[发明专利]一种基于卡方距离KNN的数据注入攻击检测方法

权利要求书

1.一种基于卡方距离KNN的数据注入攻击检测方法，其特征在于，所述方法包括以下步骤：

步骤1，数据提取：利用TCP/IP无线通讯，采集目标追踪系统在给定轨迹下正常运行的相关数据，分别为实际横轴坐标、实际纵轴坐标、车头航向角弧度以及由坐标推导求出的实际线速度与角速度；

采用基于视觉的预测控制方法：

首先，移动机器人通过悬架的固定摄像头进行定位，通过无线传输方式将控制指令发送给移动机器人，实现轨迹跟踪任务，O^wX^wY^wZ^w为世界坐标系，O^fX^fY^fZ^f为相机坐标系，则移动机器人的运动学模型表示为：

其中，(x，y，φ)分别为移动机器人在世界坐标系下的坐标位置和方向角，v和ω分别为移动机器人的线速度和角速度；

由于摄像头固定在悬架上，采用基于图像的视觉伺服方法得图像中移动机器人的像素坐标和实际坐标的关系如下：

其中，(x_r,y_r)为(x，y)在图像中的像素坐标，d是与相机深度信息相关的常数，θ₀为X^w和Y^f之间的夹角，为旋转矩阵，表示摄像机的光学中心在世界坐标系下的投影坐标，由于摄像头固定，因此d、R(θ₀)、p_x和p_y均为固定值；

定义如下的图像坐标系下跟踪误差如下：

不失一般性，假设θ₀和d已知，结合图像坐标系下角速度和线速度误差的关系

得到误差方程

其中，(x_r,y_r)^T为参考机器人质心在像素坐标系的位置，φ_r为参考机器人的方向向量，v_r和w_r分别表示参考机器人的线速度和角速度；

步骤2虚假数据的获取，从上述采集的数据中抽取2组，定义注入的虚假信息数据为方差一定，均值一定的分布数据，定义所述2组数据为虚假攻击产生的数据集，在每组篡改的特征向量前附上标签，向所述2组数据中注入多组不同方差不同均值的数据，都将其定义为错误数据标签；

步骤3，建立训练样本集与测试样本集，将步骤2得到的带有错误数据标签的一组虚假数据混合到随机抽取的设定百分比的正常数据中，得到其训练样本集，训练样本集表示为：

X＝{(x_i,c_i)|i＝1,2,...n} (6)

式中：是一个l维向量，即特征维数l为,表示第i个训练样本的第l个特征分量值，c_i表示第i个样本相应的类别，属于类别标签，将另一组带有错误数据标签的虚假数据混合到剩余的正常数据中，得到其测试样本集为：

Y＝{y_j|j＝1,2,...n} (7)

其中是一个l维向量，表示第j个训练样本的第i个特征分量值；

步骤4使用基于卡方距离的KNN算法对注入数据与正常数据进行区分；

步骤5根据检测结果，评价其分类精度C，对K值进行调整得到合理情况下的最好分类效果；

其中data_true为分类正确的样本数，data_all为测试样本总数，对于标签为正常数据的检测结果为正常，系统照常运行，对于标签为异常数据的检测结果为异常，将数据包丢弃并沿用上一次正确数据对系统进行控制。

2.如权利要求1所述的一种基于卡方距离KNN的数据注入攻击检测方法，其特征在于：所述步骤4中，基于卡方距离的KNN算法的处理过程如下：

4.1设定K值，K值的确定一般需要在实验中根据分类效果反复调整，直到找到最优的K值，通过交叉验证选择一个合适的K值；

4.2采用Z-score标准化方法将所有数据映射在同一尺度中，以此来提升分类精度，转化函数如下：

其中μ为所有样本数据的均值，σ为所有样本数据的标准差；

4.3将卡方距离与KNN结合，得到新的KNN分类器，卡方距离能反映各个特征量之间的相对距离变化，更具有实际意义，再为特征量赋予权重，得到其加权卡方距离公式为：

其中为卡方距离，ω_q为第q个特征量的权重系数，与为训练与测试样本的特征值，按所得距离降序排列，选择离测试样本点较近的k个训练样本，得到k个近邻训练样本点所属类别，把测试样本的类别归为K个训练样本点中出现次数最多的类别。