CN117395698A - 智能网联终端数据安全hil测试系统 - Google Patents
智能网联终端数据安全hil测试系统 Download PDFInfo
- Publication number
- CN117395698A CN117395698A CN202311320898.6A CN202311320898A CN117395698A CN 117395698 A CN117395698 A CN 117395698A CN 202311320898 A CN202311320898 A CN 202311320898A CN 117395698 A CN117395698 A CN 117395698A
- Authority
- CN
- China
- Prior art keywords
- test
- tested
- data security
- positioning
- data
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 146
- 238000012795 verification Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 16
- 230000003993 interaction Effects 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000001413 cellular effect Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000013524 data verification Methods 0.000 claims description 3
- 239000000243 solution Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims 9
- 238000011056 performance test Methods 0.000 abstract description 5
- 238000013102 re-test Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000000737 periodic effect Effects 0.000 description 6
- 238000007476 Maximum Likelihood Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
-
- 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
- H04W4/024—Guidance 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Security & Cryptography (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供一种智能网联终端数据安全HIL测试系统,采用软件可控的、可以加载的信号场景输出功能,真实的测试出智能网联中度过不同环境下运行情况,对终端进行全功能全负荷测试;实现高精度定位、测试系统可以模拟高精度定位信息,提供准确时间的定位信息,被测系统带时间戳的定位报文,对被测设备的动态高精度性能进行测试;高速验签性能测试,通过高速的需要验签交互的动态数据进行交互,测试设备签名验签速度;将验签速度与动态距离(通过信号强度调节曲线,实际采集),进行结合;全系统采用天线直连方式,改变了传统的无线连接模式,避免了再测试过程中无线信号的逸散偏离无法保证输出的与输入的一致问题。
Description
技术领域
本发明涉及智能网联数据安全领域,尤其是涉及智能网联终端数据安全HIL测试系统。
背景技术
传统智能网联的测试系统是列举测试用例,然后搭建测试台架,然后通过应用的黑盒方式,各种工具去查看设备运行输出结果,通过与设置的用例进行对比,最终得出测试项目的结论。
传统的控制器测试方案再没有无线射频信号的参与的情况下是完全可以满足需求的,因为测试输入输出与控制器运行过程中的输入输出信号是完全相同的,但是其无法完全覆盖智能网联中的的测试,包括安全,定位精度、蜂窝信号等测试,因为蜂窝与射频信号是无法可视的信号;同时无线信号具有容易收到环境影响的特点,并且运动的物体截接收到的动态信号也收到速度,天气等环境的影响,因此传统测试方案是无法满足智能网联终端的测试需求的,按照传统方案的测试智能网联终端是存在缺陷的。
在专利文献CN116545903A中公开了一种智能网联汽车数据安全测试系统及方法,但该发明注重的是终端设备的数据安全测试,与本发明的侧重点有所区别。该发明没有提及软件可控的信号场景输出、高精度定位模拟和高速验签性能测试等功能,该发明也没有提到类似天线直连方式取代传统的无线连接模式,以解决无线信号逸散偏离一致性的问题的架构改进。
发明内容
为解决上述技术问题,本发明提出了智能网联终端数据安全HIL测试系统,通过对可控可编程的GNSS、蜂窝信号输出设备,采集不同测试场景下的信号,对智能网联终端进行测试。具体包括以下步骤:
S1、输入实地采集的不同天气、不同场景下的蜂窝信号与GNSS信号的用例库;
S2、需要借助V2X无线通信系统进行数据安全测试;
S3、通过可控的V2X通信速率,采集被测终端响应的速率并且对通信的数据进行验签,判断验签是否能满足通信速率;
S4、加载不同真实场景下的定位射频参数通过软件可控的信号发生设备进行输出,从而对定位精度进行测试。
优选的方案中,步骤S1中所述的用例库按照特定时间、地点和路况来随机产生多种不同的测试用例,实地采集后更新丰富测试库,通过对实际库进行预览、修改和编辑,从而可以生成连续的测试场景。
优选的方案中,将步骤S1中的测试用例按照特定的标准进行编组;为每批测试用例分配标签;测试结束后,自动生成完整的测试报告,测试报告包括测试用例的基本信息和测试结果、测试设备的运行记录和结果、以及可能出现的问题和解决方案。
优选的方案中,步骤S2中通过信号发生机发出实际场景的V2X信号情况,同时与被测系统进行测试通信,接收应答交互信息;同时加入V2X攻击信号注入程序,发出可控的攻击信号,同时对被测终端的应答信息进行自动判断:判读能否可以正常通信、是否被攻击。
优选的方案中,步骤S2中的被测系统带时间戳的定位报文,用于对被测设备的动态高精度性能进行测试。
优选的方案中,步骤S3中通信的数据和速率都是动态的;利用多核处理器或者分布式计算系统,将验签任务并行优化处理,从而提高验签速度;将动态数据分成多个子任务,同时进行验签操作,并在最后进行结果的合并。
优选的方案中,步骤S4中定位测试输出多种位置格式,以适应不同用户的需求,同时输出多种时间格式,方便用户进行数据集成和后续处理。
优选的方案中,步骤S4中针对不同测试需求和应用场景,通过傅里叶变换、局部信息差分分析和贝叶斯网络,实现用户对测试数据进行深入探究和解释,以及评估测试结果的可用性和精度。使用傅里叶变换将时间域信号转换为频域信号,从而可以对信号的频谱进行分析,进一步了解信号特征和频率成分的分布情况;通过对测试数据进行局部信息比较和差分分析,可以检测出数据之间的差异和变化趋势,进而揭示出可能存在的问题或异常情况;利用贝叶斯网络建模,可以根据已有的先验知识和测试数据中的观察结果来推断潜在的因果关系和概率依赖关系,从而进行数据的推理和预测。其中傅里叶变换公式如下:
其中,f(t)为一个非周期函数,F(ω)为该函数在频域上的表示,为复指数函数,ω为角频率;
贝叶斯网络的概率表达式如下:
其中,X 1 ,X 2 ,...,X n 是网络中的所有随机变量,/>表示节点X i 在它的父节点集合/>给定的条件下的条件概率分布,"/>"表示对所有变量的条件概率分布进行乘积运算,表示所有变量的联合概率分布。
优选的方案中,步骤S4中进行全场景测试,在测试过程中增加数据校验机制,根据接收到的输入数据和输出数据,对数据进行校验和分析。
优选的方案中,步骤S4中使用高精度全球卫星定位系统设备,并选取密集分布的参考站建立精密定位网络,通过差分定位或者RTK技术提高定位精度。
本发明具有以下的有益效果:
1)本发明通过软件可控的通信的设备模拟不同的测试环境对备测设备进行测试,并可以实时的收到被测设备的输出信息,进行相关功能的的对比测试,从而达到全面测试的目的。从而实现有针对的测试;避免了实地测试测试的地点与花费的实际时间巨大的问题;可以一次采集测试环境数据,多次使用,并且可以用动态函数生成组的测试环境,从而对终端进行充分的测试,既提高了测试效率、测试质量又减低了测试难度。
2)本发明通过动态软件可控的环境信号(不同环境,不同天气下)生成系统,解决了原有信号测试系统信号的范围式测试方案。
3)本发明解决了高精度定位信号与数据安全加密验签的测试与环境结合的问题,可以测试不同环境下终端定位与验签性能。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是传统智能网联测试系统示意图;
图2是本发明中的智能网联终端测试系统图。-
具体实施方式
图1是传统的智能网联测试系统,图2为本发明对传统测试系统进行改进后的测试系统图,该系统技术方案的核心技术点如下:
1、采用软件可控的,可以加载的信号场景输出功能,可以真实的测试出智能网联中度过不同环境下运行情况,对终端进行全功能全负荷测试;
在一种方案中,上述流程还包括以下步骤:
1)精细化测试用例的准备
将测试用例细分,包括按照特定时间、地点和路况来随机产生多种不同的测试用例。用例库中可以包含测试用例的所有信息,例如测试场景、蜂窝信号以及GNSS信号。此外,用例库应该能够更新和修改。
2)测试用例分组和打标编号
在测试中需要将测试用例按照特定的标准进行编组(如根据测试场景或者路况等)。可以为每批测试用例分配标签,这样可以更容易地识别和管理测试结果。
3)生成测试报告
测试结束后,自动生成完整的测试报告,包括测试用例的基本信息和测试结果、测试设备的运行记录和结果、以及可能出现的问题和解决方案等详细信息。
4)采取自动化方案
在整个测试流程中可以采用自动化方案。通过自动执行分配的测试用例,并自动将测试结果记录在测试报告中,从而节省测试时间并提高测试精度。
5)数据分析和优化
对测试结果进行数据分析和优化,以优化测试用例的性能,提高测试的有效性和效率。可以参照测试报告中的数据分析结果,然后改进测试用例库中的测试用例,以实现更好的测试效果。
2、可以实现高精度定位、测试系统可以模拟高精度定位信息,提供准确时间的定位信息,被测系统带时间戳的定位报文,可以对被测设备的动态高精度性能进行测试;
在一种方案中,上述流程还包括以下步骤:
1)使用高精度全球卫星定位系统设备,并选取密集分布的参考站建立精密定位网络,通过差分定位或者RTK技术提高定位精度。
2)在测试系统中引入多种干扰现象、异常情况的模拟和检测机制,并开发适当的数据处理算法,确保测试数据的准确和可靠。
3)支持多种常用的位置格式输出和时间格式输出,并提供简单易用的数据转换工具,方便用户进行数据集成和后续处理。
4)针对不同测试需求和应用场景,开发多种数据分析工具和算法,例如周期性误差分析、多路径效应分析、置信度评估等,支持用户对测试数据进行深入探究和解释,以及评估测试结果的可用性和精度。其中,周期性误差分析算法主要用于周期性误差的识别和评估,可以帮助检测系统中的周期误差,并分析其对系统性能的影响;多路径效应分析算法则主要用于分析信号在传播过程中受到多条路径干扰的影响。
在一种方案中,周期性误差分析具体应用的算法是傅里叶变换。傅里叶变换将信号从时域转换为频域,它能够将信号分解成各个频率成分的能量分布。在该发明中,傅里叶变换应用于对输入号的频谱分析,帮助分析不同天气和场景下的蜂窝信号和GNSS信号的特征。利用傅里叶变换来分析原始信号的频谱,识别出信号中的主要频率成分。在采集到原始信号之后立即对其进行傅里叶变换,以获取信号的频率分布信息。在实现过程中,可以利用FFT算法和离散傅里叶变换来对信号进行频谱分析,并计算出傅里叶变化得到的频谱中的频率分量和能量分布。
其中傅里叶变换公式如下:
其中,f(t)为一个非周期函数,F(ω)为该函数在频域上的表示,为复指数函数,ω为角频率;
在一种方案中,置信度评估选用的算法是局部信息差分分析:通过将传输路径切分成不同的块,将信号分为不同的部分,并得到每个块的测试结果进行局部信息差分分析,以确定不同路径上信号传播的质量和干扰情况。
在一种方案中,置信度评估选用的算法是蒙特卡罗方法:通过随机采样技术,模拟出多个可能的路径,从而得到整个系统中不同路径的贡献和生成概率,从而对多路径效应进行分析。
在一种方案中,置信度评估选用的算法是贝叶斯网络(Bayesian Network),对测试数据进行可靠性评估,如数据处理、特征提取等。贝叶斯网络是基于概率图模型的推理方法,可以用于对实例进行分类、预测或者评分。在建立贝叶斯网络模型中,需要通过对测试数据的学习来建立网络,其优点是可以根据事实不断地更新网络,提高测试结果的稳定性。
贝叶斯网络的概率表达式如下:
其中,X 1 ,X 2 ,...,X n 是网络中的所有随机变量,/>表示节点X i 在它的父节点集合/>给定的条件下的条件概率分布,"/>"表示对所有变量的条件概率分布进行乘积运算,表示所有变量的联合概率分布。
在一种方案中,利用最大似然估计算法(Maximum Likelihood Estimation, MLE)来对测试数据进行参数估计,如均值、方差等。最大似然估计是一种常见的统计方法可以用于对概率分布进行估计。在应用场景上,可以用最大似然估计来进行数据建模,评估数据的可靠性和精度。最大似然估计可用于对广域时空数据进行建模,并利用结果来监控和预测局部信号的可靠性。
3、高速验签性能测试,通过高速的需要验签交互的动态数据进行交互,测试设备签名验签速度;将验签速度与动态距离(通过信号强度调节曲线,实际采集),进行结合.
在一种方案中,上述流程还包括以下步骤:
1)验签算法优化:通过对验签算法的优化,可以提高验签速度。可以考虑采用更高效的算法或者对现有算法进行优化,以减少计算复杂度和提高验签的速度。
2)并行计算:利用多核处理器或者分布式计算系统,将验签任务并行化处理,从而提高验签速度。可以将动态数据分成多个子任务,同时进行验签操作,并在最后进行结果的合并。
3)硬件加速:可以借助硬件加速技术,如专用的验签加速卡或者使用GPU来加速验签操作。这些硬件加速设备具有更高的计算性能,可以大幅提升验签的速度。
4)动态数据生成:为了进行高速验签性能测试,需要快速生成大量的动态数据,可以设计合适的算法和数据模型,以产生具有一定规律性和代表性的动态数据,以尽可能模拟实际应用场景。
5)测试环境的优化:在进行验签性能测试时,需要优化测试环境。可以采用高性能的服务器、高速存储设备以及优化的网络设置,以确保测试环境不成为验签性能的瓶颈,从而准确评估设备的验签速度。
4、全系统采用天线直连方式,改变了传统的无线连接模式,避免了再测试过程中无线信号的逸散偏离无法保证输出的与输入的一致问题。
在一种方案中,上述流程还包括以下步骤:
1)通过对天线直连方式的优化,可以进一步提高精度和稳定性。可以考虑采用更高质量更适合的连接器和线缆以减少信号损失和干扰,以及增加信号防护和抗干扰处理电路以提高信号可靠性。
2)采用天线直连方式可以避免传统无线连接的信号逸散和偏离问题,但同时需要保证数据的质量和精度。可以在测试过程中增加数据校验机制,根据接收到的输入数据和输出数据,对数据进行校验和分析,确保数据一致性和准确性。
3)通过制定天线直连的接口规范和标准化,可以确保各种测试设备之间的数据交互能够顺利进行。可以制定接口的物理特性和方式、数据格式和传输协议、信号参数和范围等规范,以确保各设备之间的兼容性和互通性。
4)为了保证使用天线直连方式的系统的稳定性和可靠性,需要对设备的布局和防护进行优化。可以考虑加强设备的支撑结构和固定方式,防止设备移位和震动导致信号中断或错位,选取适当的连接点和连接方式等。
在一种方案中,本发明中的测试系统还可以进行以下优化处理:
1)数据预处理:对测试数据进行预处理,例如数据清洗、降维或特征提取等,可以有效提高模型的精度和泛化能力。
2)模型调参:根据实际测试情况,针对具体问题对模型参数进行调整,以达到最佳性能和准确度。
3)集成学习:多个不同的模型组合在一起,有可能进一步提高测试结果的可靠性和精度。
4)主动学习:利用主动学习方法,通过选择合适的样本进行训练,可以提高模型效率和泛化能;
5)增量式学习:利用增量式学习方法,可以不断积累新知识并更新模型,从而使模型更加灵活和适应性强。
上述的实施例仅为本发明的优选技术方案,而不应视为对于本发明的限制,本发明的保护范围应以权利要求记载的技术方案,包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进,也在本发明的保护范围之内。
Claims (10)
1.一种智能网联终端数据安全HIL测试系统,其特征在于,包括以下步骤:
S1、输入实地采集的不同天气和不同场景下的蜂窝信号与GNSS信号的用例库;
S2、需要借助V2X无线通信系统进行数据安全测试;
S3、通过可控的V2X通信速率,采集被测终端响应的速率并且对通信的数据进行验签,判断验签是否能满足通信速率;
S4、加载不同真实场景下的定位射频参数通过软件可控的信号发生设备进行输出,从而对定位精度进行测试。
2.根据权利要求1所述智能网联终端数据安全HIL测试系统,其特征在于:步骤S1中所述的用例库按照特定时间、地点和路况来随机产生多种不同的测试用例,实地采集后更新丰富测试库,通过对实际库进行预览、修改和编辑,从而可以生成连续的测试场景。
3.根据权利要求2所述智能网联终端数据安全HIL测试系统,其特征在于:将步骤S1中的测试用例按照特定的标准进行编组;为每批测试用例分配标签;测试结束后,自动生成完整的测试报告,测试报告包括测试用例的基本信息和测试结果、测试设备的运行记录和结果、以及可能出现的问题和解决方案。
4.根据权利要求1所述智能网联终端数据安全HIL测试系统,其特征在于:步骤S2中通过信号发生机发出实际场景的V2X信号情况,同时与被测系统进行测试通信,接收应答交互信息;同时加入V2X攻击信号注入程序,发出可控的攻击信号,同时对被测终端的应答信息进行自动判断:判读能否可以正常通信、是否被攻击。
5.根据权利要求1所述智能网联终端数据安全HIL测试系统,其特征在于:步骤S2中的被测系统带时间戳的定位报文,用于对被测设备的动态高精度性能进行测试。
6.根据权利要求1所述智能网联终端数据安全HIL测试系统,其特征在于:步骤S3中通信的数据和速率都是动态的;利用多核处理器或者分布式计算系统,将验签任务并行优化处理,从而提高验签速度;将动态数据分成多个子任务,同时进行验签操作,并在最后进行结果的合并。
7.根据权利要求1所述智能网联终端数据安全HIL测试系统,其特征在于:步骤S4还包括以下步骤:定位测试输出多种位置格式,以适应不同用户的需求,同时输出多种时间格式,方便用户进行数据集成和后续处理。
8.根据权利要求1所述智能网联终端数据安全HIL测试系统,其特征在于:步骤S4中还包括以下步骤:针对不同测试需求和应用场景,通过傅里叶变换、局部信息差分分析和贝叶斯网络,实现用户对测试数据进行深入探究和解释,以及评估测试结果的可用性和精度。
9.根据权利要求1所述智能网联终端数据安全HIL测试系统,其特征在于:步骤S4中还包括以下步骤:进行全场景测试,在测试过程中增加数据校验机制,根据接收到的输入数据和输出数据,对数据进行校验和分析。
10.根据权利要求1所述智能网联终端数据安全HIL测试系统,其特征在于:步骤S4还包括以下步骤:使用高精度全球卫星定位系统设备,并选取密集分布的参考站建立精密定位网络,通过差分定位或者RTK技术提高定位精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311320898.6A CN117395698A (zh) | 2023-10-12 | 2023-10-12 | 智能网联终端数据安全hil测试系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311320898.6A CN117395698A (zh) | 2023-10-12 | 2023-10-12 | 智能网联终端数据安全hil测试系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117395698A true CN117395698A (zh) | 2024-01-12 |
Family
ID=89436829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311320898.6A Pending CN117395698A (zh) | 2023-10-12 | 2023-10-12 | 智能网联终端数据安全hil测试系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117395698A (zh) |
-
2023
- 2023-10-12 CN CN202311320898.6A patent/CN117395698A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111177095B (zh) | 日志分析方法、装置、计算机设备及存储介质 | |
CN106874187A (zh) | 代码覆盖率收集方法和装置 | |
CN112052172B (zh) | 第三方通道的快速测试方法、装置和电子设备 | |
US10771994B2 (en) | Method and test system for mobile network testing as well as a network testing system | |
CN114337792A (zh) | 卫星通信信号故障诊断方法及装置 | |
CN116405412B (zh) | 基于混沌工程故障模拟服务端集群有效性验证方法和系统 | |
CN112910699A (zh) | 电力物联网的智能故障检测方法及装置 | |
CN117395698A (zh) | 智能网联终端数据安全hil测试系统 | |
Li et al. | Design space exploration for wireless-integrated factory automation systems | |
CN116707859A (zh) | 特征规则提取方法和装置、网络入侵检测方法和装置 | |
US11507803B2 (en) | System for generating synthetic digital data for data multiplication | |
CN115292178A (zh) | 测试数据搜索方法、装置、存储介质以及终端 | |
Ji et al. | Low frequency oscillation modal identification based on blind source separation considering uncertainty of modal parameters | |
CN114676047A (zh) | 一种基于故障模式库的无人机软件安全性质分析验证方法 | |
CN115866235A (zh) | 视频质量评估方法、装置、电子设备及存储介质 | |
Rusak et al. | Physically-based models of low-power wireless links using signal power simulation | |
US20210241075A1 (en) | System for generating synthetic digital data of multiple sources | |
CN117692940B (zh) | 一种基于微波链路的微波系统性能检测方法 | |
CN116594828B (zh) | 一种端智能的质量评测方法及装置 | |
CN113238262B (zh) | 一种gnss源模拟器用的用户数据处理方法 | |
CN111651346B (zh) | 前端组件的测试方法、装置、存储介质及计算机设备 | |
Nguyen et al. | Testing mobile computing applications: toward a scenario language and tools | |
CN117370179A (zh) | 一种数字资源的验证和测试方法 | |
CN114741418A (zh) | 车身断面结构的优化方法、装置、电子设备及存储介质 | |
CN115203606A (zh) | 一种产品的测试检验方法、装置和计算机设备 |
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 |