本发明涉及智能车路协同系统和无线移动通信网络交叉领域中的车辆定位技术，尤其涉及一种基于专用短程通信网络的路网黑客车辆定位方法。
背景技术：
：在车联网系统中，车辆群体通过车载专用短程通信单元建立车辆自组织网络，为车辆间的信息交互、信息共享提供链路保障。在车辆信息共享的基础上，车联网系统可以实现一系列面向提升交通系统效能的应用，包含：提高交通安全、通行效率、降低尾气排放、能源消耗等等。车辆自组织网络是车联网系统正常运行的基础保障，它能提供的信息传输的可靠稳定性以及信息安全的保障能力至关重要。近十年来，车辆自组织网络中信息传输技术部分吸引了大批国内外相关学者的关注和研究，得到了大力发展，相应的标准体系基本建成，相关技术装备已经能够成熟运用并服务于车联网系统；对于车辆自组织网络中信息安全部分内容，虽然也得到了广泛关注，但其发展速度相对滞后，至今并未出现成熟完备的技术标准和方法。信息安全领域中，基于分布式网络的常见攻击方式有：“欺骗攻击”和“女巫攻击”。“欺骗攻击”，是指黑客节点通过盗取网络中其他节点的MAC地址(MediaAccessControl，MAC)，并伪装成该节点的身份，进行网络破坏；“女巫攻击”，是指黑客节点将自身伪装成多个身份，破坏大规模网络的冗余机制。在车辆自组织网络中，移动的黑客车辆节点同样可以通过这两种攻击方式破坏网络系统，从而影响车联网系统的正常运行。技术实现要素：本发明的目的是为了解决上述问题，提出一种基于专用短程通信网络的路网黑客车辆定位方法。一种基于专用短程通信网络的路网黑客车辆定位方法，包括以下几个步骤：步骤一，采集路网中车辆在遇到交通事件时的加速度值，采集路网中专用短程通信信号在两车间传播的发射功率和接收功率，并记录车辆间的相对距离；步骤二，通过步骤一采集到的加速度值，两车间的专用短程通信信号的发射功率和接收功率值以及相对距离值，建立路网中车辆的动力学加速度取值集合以及车辆间的专用短程通信信号传播模型；步骤三，建立用于估计目标车辆位置信息的方程组；步骤四，采用滤波算法对车辆位置信息估值滤波；步骤五，以1Hz的频率发布目标车辆位置信息估计结果步骤六，将T＝30s的时间区间内的车辆位置信息拟合为车辆轨迹信息，并进行判断识别；本发明的优点在于：(1)本发明基于专用短程通信网络的路网黑客车辆定位方法，充分利用车联网系统中存在的车辆专用短程通信网络，能够识别并定位车联网系统中存在的黑客车辆，一定程度上解决了车联网系统中的信息安全问题，为车辆自组织网络系统的安全可靠和车联网系统的顺利发展奠定了基础；(2)本发明基于专用短程通信网络的路网黑客车辆定位方法，充分考虑了车辆在典型交通场景中存在的变速行为，包括：急加速、急减速等，充分考虑了无线信号在传播过程可能受到环境因素影响的潜在干扰，分别对不同的环境进行信道建模，包括：视距环境、非视距环境、半视距环境，随后据此建立系统运动学方程和观测方程，使用分布式多模型非线性滤波方法对系统方程组进行滤波处理，可较为准确的追踪车辆的实时状态信息，大幅度提高车辆的位置信息估计精度。附图说明图1为本发明基于专用短程通信网络的路网黑客车辆定位方法流程图；具体实施方式下面将结合附图和实施例对本发明作进一步的详细说明。本发明是一种基于专用短程通信网络的路网黑客车辆定位方法，包括以下几个步骤：步骤一，采集路网中车辆在遇到典型交通事件时的加速度值，典型交通事件包括：经过交叉路口遇到红绿灯情况，超车、跟车等情况，采集路网中专用短程通信信号在两车间传播的发射功率和接收功率，并记录车辆间的相对距离；步骤二，通过步骤一采集到的加速度值，两车间的专用短程通信信号的发射功率和接收功率值以及相对距离值，建立路网中车辆的动力学加速度取值集合，用于表征车辆可能发生的加速度变化状态，建立车辆间的专用短程通信信号传播模型，用于表征专用短程通信信号的信号功率在车辆环境下的衰减规律；A、车辆的动力学加速度取值集合由步骤一采集到的加速度值数据，确定加速度取值集合其中a1,…,aL分别对应车辆经过交叉路口遇到红绿灯情况，超车、跟车等情况时，可能出现的加速度状态；B、专用短程通信信道传播模型由步骤一采集到的专用短程通信信号在两车间传播的发射功率和接收功率,以及车辆间的相对距离，建立形如(1)式的对数信道模型：并通过多次大量重复的数据采集，修正车辆环境常数C与信道模型噪声项的取值。其中receivedpower(RP)表示信号接收端的信号功率，常数C的取值与信号发射功率成正比例关系(专用短程通信信号的发射功率有相关标准约束，取值确定)，γ为信道衰减指数(一般情况其取值范围γ∈[2,5])，distance为通过实际测量获得的两车距离，为信道模型的噪声项；在建立信道传播模型时，需要考虑不同信道环境情况对γ和的取值影响；此处，将具体的车辆信道环境情况分为三种情况：视距情况(Line-of-Sight,LOS)、非视距情况(Non-Line-of-Sight,NLOS)、被车辆半遮挡的视距情况(Obstructed-Line-of-Sight,OLOS)，定义φ＝{s1,s2,s3}，其中，s1代表视距情况、s2代表非视距情况、s3代表被车辆半遮挡的视距情况，令其对应的γ取值分别为2.5、3.5、4.5，随后需通过信号强度的采集数据，给出三种不同情况下信道模型噪声项的合理估值；步骤三，建立用于估计目标车辆位置信息的方程组；A、目标车辆可以通过GPS获得自身的位置信息当目标车辆具备GPS装置，能够获得自身的低精度位置信息时，建立如下系统和观测方程组：其中，方程组(2)中的第一个方程为车辆运动学模型，第二个方程为车辆状态观测模型；在车辆运动学模型中，θk为车辆在时刻k的状态向量表示车辆在(x,y,z)方向的位置分量，表示车辆在(x,y,z)方向的速度分量；为车辆在时刻k的加速度状态表示车辆在(x,y,z)方向的加速度分量，车辆的位置、速度、加速度信息均从GPS装置处获得，F和G分别是车辆运动系统的状态转移矩阵和加速度转移矩阵，ζk为车辆的运动模型在时刻k的加速度噪声；在车辆状态观测模型中，h为观测量的非线性转移函数，zk为车辆在时刻k的状态观测向量，为车辆状态观测模型在时刻k的观测噪声，φk为步骤二B中描述的车辆信道环境状态；B、目标车辆不能通过GPS获得自身的位置信息当目标车辆不具备GPS装置、GPS数据失效、或有意关闭GPS，不能够自主获得其自身位置信息时，通过其专用短程通信网络中的其他车辆辅助，通过方程组(3)估计目标车辆的位置信息(px,py,pz)：distance_1=(px-px_1GPS)2+(py-py_1GPS)2+(pz-pz_1GPS)2...distance_n=(px-px_nGPS)2+(py-py_nGPS)2+(pz-pz_nGPS)2,---(3)]]>其中，distance_1,…,distance_n根据公式(1)中distance估计获得，表示目标车辆与第i辆邻居车辆间的距离，表示第i辆邻居车辆的三维位置信息，i＝1,…,n，receivedpower从专用短程通信信号物理层获得，C为已知常数，γ和根据步骤二(2)中描述的具体车辆信道环境φ进行设定；步骤四，使用滤波算法对车辆位置信息估值滤波；A、使用滤波算法对步骤三A中的数据进行滤波处理使用分布式多模型非线性滤波算法对步骤三中的方程组(2)进行滤波处理；步骤三A中的和φk在不同的时刻k，可能会发生突然的变化；的可能取值由步骤二A中的多模型集合确定，定义其模型之间的转移概率集合为其中表示当在k-1时刻的加速度状态为aq而k时刻的加速度状态为ap的条件概率值；φk的可能取值由步骤二B中的多模型集合φ确定，定义其模型之间的转移概率集合为其中表示当φ在k-1时刻的加速度状态为sv而k时刻的加速度状态为su的条件概率值；本方法中，令L＝3，a1＝0m/s2，a2＝5m/s2，a3＝-2m/s2，分别代表车辆匀速行驶行为，急加速行为和急减速行为；s1，s2，s3的表征情况参见步骤二B；和的概率取值需根据历史经验值设置；B、使用滤波算法对步骤三B中的数据进行滤波处理在使用方程组(3)进行目标车辆位置信息(px,py,pz)估计时，存在3个未知数，因而需要处于目标车辆专用短程通信网络中的邻居车辆数目至少为3个；但是，当邻居车辆过多时，将使得目标车辆的位置信息估计复杂度增加，因而需要限制估计过程中邻居车辆的参与数；此处，设定邻居车辆数目为N，参与目标车辆定位的邻居车辆数目为n，设定参与数上限值为5，即3≤n≤5；由于通过方程组(3)计算目标车辆位置信息仅需要联立三个方程，因此在n个邻居车辆联合估计时，会有combination(n,3)种方程组情况；当n为3时，方程组(3)可获得一组唯一的车辆的位置信息(px,py,pz)；当n为4或5时，通过方程组(3)中任意三个不同的方程，可获得combination(4,3)或combination(5,3)组位置信息估计量，此时，需要按照步骤五B方法处理这些估计量，并将其作为估值结果；将通过公式(3)计算而得的目标车辆位置信息(px,py,pz)记为其中，combination(·)表示组合数算子。由于邻居车辆参与数的限制，在参与位置估计的邻居车辆选择上，应优先选择距离目标车辆更近的，且与目标车辆的通信链路为无遮挡的视距情况的邻居车辆参加；其中，邻居车辆与目标车辆的距离与邻居车辆处receivedpower值成正比例关系，一般地，-40dBm≤receivedpower≤-90dBm，receivedpower值越大表明邻居车辆与目标车辆的距离越近；若需要通过通信链路的状态选择邻居车辆，优先顺序依次为处于视距情况、被车辆半遮挡的视距情况、非视距情况的邻居车辆；参与位置估计的n个邻居车辆的选择规则，根据所有N个邻居车辆的Weight取值大小排序，选择使得Weight取值较大的前n个邻居车辆参加；其中，Weight的取值大小参照表.1所示；表.1.Weight的取值步骤五，以1Hz的频率发布目标车辆位置信息估计结果(px+,py+,pz+)=a(pxGPS,pyGPS,pzGPS)+b(pxRSSI,pyRSSI,pzRSSI),---(4)]]>a和b的取值按如下规则：步骤六，将T＝30s的时间区间内的车辆位置信息拟合为车辆轨迹信息，并进行如下判断识别：A、对于唯一的MAC身份标识，在同一时间区间中存在两处轨迹，识别车辆自组织网络中存在“欺骗攻击”，该轨迹所对应的两辆车辆中必存在目标黑客车辆，根据MAC身份标识分别获得它们的实时位置信息，从而实现目标黑客车辆的定位追踪；；B、对于多个MAC身份标识，在同一时间区间中只存在一处轨迹，识别车辆自组织网络中存在“女巫攻击”，该轨迹所对应的车辆即为目标黑客车辆，根据黑客车辆的MAC身份标识获得其实时位置信息，从而实现目标黑客车辆的定位追踪。当前第1页1 2 3