)之间的概率值,输出的表示任务映射到不同ECU中的概率向量,作为X∈RN×M中的一行。
其中,上述步骤17和步骤18的总目标函数如下:
其中,表示暴露在总线上消息认证率,即在CAN FD总线上传输的消息被认证的概率;k为常数,当时,k为1,其余为表示在消息集中,消息集中所有消息累积的消息认证码的位数,为CAN FD总线上所有消息的集合。
其中,为指示函数,当消息被认证时为1,其他为0;消息认证率由消息被认证的数量除以消息在CAN FD总线上传输的数量得到。
在本申请的一些实施例中,上述步骤11至步骤12可由数据预处理模块实现,步骤13至步骤14可由任务映射模块实现,步骤15可由任务调度模块实现,步骤16可由系统响应时间计算模块实现,步骤17可由初步安全保障模块实现,步骤18至步骤19可由二次安全增强模块实现。
如图2所示,本申请的实施例提供了一种终端设备,如图2所示,该实施例的终端设备D10包括:至少一个处理器D100(图2中仅示出一个处理器)、存储器D101以及存储在所述存储器D101中并可在所述至少一个处理器D100上运行的计算机程序D102,所述处理器D100执行所述计算机程序D102时实现上述任意各个方法实施例中的步骤。
具体的,所述处理器D100执行所述计算机程序D102时,通过将车载系统的节点特征矩阵和边邻接矩阵输入图神经网络模型做前向传播计算,得到用于表示每个任务在每个ECU中的映射概率的概率矩阵,然后利用贪心算法将车载系统的任务成功映射到ECU上,并利用映射结果将概率矩阵转为任务映射标签矩阵,接着基于该任务映射标签矩阵和每个任务的优先级对任务进行调度,并基于任务调度结果计算车载系统的响应时间,若该响应时间小于预设的截止时限,则对车载系统中的每条消息使用最低位数的消息认证码,并更新车载系统的响应时间,此时若车载系统的响应时间仍小于预设的截止时限,则通过多轮扩大的方式扩大至少部分消息的消息认证码的位数,直至车载系统的响应时间达到预设的截止时限时,将多轮扩大中倒数第二轮扩大结束后各消息的消息认证码的位数作为,各消息的消息认证码的位数,从而在满足车载系统功能的响应时间约束下,尽可能的增加了认证的字节长度,提高了车载系统的安全性。
所称处理器D100可以是中央处理单元(CPU,Central Processing Unit),该处理器D100还可以是其他通用处理器、数字信号处理器 (DSP,Digital Signal Processor)、专用集成电路 (ASIC,Application Specific Integrated Circuit)、现成可编程门阵列(FPGA,Field-Programmable Gate Array) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器D101在一些实施例中可以是所述终端设备D10的内部存储单元,例如终端设备D10的硬盘或内存。所述存储器D101在另一些实施例中也可以是所述终端设备D10的外部存储设备,例如所述终端设备D10上配备的插接式硬盘,智能存储卡(SMC,SmartMedia Card ),安全数字(SD,Secure Digital)卡,闪存卡(Flash Card)等。进一步地,所述存储器D101还可以既包括所述终端设备D10的内部存储单元也包括外部存储设备。所述存储器D101用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器D101还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的终端设备和方法,可以通过其它的方式实现。例如,以上所描述的终端设备实施例仅仅是示意性的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
以上所述是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种基于图神经网络的车载系统安全感知设计优化方法,其特征在于,包括:
获取车载系统功能的有向无环图;所述有向无环图中的多个节点与所述车载系统功能的多个任务一一对应,所述有向无环图中多个边与所述车载系统功能的多个消息一一对应;
根据所述有向无环图中的任务特征构建节点特征矩阵,并根据所述有向无环图中的消息特征构建边邻接矩阵;
将所述节点特征矩阵和所述边邻接矩阵输入图神经网络模型做前向传播计算,得到概率矩阵,所述概率矩阵用于表示所述多个任务中每个任务在所述车载系统的每个ECU中的映射概率;
通过贪心算法将所述多个任务成功映射到所述车载系统的ECU上,并根据映射结果将所述概率矩阵转为任务映射标签矩阵;
计算所述多个任务中每个任务的优先级,并根据所述任务映射标签矩阵以及每个任务的优先级,对所述多个任务进行调度,得到任务调度结果;
根据所述任务调度结果计算所述车载系统功能的响应时间;
若所述响应时间小于预设的截止时限,则在所述车载系统的每个消息中加入消息认证码,并基于所述任务调度结果和含有所述消息认证码的消息更新所述车载系统的响应时间;
若更新后的响应时间小于所述预设的截止时限,通过多轮扩大的方式扩大所述多个消息中至少部分消息的消息认证码的位数,直至所述车载系统更新后的响应时间大于或等于所述预设的截止时限;其中,在每一轮扩大的过程中只扩大所述多个消息中一个消息的消息认证码的位数,且在每一轮扩大后,基于所述任务调度结果和含有扩大位数后的消息认证码的消息更新所述车载系统的响应时间;
针对所述多个消息中的每个消息,将所述多轮扩大中倒数第二轮扩大结束后该消息的消息认证码的位数作为该消息的消息认证码的位数。
2.根据权利要求1所述的方法,其特征在于,所述概率矩阵中的第行表示所述多个任务中第个任务在所述车载系统的不同ECU中的映射概率,所述概率矩阵中每一行映射概率的和为1,所述概率矩阵中的第列表示所述多个任务在所述车载系统的第个ECU中的映射概率;
,,表示所述车载系统中任务的数量,表示所述车载系统中ECU的数量。
3.根据权利要求2所述的方法,其特征在于,所述贪心算法所采用的贪心准则为:
所述车载系统中每个ECU按照映射概率由大至小的顺序选择在该ECU中映射概率最高的任务;
所述车载系统的每个任务选择在映射概率最高的ECU中执行,且所述车载系统的每个任务只能在一个ECU中执行;
映射至同一ECU中的所有任务对应的WCET值之和小于或等于该ECU的最大可执行时间;其中,任务对应的WCET值表示该任务在该ECU中的最坏执行时间;
若所述多个任务中的任一任务在映射至所述车载系统的一ECU后,该ECU中的所有任务对应的WCET值之和大于该ECU的最大可执行时间,则该任务在除该ECU以外的其他ECU中选择映射概率最高的ECU执行。
4.根据权利要求3所述的方法,其特征在于,所述通过贪心算法将所述多个任务成功映射到所述车载系统的ECU上,并根据映射结果将所述概率矩阵转为任务映射标签矩阵,包括:
通过多次映射的方式将所述多个任务成功映射到所述车载系统的ECU上;其中,在每一次映射的过程中,按照所述贪心准则对未成功映射到所述车载系统的ECU上任务进行映射;
针对所述多个任务中任一任务,若该任务成功映射到所述车载系统的一ECU上,则将所述概率矩阵中该任务对应的行中该ECU对应的映射概率修改为1,并将该任务对应的行中其他ECU对应的映射概率修改为0,得到任务映射标签矩阵。
5.根据权利要求3所述的方法,其特征在于,所述通过多轮扩大的方式扩大所述多个消息中至少部分消息的消息认证码的位数,包括:
定义表示消息扩大消息认证码的位数时需额外调度长度的增量;消息为所述多个消息中的任一消息;
定义表示消息扩大消息认证码的位数时需要的WCTT增量;WCTT表示消息在所述车载系统中总线上的最坏传输时间;
定义表示消息的完成时刻和消息的验证时间的开始时刻之间的时间增量;
定义表示消息将扩大的消息认证码的位数;
将所述多个消息中满足如下条件的所有消息的集合作为第一消息集:
将所述多个消息中满足如下条件的所有消息的集合作为第二消息集:
表示所述预设的截止时限,表示所述车载系统的响应时间;
将所述多个消息中满足如下条件的所有消息作为第三消息集:
按照先所述第一消息集、再所述第二消息集、最后所述第三消息集的顺序,通过多轮扩大的方式扩大所述多个消息中至少部分消息的消息认证码的位数。
6.根据权利要求5所述的方法,其特征在于,扩大所述第一消息集中所有消息的消息认证码的位数的过程为:
分多轮扩大所述第一消息集中所有消息的消息认证码的位数;其中,在每一轮扩大的过程中,从所述第一消息集中选择一未进行位数扩大的消息,并将该消息的消息认证码的位数扩大预设位数。
7.根据权利要求5所述的方法,其特征在于,扩大所述第二消息集中所有消息的消息认证码的位数的过程为:
针对所述第二消息集中的每一消息,计算该消息对应的与之间差值,并计算所述差值与该消息对应的的比值;
分多轮扩大所述第二消息集中所有消息的消息认证码的位数;其中,在每一轮扩大的过程中,按照所述比值从高至低的顺序从所述第二消息集中选择一未进行位数扩大的消息,并将该消息的消息认证码的位数扩大预设位数。
8.根据权利要求5所述的方法,其特征在于,扩大所述第三消息集中所有消息的消息认证码的位数的过程为:
针对所述第三消息集中的每一消息,计算该消息对应的与之间的比值;
分多轮扩大所述第三消息集中所有消息的消息认证码的位数;其中,在每一轮扩大的过程中,按照所述比值从高至低的顺序从所述第三消息集中选择一未进行位数扩大的消息,并将该消息的消息认证码的位数扩大预设位数。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的车载系统安全感知设计优化方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的车载系统安全感知设计优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310211551.1A CN116069478B (zh) | 2023-03-07 | 2023-03-07 | 基于图神经网络的车载系统安全感知设计优化方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310211551.1A CN116069478B (zh) | 2023-03-07 | 2023-03-07 | 基于图神经网络的车载系统安全感知设计优化方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116069478A true CN116069478A (zh) | 2023-05-05 |
CN116069478B CN116069478B (zh) | 2023-06-02 |
Family
ID=86182140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310211551.1A Active CN116069478B (zh) | 2023-03-07 | 2023-03-07 | 基于图神经网络的车载系统安全感知设计优化方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116069478B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150172298A1 (en) * | 2013-12-12 | 2015-06-18 | Hitachi Automotive Systems, Ltd. | Network device and network system |
CN106911807A (zh) * | 2017-04-28 | 2017-06-30 | 厦门理工学院 | 一种安全感知的车载can fd网络设计空间搜索方法 |
US20200244442A1 (en) * | 2019-01-25 | 2020-07-30 | Infineon Technologies Ag | Selective real-time cryptography in a vehicle communication network |
EP3702952A1 (en) * | 2019-03-01 | 2020-09-02 | Worldline | Scheduling method ensuring security service for real-time system |
US20210081787A1 (en) * | 2019-09-12 | 2021-03-18 | Beijing University Of Posts And Telecommunications | Method and apparatus for task scheduling based on deep reinforcement learning, and device |
CN112733933A (zh) * | 2021-01-08 | 2021-04-30 | 北京邮电大学 | 基于统一优化目标框架图神经网络的数据分类方法及装置 |
CN113051046A (zh) * | 2020-12-09 | 2021-06-29 | 南京航空航天大学 | 一种车载云环境下基于动态优先级的任务调度方法 |
CN113853580A (zh) * | 2021-06-30 | 2021-12-28 | 华为技术有限公司 | 电子控制单元ecu更新的方法、ecu和终端 |
US20220012092A1 (en) * | 2020-07-10 | 2022-01-13 | Infineon Technologies Ag | Safe and secure communication network message processing |
CN114710372A (zh) * | 2022-06-08 | 2022-07-05 | 湖南师范大学 | 基于增量学习的车载can网络入侵检测系统及方法 |
CN114741191A (zh) * | 2022-03-30 | 2022-07-12 | 西安电子科技大学 | 一种面向计算密集型任务关联性的多资源分配方法 |
-
2023
- 2023-03-07 CN CN202310211551.1A patent/CN116069478B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150172298A1 (en) * | 2013-12-12 | 2015-06-18 | Hitachi Automotive Systems, Ltd. | Network device and network system |
CN106911807A (zh) * | 2017-04-28 | 2017-06-30 | 厦门理工学院 | 一种安全感知的车载can fd网络设计空间搜索方法 |
US20200244442A1 (en) * | 2019-01-25 | 2020-07-30 | Infineon Technologies Ag | Selective real-time cryptography in a vehicle communication network |
EP3702952A1 (en) * | 2019-03-01 | 2020-09-02 | Worldline | Scheduling method ensuring security service for real-time system |
US20210081787A1 (en) * | 2019-09-12 | 2021-03-18 | Beijing University Of Posts And Telecommunications | Method and apparatus for task scheduling based on deep reinforcement learning, and device |
US20220012092A1 (en) * | 2020-07-10 | 2022-01-13 | Infineon Technologies Ag | Safe and secure communication network message processing |
CN113051046A (zh) * | 2020-12-09 | 2021-06-29 | 南京航空航天大学 | 一种车载云环境下基于动态优先级的任务调度方法 |
CN112733933A (zh) * | 2021-01-08 | 2021-04-30 | 北京邮电大学 | 基于统一优化目标框架图神经网络的数据分类方法及装置 |
CN113853580A (zh) * | 2021-06-30 | 2021-12-28 | 华为技术有限公司 | 电子控制单元ecu更新的方法、ecu和终端 |
CN114741191A (zh) * | 2022-03-30 | 2022-07-12 | 西安电子科技大学 | 一种面向计算密集型任务关联性的多资源分配方法 |
CN114710372A (zh) * | 2022-06-08 | 2022-07-05 | 湖南师范大学 | 基于增量学习的车载can网络入侵检测系统及方法 |
Non-Patent Citations (3)
Title |
---|
ERIC WANG 等: "Hardware Module-based Message Authentication in Intra-Vehicle Networks", 《ICCPS》 * |
LU ZHU 等: "CAN FD Message Authentication Enhances Parallel in-vehicle Applications Security", 《2022 2ND INTERNATIONAL CONFERENCE ON INTELLIGENT TECHNOLOGY AND EMBEDDED SYSTEMS》 * |
魏叶华 等: "车载FlexRay网络调度算法综述", 传感器与微系统, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN116069478B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Blockchain assisted decentralized federated learning (BLADE-FL): Performance analysis and resource allocation | |
CN109246176B (zh) | 软件定义网络中基于区块链的多控制器同步方法及装置 | |
Lin et al. | Security-aware mapping for CAN-based real-time distributed automotive systems | |
CN112822234B (zh) | 一种车联网中基于深度强化学习的任务卸载方法 | |
CN109947740B (zh) | 区块链系统的性能优化方法及装置 | |
Lin et al. | Security-aware modeling and efficient mapping for CAN-based real-time distributed automotive systems | |
CN106649391B (zh) | 处理图数据的方法和装置 | |
CN107040516B (zh) | 一种高效假名管理和数据完整性保护协议 | |
Jiang et al. | Optimization of message encryption for distributed embedded systems with real-time constraints | |
Manogaran et al. | Ant-inspired recurrent deep learning model for improving the service flow of intelligent transportation systems | |
CN116541106A (zh) | 计算任务卸载方法、计算设备及存储介质 | |
Joshi et al. | The multi-domain frame packing problem for CAN-FD | |
CN114610475A (zh) | 一种智能资源编排模型的训练方法 | |
CN113986562A (zh) | 一种资源调度策略生成方法、装置及终端设备 | |
Vasile et al. | Performance analysis of broadcast authentication protocols on CAN-FD and FlexRay | |
CN112785303A (zh) | 基于区块链离线支付的验证处理方法及验证处理系统 | |
Cai et al. | Task-efficiency oriented V2X communications: Digital twin meets mobile edge computing | |
CN116069478B (zh) | 基于图神经网络的车载系统安全感知设计优化方法及设备 | |
Haddaji et al. | A transfer learning based intrusion detection system for internet of vehicles | |
Yan et al. | Reputation consensus-based scheme for information sharing in internet of vehicles | |
CN117370460A (zh) | 基于双链存储的区块链存储优化方法及装置 | |
WO2023143080A1 (zh) | 一种数据处理方法以及相关设备 | |
CN112738225B (zh) | 基于人工智能的边缘计算方法 | |
CN110881176B (zh) | 用于改善车对x通信装置的利用率的方法及车对x通信装置 | |
Ding et al. | A genetic algorithm for minimizing bandwidth utilization by packing CAN-FD frame |
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 |