[发明专利]一种基于LTE-V2X的CACC车队异常车辆检测方法

权利要求书

1.一种基于LTE-V2X的CACC车队异常车辆检测方法，其特征在于，包括如下步骤：

1)构建基于LTE-V2X的车队模型：假设在同一车道上行驶有K+1辆车辆，依据CACC控制策略组成车队，将车辆标记为0,1,…,K，车辆0为头车，其余车辆为跟随车辆，其中存在一个观测车辆，假设所有车辆都具有CACC功能，车队内车辆通过LTE-V2V与相邻车辆进行通信，令s_i＝[x_i,v_i,a_i]^T表示车辆i的空间状态，其中x_i为车辆i的位置，v_i为车辆i的速度，a_i为车辆i的加速度，i＝1_,2,...,K，第i辆车的动力学模型描述为如公式(1)所示：

其中，τ_i表示车辆i的动力系统的时间常数，u_i表示车辆i的位置控制输入，u_i表达式如公式(2)所示：

u_i＝f[s_i(t-Δt)] (2)，

其中，f[·]表示控制方法，Δt表示通信时延，车辆i与前车之间的距离d_i表示为公式(3)所示：

d_i＝q_i-1-q_i-l_i (3)，

其中，q_i-1，q_i分别为车辆i-1、车辆i的后保险杠与最尾车后保险杠之间的距离，l_i表示车辆i的长度，在车队中，车间的间距控制策略如公式(4)所示：

d_r,i＝hv_i (4)，

其中，d_r,i为车辆之间的期望车距，h为车头时距即前车刹车时后车具有的最大反应时间，车队中车辆之间的实际车距与期望车距之间的距离差为e_i，即有e_i＝d_i-d_r,i，当e_i→0时，达到车队的最佳行驶状态，当车队中存在拒绝服务(Denial of Service，简称DOS)攻击时，假设加速度的通信延迟时，车辆i-1的加速度通过无线通信被车辆i接收，将延迟项Δt添加到前车车辆i-1的加速度上，公式(2)转换为公式(5)：

u_i＝f[a_i-1(t-Δt),x_i(t),v_i(t)] (5)；

2)时延阈值估计：采用OMNET++通信仿真平台收集无DOS攻击情况下车队内的V2V通信时延，通过蒙特卡洛方法构建概率密度曲线，再依据概率密度曲线进行通信时延阈值的估计，当车队通信时延高于时延阈值时，车队内观测车辆上报基站，进行车队异常节点的检测；

3)构建异常节点检测的特征参数：依据DOS攻击恶意占用资源的特点，从感知业务周期、业务实际周期、平均资源使用情况、业务类型以及丢包率几个方面构建特征参数集；

4)数据生成：车载通信行为数据数量较少，采用生成对抗网络学习车辆节点历史通信行为的数据分布，进行数据的扩充，从仿真平台收集的车辆通信数据中采样输入数据a～p_data(a)，随机噪声z～p_z(z)，设节点的通信数据序列为a＝{a₁,a₂,…a_n}，其中a为节点整体行为序列集合，a_i为某时刻的行为序列，i＝1,2,…n，令a_i＝{a_i1,a_i2,…a_ij}，包括j个通信行为数据，给定的通信行为序列数据a＝{a₁,a₂,…a_n}，通过生成模型G，生成新的行为序列G(z)，生成对抗网络的目标函数如公式(6)所示：

其中，D表示判别模型，G表示生成模型，生成模型G和判别模型D交替训练，固定G的参数，只对D进行训练时，如公式(7)所示：

训练D时，通过参数调整，最大化判别模型判别数据真伪的能力即希望真实数据被正确判别输出1、生成数据被正确判别输出0，如果有一个真实的数据被判别错，那么log D(a)会远小于0，期望会变成负无穷大；同理，如果生成的数据被判别为1的话，公式(7)中的第二项也会负无穷大，从而反过来通过约束损失函数趋于零来优化网络：

固定D的参数，训练G时，表达式如公式(8)所示：

训练G时，通过参数调整，最大化生成模型G生成数据的真实性，即最小化生成模型G被判断模型鉴别出真假的概率，G和D最终会收敛至纳什均衡状态，此时，判别模型D无法判别输入数据为真实数据的概率，表明生成模型G能够完好地拟合节点的通信行为数据；

5)异常节点检测：将车队内异常节点的检测转换为分类问题即通过车队车辆的通信行为数据，进行通信行为数据正常的车辆节点与通信行为数据异常的节点的分类，因此，采用支持向量机(Support Vector Machine,简称SVM)算法，SVM的目标函数如公式(9)、公式(10)所示：

s.t.y_i(ω^Tx_i+b)≥1-ξ_i,ξ_i≥0,i＝1,2,...,k (10)，

其中，x_i表示训练样本数据，y_i表示每条训练样本对应的类标志，ω表示超平面的法线方向，b表示所求超平面与原点之间的距离，c为惩罚因子表示对误分类的惩罚，ξ_i为松弛变量，用来放宽不等式约束，ξ_i＝1-y_i(ω^Tx_i+b)，i＝1,2,…,k，因此，要找到最优超平面只需求解ω和b，

构建拉格朗日函数如公式(11)所示：

因此，目标函数变换成如公式(12)所示：

s.t.λ_i≥0 (13)，

根据强对偶定理，公式(12)变为如公式(14)所示：

构建卡罗需-库恩-塔克(Karush-Kuhn-Tucker，简称KKT)条件如下：

λ_i≥0 (16)，

λ_i(1-y_i(ω^Tx_i+b))＝0 (17)，

1-ξ-y_i(ω^Tx_i+b)≤0 (18)，

由于：

所以求得最优解如公式(20)与公式(21)所示：

根据公式(22)所示的分类决策函数得到最终的分类结果，

f(x)＝sign(ω^Tx+b) (22)，

采用寻优算法对SVM进行参数取值；

6)限制异常节点：检测出异常节点后，基站对异常节点进行通信资源进行限制。