申请/专利权人：浙江工业大学

申请日：2021-04-20

公开（公告）日：2024-03-22

公开（公告）号：CN113255725B

主分类号：G06F18/2433

分类号：G06F18/2433;G06F18/214;G06N3/0442;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2021.08.31#实质审查的生效;2021.08.13#公开

摘要：一种基于两阶段LSTM的汽车传感器攻击检测与修复方法，通过对数据集进行预处理，将汽车的各种转向情况按方向盘角度变化的剧烈程度进行标识，利用CLSTM分类模型进行特征提取，准确的识别汽车当前所处的转向情况，通过转向情况的差异自主选择相对应的RLSTM回归模型进行预测，通过设定一个误差阈值，通过比较当前时刻预测值与观测值的差，如果预测值与观测值的差高于这个误差阈值，将预测值替换观测值并反馈给汽车模型，本发明提出的这种两阶段LSTM方法，相比传统的单模型方法更能够应付汽车行驶环境复杂的场景，攻击检测准确率高，误报率低，且对汽车传感器受到的非侵入式注入攻击有一定的抵御效果。

主权项：1.一种基于两阶段LSTM的汽车传感器攻击检测与修复方法，其特征在于，所述方法包括以下步骤：步骤1：通过Carsim与Simulink仿真软件联合仿真采集数据，采集汽车在不同转向情况下的多个传感器数据形成数据集，多个传感器选择为横摆角速度AVz、侧向加速度Ay和方向盘转角Steer_SW，并对数据集进行预处理；步骤2：数据集的选择与分割；步骤3：通过两阶段LSTM进行训练；步骤4：训练阶段CLSTM使用CrossEntropyLoss作为损失函数，优化算法选用adam，RLSTM使用mse作为损失函数，优化算法选用rmsprop；步骤5：当损失函数满足最优情况时分别保存CLSTM与RLSTM，按汽车转向程度不同将RLSTM分别命名为0、1、2…n；步骤6：设计两阶段LSTM选择算法；步骤7：模型预测完之后，计算观测值与当前时刻实际值的误差et，利用窗口误差累计法来判断是否为受攻击后的汽车传感器数据；步骤8：人工设定一个阈值W0，选取一个时间滑动窗口m，计算当前窗口下预测值与观测值的误差累计将W0与进行比较，若大于阈值W0则将t时刻的观测值判定为异常值，若判定为异常则将当前时刻的预测值代替观测值进入下一窗口序列中输入到RLSTM中参与计算；步骤9：在汽车传感器数值受到攻击处的时刻，将RLSTM的预测值代替观测值进入汽车控制单元中进行闭环运算，达到消除攻击的目的；所述步骤2的过程如下：步骤2-1：将步骤1中所采集到的多种转向情况下汽车行驶开始时设定极短时间的传感器数据的作为分类样本；步骤2-2：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2-3：重复步骤2-2，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2-4：将步骤1中所采集到的横摆角速度AVz的全部数据集单独保存，命名为检测样本数据集Detection_data；所述步骤3中，通过两阶段LSTM进行训练的过程如下：步骤3-1：两阶段LSTM包括CLSTM与RLSTM，选取步骤2-3中的数据集Classify_data的70％作为训练集导入到CLSTM中进行训练，使用步骤2-3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3-2：LSTM相比RNN的不同之处在于其隐藏层加入了门机制和一个细胞状态的更新，门机制包括遗忘门、记忆门、输出门，门控函数ft根据上一时刻细胞单元的状态值来控制上一时刻那些信息需要被遗忘，其中状态值0表示遗忘，状态值1表示保留；记忆门it用于控制输入信息，判断是否需要记忆，输出门ot基于细胞状态确认输出信息，其中0表示不允许信息通过，1表示运行通过；步骤3-3：通过sigmoid函数进行分类，分类精度的评价指标使用Accuracy与Error_rate表示： 式中，TP表示真实类别为正例，预测类别为正例；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；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；步骤3-4：选取步骤2-4中的数据集Detection_data的70％作为训练集导入到RLSTM中进行训练，使用步骤2-4中的数据集Detection_data中的30％作为测试集，使用linear函数作为激活函数；步骤3-5：RLSTM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，给定步骤2-4中Detection_data中的前一小段序列预测模型可得知下一时刻即t时刻的预测值即将前t-1个数据作为输入数据被依次送入模型的输入层，根据窗口内序列的最后一个数据作为期望标签用于优化模型的预测误差；形式上，一个预测模型表示为函数f的近似模拟： 式中，映射满足时序约束，下一个时刻的预测值只与前面时刻的观测值有关，即只依赖于所述步骤6中，两阶段LSTM选择算法的过程如下；步骤6-1：将步骤2-3中Classify_data的测试集作为CLSTM的输入；步骤6-2：按照步骤5中模型命名的不同选择不同的RLSTM，对步骤2-4中Detection_data的测试集数据进行预测。

全文数据：

权利要求：

百度查询： 浙江工业大学 基于两阶段LSTM的汽车传感器攻击检测与修复方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD