CN117056916A - 一种基于物联网的数据安全性检测系统 - Google Patents

Abstract

本发明涉及数据安全保护技术领域，具体涉及一种基于物联网的数据安全性检测系统，该系统对初始车辆管理数据序列中的数据关联性进行分析，得到数据关联性较高的时间间隔集中数据段和车辆速度集中数据段，并对数据关联性较高的集中数据段的数据顺序进行打乱，从而得到安全性更高且数据关联性破坏后的混乱车辆管理数据序列，并进一步地对混乱车辆管理数据序列进行编码保护处理，得到车辆管理检测数据，最后通过密码学攻击模拟方法对车辆管理检测数据进行物联网数据安全性检测。本发明对数据打乱后的车辆管理检测数据进行物联网数据安全性检测的准确性更高。

Description

一种基于物联网的数据安全性检测系统

技术领域

本发明涉及数据安全保护技术领域，具体涉及一种基于物联网的数据安全性检测系统。

背景技术

随着科技的进步，智能交通系统在交通运输行业中的应用将越来越广泛。智能交通系统利用物联网技术监测车辆和驾驶员的位置信息、交通流量和车辆状态等数据，并对这些数据进行实时存储和分析。其中物联网是指利用各种信息传感器、射频识别技术以及全球定位系统等装置和技术来实时采集所需的各种数据的技术。由于智能交通系统的监测数据较为重要，所以需要对智能交通系统的监测数据进行安全性检测。

现有技术为了保证智能交通系统所监测到的数据的安全性，通常在对监测数据进行加密后，直接进行数据安全性检测。但是现有的加密算法中，通常根据数据之间的关联性进行加密，而现有的数据安全性检测方法，例如侧信道攻击会根据数据之间的关联性对密钥进行推断，若数据关联性较高的监测数据在加密过程中受到侧信道攻击，可能会造成密钥泄露，从而导致数据之间关联性较高的数据对应的安全性检测结果总是不合格，不符合实际情况，也即现有技术直接对加密后监测数据进行安全性检测的准确性不足。

发明内容

为了解决现有技术并没有考虑密钥泄露的情况，导致现有技术对物联网数据的安全性检测的准确性较低技术问题，本发明的目的在于提供一种基于物联网的数据安全性检测系统，所采用的技术方案具体如下：

本发明提出了一种基于物联网的数据安全性检测系统，所述系统包括：

初始车辆管理数据序列获取模块，用于获取每个采样时间段对应的初始车辆管理数据序列，所述初始车辆管理数据序列包括采样时间段的特征时间点数据、时间间隔数据子序列以及车辆速度数据子序列；

车辆管理检测数据获取模块，用于在每个初始车辆管理数据序列中，根据时间间隔数据子序列中的数据的局部集中分布情况，得到至少两个时间间隔集中数据段；根据车辆速度数据子序列中的数据的局部集中分布情况，得到至少两个车辆速度集中数据段；对时间间隔集中数据段和车辆速度集中数据段中的每个集中数据段的数据顺序进行打乱，得到对应的参考车辆管理数据序列；对每个参考车辆管理数据序列中的所述特征时间点数据进行打乱并结合对应的车辆数量，得到对应的混乱车辆管理数据序列；对所有混乱车辆管理数据序列进行编码保护处理，得到车辆管理检测数据；

物联网数据安全性检测模块，用于根据所述车辆管理检测数据通过密码学攻击模拟方法进行物联网数据安全性检测。

进一步地，所述初始车辆管理数据序列的获取方法包括：

将每个车辆经过采样位置的时间与其前一个车辆经过采样位置的时间之间的差异，作为每个车辆的参考时间间隔；将每个车辆经过采样位置的速度，作为每个车辆的参考速度；

将每个采样时间段中的各个参考时间间隔以对应的车辆经过采样位置的顺序进行排列，得到每个采样时间段对应的时间间隔数据子序列；将每个采样时间段中的各个参考速度以对应的车辆经过采样位置的顺序进行排列，得到每个采样时间段对应的车辆速度数据子序列；

统计每个采样时间段的采样起始时间点和采样终止时间点；以所述采样起始时间点、所述采样终止时间点、所述时间间隔数据子序列和所述车辆速度数据子序列的顺序进行排列，得到每个采样时间段对应的初始车辆管理数据序列。

进一步地，所述时间间隔集中数据段的获取方法包括：

对于任意一个时间间隔数据子序列：

将时间间隔数据子序列划分为至少两个初始时间间隔数据段；依次将每个初始时间间隔数据段作为目标初始时间间隔数据段；

获取目标初始时间间隔数据段内所有参考时间间隔的偏度和均值；根据目标初始时间间隔数据段中的参考时间间隔的数量、所述偏度和所述均值构建时间间隔随机系数计算模型，根据所述时间间隔随机系数计算模型获取目标初始时间间隔数据段的时间间隔随机系数；

将时间间隔随机系数大于预设时间间隔阈值的初始时间间隔数据段，作为时间间隔集中数据段。

进一步地，所述时间间隔随机系数计算模型包括：

为目标初始时间间隔数据段的时间间隔随机系数，/>为目标初始时间间隔数据段，/>为目标初始时间间隔数据段内所有参考时间间隔数据对应的偏度，/>为目标初始时间间隔数据段中的参考时间间隔的数量，/>为目标初始时间间隔数据段内第/>个参考时间间隔数据的数值，/>为归一化函数，/>为双曲正切函数，/>为绝对值符号；/>为预设调节参数，预设调节参数大于0。

进一步地，所述车辆速度集中数据段的获取方法包括：

对于任意一个车辆速度数据子序列：

将车辆速度数据子序列划分为至少两个初始车辆速度数据段；

计算每个初始车辆速度数据段对应的参考速度的方差和参考速度的均值；根据所述参考速度的方差和所述参考速度的均值，得到每个初始车辆速度数据段的车辆速度随机系数，所述参考速度的方差和所述参考速度的均值均与车辆速度随机系数呈负相关关系；将车辆速度随机系数大于预设车辆速度阈值的初始车辆速度数据段，作为车辆速度集中数据段。

进一步地，所述参考车辆管理数据序列的获取方法包括：

对于任意一个初始车辆管理数据序列：

依次将每个时间间隔集中数据段和每个车辆速度集中数据段作为目标集中数据段；获取目标集中数据段中的各个数据在所述初始车辆管理数据序列中的索引值；将目标集中数据段对应的所有索引值随机打乱，得到目标集中数据段对应的索引值随机序列；根据所述索引值随机序列中的索引值顺序对目标集中数据段中的数据进行排列，得到目标集中数据段对应的集中打乱数据段；

在初始车辆管理数据序列中，将每个集中数据段替换为对应的集中打乱数据段，得到对应的优化参考车辆管理数据序列；以各个集中数据段在初始车辆管理数据序列的先后顺序，在优化参考车辆管理数据序列的最后一个数据后，依次添加每个集中数据段对应的索引值随机序列，得到对应的参考车辆管理数据序列。

进一步地，所述混乱车辆管理数据序列的获取方法包括：

对于任意一个参考车辆管理数据序列：

在参考车辆管理数据序列中，将采样起始时间点的索引值作为第一索引值；将采样终止时间点的索引值作为第二索引值；在参考车辆管理数据序列中除去所述第一索引值和所述第二索引值后的其他所有索引值中，随机选取一个索引值作为随机索引值，将所述随机索引值在参考车辆管理数据序列中对应的数据与所述采样终止时间点的数据进行位置交换后，将交换后的采样终止时间点的位置与采样起始时间点的位置进行交换，得到中间车辆管理数据序列；

获取参考车辆管理数据序列对应采样时间段内的车辆数量；在中间车辆管理数据序列后添加所述随机索引值，并在所述随机索引值后添加对应的车辆数量的数据，得到对应的混乱车辆管理数据序列。

进一步地，所述车辆管理检测数据的获取方法包括：

统计各个混乱车辆管理数据序列中的最大数据数量；将每个混乱车辆管理数据序列的数据数量与所述最大数据数量之间的差异，作为第三参考差异；在每个混乱车辆管理数据序列后补充第三参考差异个0，得到每个混乱车辆管理数据序列对应的补充车辆管理数据序列；

根据对应的采样时间段的先后顺序将所有的补充车辆管理数据序列进行排列，得到车辆管理数据矩阵，所述车辆管理数据矩阵中每行数据对应一个补充车辆管理数据序列；

对所述车辆管理数据矩阵通过哈夫曼编码算法进行压缩编码，得到车辆编码数据矩阵；将所述车辆编码数据矩阵以从上到下、从左到右的顺序转换为预设矩阵大小的明文矩阵；通过AES算法对所述明文矩阵进行处理，得到车辆管理检测数据和AES解密密钥。

进一步地，所述根据所述车辆管理检测数据通过密码学攻击模拟方法进行物联网数据安全性检测的方法包括：

通过密码学攻击模拟方法对所述车辆管理检测数据进行攻击，得到攻击密钥；当所述攻击密钥与所述AES解密密钥一致时，物联网数据安全性检测不合格；当所述攻击密钥与所述AES解密密钥不一致时，物联网数据安全性检测合格。

进一步地，所述车辆速度随机系数的获取方法包括：

将所述参考速度的方差的负相关映射值和所述参考速度的均值的负相关映射值之间乘积的归一化值，作为每个初始车辆速度数据段对应的车辆速度随机系数。

本发明具有如下有益效果：

对于物联网数据对应的车辆管理数据而言，数据关联性较高的数据通常是具有一定明显车辆运行规律的数据，例如红灯变绿后各个车辆通过路口的速度数据，因此将具有明显车辆运行规律的数据进行打乱，破坏对应的数据关联性，使得不会被侧信道攻击等密码学攻击模拟方法轻易的推断出密钥，进一步地对物联网数据安全性检测的准确度更高；并且由于对部分关联性较高的车辆管理数据进行了打乱，使得车辆管理数据不会被轻易泄露；因此本发明实施例根据车辆管理数据在路口的数据特征，筛选出具有车辆运行规律信息的时间间隔集中数据段和车辆速度集中数据段并打乱其在初始车辆管理数据序列中的顺序，并进一步地结合特征时间点数据得到数据完全打乱后的混乱车辆管理数据，使得后续通过混乱车辆管理数据得到的车辆管理检测数据的安全性更高，并且由于破坏了高关联性数据之间的关联性，使得根据密码学攻击模拟方法对所述车辆管理检测数据进行解密的结果进行物联网数据安全性检测的准确性更高。综上所述，本发明对数据打乱后的车辆管理检测数据进行物联网数据安全性检测的准确性更高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。

图1为本发明一个实施例所提供的一种基于物联网的数据安全性检测系统结构框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于物联网的数据安全性检测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于物联网的数据安全性检测系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于物联网的数据安全性检测系统结构框图，该系统包括：初始车辆管理数据序列获取模块101、车辆管理检测数据获取模块102和物联网数据安全性检测模块103。

初始车辆管理数据序列获取模块101，用于获取每个采样时间段对应的初始车辆管理数据序列，车辆管理数据序列包括采样时间段的特征时间点数据、时间间隔数据子序列以及车辆速度数据子序列。

本发明实施例旨在提供一种基于物联网的数据安全性检测系统，用于对根据物联网所获取的车辆管理数据进行分析，得到数据顺序打乱后的混乱车辆管理数据序列，并进一步对混乱车辆管理数据序列通过编码保护得到的车辆管理检测数据进行物联网数据安全性检测。因此首先需要获取车辆管理数据。

基于物联网设备存储的智能交通系统中包含着大量车辆和驾驶者的信息，随着科技的进步，智能交通系统中越来越应用到人的生活中，同时大量的数据被无线通信网络传送到物联网存储设备中，因此为了对车辆管理数据进行分析，本发明实施例基于物联网存储设备中的数据，获取每个采样时间段对应的初始车辆管理数据序列，车辆管理数据序列包括采样时间段的特征时间点数据、时间间隔数据子序列以及车辆速度数据子序列。在本发明实施例中，通过物联网存储设备获取每个采样时间段对应的初始车辆管理序列。由于本发明实施例对不同路口所获取的初始车辆管理数据序列的处理方法相同，因此本发明实施例只对采样位置进行分析。由于每个路口所采集的车辆管理数据均在时序上连续，因此本发明实施例将时间分段，对每个采样数据段对应的车辆管理数据进行分析，以减少每次进行分析的复杂度。并且在本发明实施例中，相邻的采样时间段之间的数据在时序上连续。需要说明的是，实施者在选择采样位置时需要保证采样位置具有正常运行的红绿灯，以便于对具有运行规律的车辆管理数据进行处理。

优选地，初始车辆管理数据序列的获取方法包括：

将每个车辆经过采样位置的时间与其前一个车辆经过采样位置的时间之间的差异，作为每个车辆的参考时间间隔；将每个车辆经过采样位置的速度，作为每个车辆的参考速度。将每个采样时间段中的各个参考时间间隔以对应的车辆经过采样位置的顺序进行排列，得到每个采样时间段对应的时间间隔数据子序列；将每个采样时间段中的各个参考速度以对应的车辆经过采样位置的顺序进行排列，得到每个采样时间段对应的车辆速度数据子序列。由于车辆数据是实时采集的，因此每个车辆都能得到对应的参考时间间隔。需要说明的是，实施者也可将每个车辆经过采样位置的时间与其后一个车辆经过采样位置的时间之间的差异作为参考时间间隔，在此不做进一步赘述。

统计每个采样时间段的采样起始时间点和采样终止时间点；以采样起始时间点、采样终止时间点、时间间隔数据子序列和车辆速度数据子序列的顺序进行排列，得到每个采样时间段对应的初始车辆管理数据序列。由于后续需要对时间间隔数据子序列和车辆速度数据子序列中的数据顺序进行打乱，所以为了保证特征时间点数据的索引值不受到影响，将采样起始时间点和采样终止时间点对应的数据依次放在初始车辆管理数据序列中前两个位置。

车辆管理检测数据获取模块102，用于在每个初始车辆管理数据序列中，根据时间间隔数据子序列中的数据的局部集中分布情况，得到至少两个时间间隔集中数据段；根据车辆速度数据子序列中的数据的局部集中分布情况，得到至少两个车辆速度集中数据段；对时间间隔集中数据段和车辆速度集中数据段中的每个集中数据段的数据顺序进行打乱，得到对应的参考车辆管理数据序列；对每个参考车辆管理数据序列中的特征时间点数据进行打乱后结合对应的车辆数量，得到对应的混乱车辆管理数据序列；对所有混乱车辆管理数据序列进行编码保护处理，得到车辆管理检测数据。

由于本发明实施例对应的每个采样位置都具有红绿灯，因此各个车辆对应的参考时间间隔和参考速度的分布情况会随着红绿灯的状态发生改变。当采样位置对应的红绿灯为红灯时，各个需要经过路口的车辆会由于等待红灯，导致车辆聚集前，进一步地在红灯结束后，各个车辆会在距离较为接近的情况下通过路口，对应的车辆的时间间隔较小，对应的速度也较小，也即车辆的参考时间间隔数据和参考速度数据的分布较为集中。相反地，当红灯结束且聚集的车辆通过采样位置后，后续通过采样位置的车辆由于不需要等待红灯，使得车辆之间的距离关联性较小，对应的车辆之间的参考距离和参考速度会由于不需要等待红灯，从而表现出较为离散的特征，也即车辆的参考时间间隔和参考速度的分布较为离散。由于较为集中的时间间隔数据和车辆速度数据之间的关联性较高，因此需要将较为密集的车辆时间间隔数据和车辆速度数据筛选出来并进一步进行分析。

首先对时间间隔数据子序列进行分析，本发明实施例在每个初始车辆管理数据序列中，根据时间间隔数据子序列中的数据的局部集中分布情况，得到至少两个时间间隔集中数据段。

优选地，时间间隔集中数据段的获取方法包括：

对于任意一个时间间隔数据子序列：将时间间隔数据子序列划分为至少两个初始时间间隔数据段。

在时间间隔数据子序列中，由于密集的数据和离散的数据之间通常存在较为明显的分界线，因此为了进一步地筛选出较为集中的车辆时间间隔数据。因此在本发明实施例中，将时间间隔数据子序列中的数据进行归一化，得到时间间隔数据归一化子序列；获取时间间隔数据归一化子序列对应的差分序列，将差分序列中数值大于预设第一划分阈值的数据作为时间间隔划分数据；将时间间隔划分数据在时间间隔数据子序列中对应的两个数据之间设置一个分界点；根据时间间隔数据子序列对应的所有分界点，将时间间隔数据子序列划分为至少两个初始时间间隔数据段，也即各个初始时间间隔数据段内的相邻数据之间的差异小于预设第一划分阈值。在本发明实施例中，归一化方法采用线性归一化，预设第一划分阈值设置为0.4，实施者可根据具体实施环境自行调整。需要说明的是，本发明实施例中涉及的所有归一化方法均采用线性归一化，实施者可根据实施环境自行调整，后续不做进一步赘述。

依次将每个初始时间间隔数据段作为目标初始时间间隔数据段。对于每个初始时间间隔数据段而言，对应的参考时间间隔的数量越多，说明对应的初始时间间隔数据段越符合时间间隔数据集中的情况，也即对应的初始时间间隔数据较为密集。而对于没有受到红灯影响通过路口的车辆而言，车辆之间的距离相关性较小，对应的车辆时间间隔分布较为离散，对应的初始时间间隔数据段中的车辆数量较少。

获取目标初始时间间隔数据段内所有参考时间间隔的偏度和均值。对于偏度而言，当目标初始时间间隔数据段内车辆之间的参考时间间隔越接近时，也即参考时间间隔数据分布越集中时，则对应的偏度越接近于0；而对于均值而言，由于聚集在红灯路口的车辆之间的距离较近，因此对应的时间间隔通常较小且分布较为集中，对应的初始时间间隔数据段中的数据的数值通常普遍较小，也即对应的均值较小。需要说明的是，偏度和均值的获取方法为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。

由于初始时间间隔数据段中的参考时间间隔的数量、偏度和均值都能在一定程度上反映初始时间间隔数据段对应的数据集中程度，并且结合上述分析中较为集中的时间间隔数据为车辆等待红灯对应的数据信息可知，需要对数据集中程度较高的初始时间间隔数据段中的数据进行随机打乱，本发明实施例根据目标初始时间间隔数据段中的参考时间间隔的数量、所述偏度和所述均值构建时间间隔随机系数计算模型，根据所述时间间隔随机系数计算模型获取目标初始时间间隔数据段的时间间隔随机系数，对应的时间间隔随机系数越大，说明对应的目标初始时间间隔数据段中的数据分布越集中，进行随机打乱的必要性越高。

优选地，时间间隔随机系数计算模型包括：

其中，为目标初始时间间隔数据段的时间间隔随机系数，/>为目标初始时间间隔数据段，/>为目标初始时间间隔数据段内所有参考时间间隔数据对应的偏度，/>为目标初始时间间隔数据段内的所有参考时间间隔的数量，/>为目标初始时间间隔数据段内第/>个参考时间间隔数据的数值，/>为归一化函数，/>为双曲正切函数，/>为绝对值符号；/>为预设调节参数，预设调节参数大于0。在本发明实施例中，预设调节参数/>设置为0.001。

由于参考时间间隔数据分布越集中，对应的偏度越接近于0，因此偏度的大小与时间间隔随机系数呈负相关关系，本发明实施例将偏度的映射值作为时间间隔随机系数计算模型中的分母；由于均值越小时，对应的目标初始时间间隔数据段越符合车辆等待红灯对应的数据特征，因此均值的大小与时间间隔随机系数呈负相关关系，本发明实施例将目标初始时间间隔数据段对应的均值/>，作为时间间隔随机系数计算模型中的分母；由于初始时间间隔数据段中的参考时间间隔的数量越多，对应的初始时间间隔数据段越符合时间间隔数据集中的情况，因此对应的参考时间间隔的数量的大小与时间间隔随机系数呈正相关关系，本发明实施例将目标初始时间间隔数据段对应参考时间间隔的数量/>，作为时间间隔随机系数计算模型中的分子。

初始时间间隔数据段对应的时间间隔随机系数越大，说明越符合数据集中分布的条件，因此将时间间隔随机系数大于预设时间间隔阈值的初始时间间隔数据段，作为时间间隔集中数据段，预设时间间隔阈值大于0。由于本发明实施例中的时间间隔随机系数为归一化后的值，因此在0-1的取值范围内选取预设时间间隔阈值。在本发明实施例中，预设时间间隔阈值设置为0.6，实施者可根据具体实施环境自行调整预设时间间隔阈值的大小。

同理，本发明实施例进一步地根据车辆速度数据子序列中的数据的局部集中分布情况，得到至少两个车辆速度集中数据段。

优选地，车辆速度集中数据段的获取方法包括：

对于任意一个车辆速度数据子序列：将车辆速度数据子序列划分为至少两个初始车辆速度数据段。

与时间间隔数据子序列同理，在车辆速度数据子序列中，由于密集的数据和离散的数据之间通常存在较为明显的分界线，因此进一步地筛选出较为集中的车辆速度数据。在本发明实施例中，将车辆速度数据子序列中的数据进行归一化，得到速度数据归一化子序列；获取速度数据归一化子序列对应的差分序列，将差分序列中数值大于预设第二划分阈值的数值作为速度划分数据，将速度数据在车辆速度数据子序列中对应的后两个数据之间设置一个分界点；根据车辆速度数据子序列对应的所有分界点，将车辆速度数据子序列划分为至少两个初始车辆速度数据段，也即各个初始车辆速度数据段内的相邻数据之间的差异小于预设第二划分阈值。在本发明实施例中，预设第二划分阈值设置为0.4，实施者可根据具体实施环境自行调整，在此不做进一步赘述。

计算每个初始车辆速度数据段对应的参考速度的方差和参考速度的均值。由于聚集在红灯路口的车辆之间的距离较近，并且当红灯变绿后所有聚集的车辆才开始起步，因此通常为了保证行驶安全，各个车辆通过路口的速度较为接近，且速度较小；而在绿灯时间直接通过路口且没有受到红灯聚集影响的车辆，由于没有红灯和前车限制，对应通过采样位置的参考速度通常大于红灯时间堆积在路口的车辆通过路口的速度，且由于对应的车辆通过该路口的速度分布较为随机。因此初始车辆速度数据段对应的参考速度的方差和参考速度的均值越小，说明对应的初始车辆速度数据段中的数据越集中，也即越符合车辆等待红灯对应的数据信息的特征，进行随机打乱的必要性越高。

进一步地根据参考速度的方差和参考速度的均值，得到每个初始车辆速度数据段的车辆速度随机系数；并且结合上述分析，参考速度的方差和参考速度的均值均与车辆速度随机系数呈负相关关系。优选地，将参考速度的方差的负相关映射值和参考速度的均值的负相关映射值之间乘积的归一化值，作为对应的车辆速度随机系数。

在本发明实施例中，依次将每个初始车辆速度数据段作为第个初始车辆速度数据段，则第/>个初始车辆速度数据段的车辆速度随机系数的获取方法在公式上表现为：

其中，为第/>个初始车辆速度数据段的车辆速度随机系数，/>为第/>个初始车辆速度数据段的参考速度的方差，/>为第/>个初始车辆速度数据段的参考速度的均值；/>为以自然常数为底的指数函数，/>为归一化函数。

对应的车辆速度随机系数越大，说明越符合参考速度数据集中分布的条件，因此将车辆速度随机系数大于预设车辆速度阈值的初始车辆速度数据段，作为车辆速度集中数据段，预设车辆速度阈值大于0。在本发明实施例中，预设车辆速度阈值设置为0.6，实施者可根据具体实施环境自行调整。

在得到具有车辆等待红灯的数据信息对应的时间间隔集中数据段和车辆速度集中数据段后，进一步地对这些数据进行打乱，实现对车辆等待红灯的数据之间的关联性的破坏。本发明实施例对时间间隔集中数据段和车辆速度集中数据段中的每个集中数据段的数据顺序进行打乱，得到对应的参考车辆管理数据序列。

优选地，参考车辆管理数据序列的获取方法包括：

对于任意一个初始车辆管理数据序列：依次将每个时间间隔集中数据段和每个车辆速度集中数据段作为目标集中数据段，进一步地对目标集中数据段进行分析，从而实现对所有时间间隔集中数据段和所有车辆速度集中数据段的处理。

获取目标集中数据段中的各个数据在初始车辆管理数据序列中的索引值；将目标集中数据段对应的所有索引值随机打乱，得到目标集中数据段对应的索引值随机序列；根据索引值随机序列中的索引值顺序对目标集中数据段中的数据进行排列，得到目标集中数据段对应的集中打乱数据段。在本发明实施例中，通过洗牌算法将目标集中数据段中的所有索引值进行随机打乱，得到索引值随机序列。例如，若目标集中数据段存在四个数据先后分别a、b、c、d，且数据a的索引值为357、b为358、c为359、d为360，则随机打乱后，这四个数据对应的索引值依然对应这个四个数，但是位置发生改变，若得到的索引值随机序列为358、360、357、359，则按照索引值随机序列中的索引值顺序排列后，对应的集中打乱数据段中数据的先后顺序为b、d、a、c。需要说明的是，洗牌算法为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。

在初始车辆管理数据序列中，将每个集中数据段替换为对应的集中打乱数据段，得到对应的优化参考车辆管理数据序列。优化参考车辆管理数据序列仅仅将集中数据段中的数据进行打乱，没有考虑到数据还原的过程，因此本发明实施例以各个集中数据段在初始车辆管理数据序列的先后顺序，在优化参考车辆管理数据序列的最后一个数据后，依次添加每个集中数据段对应的索引值随机序列，得到对应的参考车辆管理数据序列。在进行数据还原时，从后至前按照满足数据连续的索引值随机序列进行还原即可。

考虑到采样时间段的特征时间点数据对应智能交通系统的监测数据中的时间点信息，因此需要特征时间点数据进行打乱，从而实现对特征时间点数据的保护。本发明实施例对每个参考车辆管理数据序列中的特征时间点数据进行打乱后结合对应的车辆数量，得到对应的混乱车辆管理数据序列。

优选地，混乱车辆管理数据序列的获取方法包括：

对于任意一个参考车辆管理数据序列：

在参考车辆管理数据序列中，将采样起始时间点的索引值作为第一索引值；将采样终止时间点的索引值作为第二索引值；在参考车辆管理数据序列中除去第一索引值和第二索引值后的其他所有索引值中，随机选取一个索引值作为随机索引值，将随机索引值在参考车辆管理数据序列中对应的数据与采样终止时间点的数据进行位置交换后，将交换后的采样终止时间点的位置与采样起始时间点的位置进行交换，得到中间车辆管理数据序列。在本发明实施例中，随机索引值的选取方法通过函数，在参考车辆管理数据序列中除去第一索引值和第二索引值后的其他所有索引值中获取。需要说明的是，/>函数为本领域技术人员所熟知的现有技术，在此不做赘述。

进一步地考虑到车辆数量的信息有助于帮助数据还原，本发明实施例获取参考车辆管理数据序列对应采样时间段内的车辆数量。并且为了方便后续对特征时间点数据的还原，本发明实施例在中间车辆管理数据序列后添加对应的随机索引值，并在随机索引值后添加对应的车辆数量的数据，得到对应的混乱车辆管理数据序列。也即在本发明实施例中，混乱车辆管理数据序列从后之前依次为车辆数量数据、随机索引值、索引值随机序列、车辆速度集中数据段中数据打乱后的车辆速度数据子序列、时间间隔集中数据段中数据打乱后的时间间隔数据子序列、随机索引值在参考车辆管理数据序列中对应的数据以及采样终止时间点，并且采样起始时间点在混乱车辆管理数据序列中随机索引值对应的索引值数据中。

由于后续通过密码学攻击模拟方法进行数据安全性检测的前提是数据完成加密，因此本发明实施例对所有混乱车辆管理数据序列进行编码保护处理，得到车辆管理检测数据。

优选地，车辆管理检测数据的获取方法包括：

考虑到后续需要通过矩阵的形式进行编码压缩，本发明实施例统计各个混乱车辆管理数据序列中的最大数据数量。具体的：首先获取各个采样数据段对应的混乱车辆管理数据序列中的数据数量，将数据数量最大的混乱管理数据序列对应的数据数量作为最大数据数量。

将每个混乱车辆管理数据序列的数据数量与最大数据数量之间的差异，作为第三参考差异；在每个混乱车辆管理数据序列后补充第三参考差异个0，得到每个混乱车辆管理数据序列对应的补充车辆管理数据序列；根据对应的采样时间段的先后顺序将所有的补充车辆管理数据序列进行排列，得到车辆管理数据矩阵，车辆管理数据矩阵中每行数据对应一个补充车辆管理数据序列，从而使得矩阵中每行数据的数量相同。

对车辆管理数据矩阵通过哈夫曼编码算法进行压缩编码，得到车辆编码数据矩阵；将车辆编码数据矩阵以从上到下、从左到右的顺序转换为预设矩阵大小的明文矩阵；通过AES算法对明文矩阵进行处理，得到车辆管理检测数据和AES解密密钥。在本发明实施例中，预设矩阵大小设置为4×4，实施者可根据具体实施环境自行调整。需要说明的是，哈夫曼编码算法、高级加密标准（Advanced Encryption Standard，AES）算法以及明文矩阵的生成方法为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。

物联网数据安全性检测模块103，用于根据车辆管理检测数据通过密码学攻击模拟方法进行物联网数据安全性检测。

在得到车辆管理检测数据后，本发明实施例根据车辆管理检测数据通过密码学攻击模拟方法进行物联网数据安全性检测。

优选地，根据车辆管理检测数据通过密码学攻击模拟方法进行物联网数据安全性检测的方法包括：

通过密码学攻击模拟方法对车辆管理检测数据进行攻击，得到攻击密钥；当攻击密钥与AES解密密钥一致时，物联网数据安全性检测不合格；当攻击密钥与AES解密密钥不一致时，物联网数据安全性检测合格。在本发明实施例中，密码学攻击模拟方法采用差分功耗攻击。由于差分功耗攻击算法能够根据数据之间的关联性推算出其密钥，而本发明实施例将关联性较高的数据之间的关联性破坏，使得通过AES算法得到AES解密密钥更少的依靠数据之间的关联性，使得通过密码学攻击模拟方法对数据关联性较高的监测数据进行安全性监测时的结果不合格的概率更低，更加符合实际情况，并且对数据的保护更加完善。需要说明的是，差分功耗攻击为本领域技术人员所熟知的现有技术，在此不做进一步赘述。

综上所述，本发明对初始车辆管理数据序列中的数据关联性进行分析，得到数据关联性较高的时间间隔集中数据段和车辆速度集中数据段，并对数据关联性较高的集中数据段的数据顺序进行打乱，从而得到安全性更高且数据关联性破坏后的混乱车辆管理数据序列，并进一步地对混乱车辆管理数据序列进行编码保护处理，得到车辆管理检测数据，最后通过密码学攻击模拟方法对车辆管理检测数据进行物联网数据安全性检测。本发明对数据打乱后的车辆管理检测数据进行物联网数据安全性检测的准确性更高。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.一种基于物联网的数据安全性检测系统，其特征在于，所述系统包括：

初始车辆管理数据序列获取模块，用于获取每个采样时间段对应的初始车辆管理数据序列，所述初始车辆管理数据序列包括采样时间段的特征时间点数据、时间间隔数据子序列以及车辆速度数据子序列；

车辆管理检测数据获取模块，用于在每个初始车辆管理数据序列中，根据时间间隔数据子序列中的数据的局部集中分布情况，得到至少两个时间间隔集中数据段；根据车辆速度数据子序列中的数据的局部集中分布情况，得到至少两个车辆速度集中数据段；对时间间隔集中数据段和车辆速度集中数据段中的每个集中数据段的数据顺序进行打乱，得到对应的参考车辆管理数据序列；对每个参考车辆管理数据序列中的所述特征时间点数据进行打乱并结合对应的车辆数量，得到对应的混乱车辆管理数据序列；对所有混乱车辆管理数据序列进行编码保护处理，得到车辆管理检测数据；

物联网数据安全性检测模块，用于根据所述车辆管理检测数据通过密码学攻击模拟方法进行物联网数据安全性检测。

2.根据权利要求1所述的一种基于物联网的数据安全性检测系统，其特征在于，所述初始车辆管理数据序列的获取方法包括：

将每个车辆经过采样位置的时间与其前一个车辆经过采样位置的时间之间的差异，作为每个车辆的参考时间间隔；将每个车辆经过采样位置的速度，作为每个车辆的参考速度；

将每个采样时间段中的各个参考时间间隔以对应的车辆经过采样位置的顺序进行排列，得到每个采样时间段对应的时间间隔数据子序列；将每个采样时间段中的各个参考速度以对应的车辆经过采样位置的顺序进行排列，得到每个采样时间段对应的车辆速度数据子序列；

统计每个采样时间段的采样起始时间点和采样终止时间点；以所述采样起始时间点、所述采样终止时间点、所述时间间隔数据子序列和所述车辆速度数据子序列的顺序进行排列，得到每个采样时间段对应的初始车辆管理数据序列。

3.根据权利要求2所述的一种基于物联网的数据安全性检测系统，其特征在于，所述时间间隔集中数据段的获取方法包括：

对于任意一个时间间隔数据子序列：

将时间间隔数据子序列划分为至少两个初始时间间隔数据段；依次将每个初始时间间隔数据段作为目标初始时间间隔数据段；

获取目标初始时间间隔数据段内所有参考时间间隔的偏度和均值；根据目标初始时间间隔数据段中的参考时间间隔的数量、所述偏度和所述均值构建时间间隔随机系数计算模型，根据所述时间间隔随机系数计算模型获取目标初始时间间隔数据段的时间间隔随机系数；

将时间间隔随机系数大于预设时间间隔阈值的初始时间间隔数据段，作为时间间隔集中数据段。

4.根据权利要求3所述的一种基于物联网的数据安全性检测系统，其特征在于，所述时间间隔随机系数计算模型包括：

其中，为目标初始时间间隔数据段的时间间隔随机系数，/>为目标初始时间间隔数据段，/>为目标初始时间间隔数据段内所有参考时间间隔数据对应的偏度，/>为目标初始时间间隔数据段中的参考时间间隔的数量，/>为目标初始时间间隔数据段内第/>个参考时间间隔数据的数值，/>为归一化函数，/>为双曲正切函数，/>为绝对值符号；/>为预设调节参数，预设调节参数大于0。

5.根据权利要求2所述的一种基于物联网的数据安全性检测系统，其特征在于，所述车辆速度集中数据段的获取方法包括：

对于任意一个车辆速度数据子序列：

将车辆速度数据子序列划分为至少两个初始车辆速度数据段；

计算每个初始车辆速度数据段对应的参考速度的方差和参考速度的均值；根据所述参考速度的方差和所述参考速度的均值，得到每个初始车辆速度数据段的车辆速度随机系数，所述参考速度的方差和所述参考速度的均值均与车辆速度随机系数呈负相关关系；将车辆速度随机系数大于预设车辆速度阈值的初始车辆速度数据段，作为车辆速度集中数据段。

6.根据权利要求1所述的一种基于物联网的数据安全性检测系统，其特征在于，所述参考车辆管理数据序列的获取方法包括：

对于任意一个初始车辆管理数据序列：

依次将每个时间间隔集中数据段和每个车辆速度集中数据段作为目标集中数据段；获取目标集中数据段中的各个数据在所述初始车辆管理数据序列中的索引值；将目标集中数据段对应的所有索引值随机打乱，得到目标集中数据段对应的索引值随机序列；根据所述索引值随机序列中的索引值顺序对目标集中数据段中的数据进行排列，得到目标集中数据段对应的集中打乱数据段；

在初始车辆管理数据序列中，将每个集中数据段替换为对应的集中打乱数据段，得到对应的优化参考车辆管理数据序列；以各个集中数据段在初始车辆管理数据序列的先后顺序，在优化参考车辆管理数据序列的最后一个数据后，依次添加每个集中数据段对应的索引值随机序列，得到对应的参考车辆管理数据序列。

7.根据权利要求2所述的一种基于物联网的数据安全性检测系统，其特征在于，所述混乱车辆管理数据序列的获取方法包括：

对于任意一个参考车辆管理数据序列：

在参考车辆管理数据序列中，将采样起始时间点的索引值作为第一索引值；将采样终止时间点的索引值作为第二索引值；在参考车辆管理数据序列中除去所述第一索引值和所述第二索引值后的其他所有索引值中，随机选取一个索引值作为随机索引值，将所述随机索引值在参考车辆管理数据序列中对应的数据与所述采样终止时间点的数据进行位置交换后，将交换后的采样终止时间点的位置与采样起始时间点的位置进行交换，得到中间车辆管理数据序列；

获取参考车辆管理数据序列对应采样时间段内的车辆数量；在中间车辆管理数据序列后添加所述随机索引值，并在所述随机索引值后添加对应的车辆数量的数据，得到对应的混乱车辆管理数据序列。

8.根据权利要求1所述的一种基于物联网的数据安全性检测系统，其特征在于，所述车辆管理检测数据的获取方法包括：

统计各个混乱车辆管理数据序列中的最大数据数量；将每个混乱车辆管理数据序列的数据数量与所述最大数据数量之间的差异，作为第三参考差异；在每个混乱车辆管理数据序列后补充第三参考差异个0，得到每个混乱车辆管理数据序列对应的补充车辆管理数据序列；

根据对应的采样时间段的先后顺序将所有的补充车辆管理数据序列进行排列，得到车辆管理数据矩阵，所述车辆管理数据矩阵中每行数据对应一个补充车辆管理数据序列；

对所述车辆管理数据矩阵通过哈夫曼编码算法进行压缩编码，得到车辆编码数据矩阵；将所述车辆编码数据矩阵以从上到下、从左到右的顺序转换为预设矩阵大小的明文矩阵；通过AES算法对所述明文矩阵进行处理，得到车辆管理检测数据和AES解密密钥。

9.根据权利要求8所述的一种基于物联网的数据安全性检测系统，其特征在于，所述根据所述车辆管理检测数据通过密码学攻击模拟方法进行物联网数据安全性检测的方法包括：

通过密码学攻击模拟方法对所述车辆管理检测数据进行攻击，得到攻击密钥；当所述攻击密钥与所述AES解密密钥一致时，物联网数据安全性检测不合格；当所述攻击密钥与所述AES解密密钥不一致时，物联网数据安全性检测合格。

10.根据权利要求5所述的一种基于物联网的数据安全性检测系统，其特征在于，所述车辆速度随机系数的获取方法包括：

将所述参考速度的方差的负相关映射值和所述参考速度的均值的负相关映射值之间乘积的归一化值，作为每个初始车辆速度数据段对应的车辆速度随机系数。