基于边缘计算的多传感器融合车辆安全异常检测方法与流程

本发明涉及智能汽车，特别是一种用于智能汽车的基于边缘计算的多传感器融合车辆安全异常检测方法。

背景技术：

现代汽车朝着越来越智能化的方向发展，不再只是负责行进的机械设备，而变成了利用现代多种技术，集多种功能于一体，满足不同用户多种需求的综合系统。而这些技术的实现和功能的提供则是依靠着现代汽车上复杂的计算机系统。而这些计算机系统则需要依靠现代汽车上数百个传感器和独立的电子控制单元(electroniccontrolunit,ecu)来完成一系列的任务。现代汽车通过这些类型多样的传感器采集环境中的不同数据，再交由ecu进行分析和处理并在can总线上进行广播，现代汽车再根据相应的消息执行相应的动作。而这些电子控制单元又是相互联系的，会因为其他传感器感受到变化而有相应的反应。在现有的智能汽车平台中，存在各种系统漏洞，攻击者可以通过多种方式对车辆进行攻击，甚至是远程无物理接触的攻击，既可以通过攻击局部的传感器又可以攻击can总线，攻击者从而达到控制汽车的目的，汽车安全受到严重威胁。

智能汽车的普及，给人们的生活带来了极大的便利，而智能汽车的问世则给人们的出行带来了革命性的改变。然而，近年来有很多不同型号汽车屡屡被黑客攻击的事件不断曝光在媒体上，这也引起了人们对于智能汽车安全的担忧与恐慌。所以汽车安全目前依旧是无人驾驶汽车的面临的主要挑战之一，如何提供一个更加安全的驾驶环境是智能汽车所不可避免的问题。目前已经有很多研究聚焦于汽车安全，给汽车安全提出了多种的解决方案。而异常检测作为汽车防御的第一道防线，更需要得到足够的重视。

技术实现要素：

本发明是为了在异常发生时及时发现并处理异常，从而降低异常带来的风险和危害，提供一种基于边缘计算的汽车异常检测安全方法，针对汽车安全漏洞，通过对传感器相关性进行分析，从而快速判断车辆是否发生异常，通过嵌入边缘计算设备从而保证异常的快速响应。以达到在车辆发生异常或者受到攻击时，该检测方法可以及时有效地检测出汽车异常并向用户发出警报。

本发明的技术解决方案如下：

一种基于边缘计算的多传感器融合车辆安全异常检测方法，其特征在于，包括如下步骤：

数据采集：由汽车控制器局域网络(controlareanetwork,can)总线协议读取设备通过车载诊断系统(on-boarddiagnostic,obd)接口读取数据；

相关性分析：利用皮尔逊相关系数作为相关性的衡量指标，测定各传感器数据之间的相关性，并选择出相关性高的传感器对，构建异常检测的模型；

异常检测：通过计算相应传感器对的相关性，用来作为异常检测的判定指标

检测结果提交：通过正常和异常两种状态下的不同提交策略进行结果的提交。

本发明利用边缘计算技术，将整个发明系统嵌入在网络的边缘设备中。边缘设备利用其在网络中的特殊位置，从而达到对于汽车异常检测的快速响应、节约带宽资源、保护隐私目的，满足车辆实时快速检测异常的需求。

本发明的数据采集模块通过obd接口实时读取并解码多个传感器数据，分析不同传感器对之间数据的相关性，再通过与相应传感器对正常情况下的相关性进行对比计算。如果在阈值范围内，则判为正常，周期性地向云服务器系统发送报告，从而验证云服务器与边缘设备之间的正常连接；如果超出相应的阈值，则判为异常，并向驾驶员进行实时异常报警，从而达到快速有效异常检测的目的。

本发明的有益效果是，相对已知技术，能在不影响can总线的通信资源的情况下，利用多传感器融合数据，实时快速地检测出车辆产生的异常并发出警报。

附图说明

图1本发明基于边缘计算的多传感器融合车辆安全异常检测方法的流程图

具体实施方式

下面结合附图和实施例对本发明进一步说明。

由图1可见，该检测方法主要由四个步骤，分别为数据采集、相关性分析、异常检测和检测结果提交。它们的作用分别如下：

数据采集：车辆异常检测系统利用专有的can总线协议读取设备通过obd接口与can相连，并由此监视并缓存can上广播的消息用于后续分析。

相关性分析：车辆异常检测系统通过前期预采集的数据来选择合适的传感器变量对来为目标车辆构造相关性环，即异常检测模型。

异常检测：车辆异常检测系统使用实时采集的数据来计算相关性环上每一个结点处传感器变量对之间的相关性，并与此前的相关性进行对比，通过相关性变化的大小来判断汽车是否发生了异常。

结果提交：一旦异常被检测到，就会让边缘计算设备警告驾驶员并将结果反馈给云服务器，如果车辆始终正常，则结果提交模块则以固定的周期向云服务器进行状态反馈，而不进行其他操作。

实施例：

1、数据采集：车辆异常检测系统被设计成被动读取can总线上数据通过obd接口并且在边缘设备的本地进行分析和异常检测。而can不能读取车辆异常检测系统中的消息，车辆异常检测系统不能向can总线写入数据，采取这样的方式可以使得车辆异常检测系统独立于can总线。所以车辆异常检测系统不会影响can总线的正常运行，也不会使用can总线上的任何计算和通信资源。同时，由于与can总线的独立性，所以保证了即使can总线被攻击者侵入了，也能保障车辆异常检测系统正常检测异常，并发现车辆受到攻击者攻击。在进行异常检测之前，车辆异常检测系统会提前采集一些传感器数据，并将它们发送给相关性分析模块来建立相关性环用于异常检测。而在正常的行驶过程中，实时采集的数据会被发送给异常检测模块用来检测发生的异常。

2、相关性分析：包含传感器变量对相关性的计算子模块和相关性环的建立子模块。相关性计算子模块利用pearson相关系数如公式(1))作为相关性评判指标计算传感器对之间的相关性：

其中，n是重采样之后的样本序列x和y的长度，δx和δy是样本序列x和y的标准差。一般而言，corr的绝对值离1越近，两个相关变量之间的(线性)相关性就越强。为了获得更多的传感器之间的相关性，并且减少计算负担，车辆异常检测系统首先找出那些直接相关的传感器变量对，即测量同一个物理量的传感器变量，例如，汽车速度和gps速度之间的关系；然后，车辆异常检测系统会根据一些理论知识和经验将传感器数据进行处理，例如将车轮速度进行微分，从而与加速度产生相关性。车辆异常检测系统会计算这些被选择的传感器变量对的pearson相关系数。

相关性环建立子模块通过将不同传感器变量对按照相关性的排序组成环状拓扑结构，从而大幅降低异常检测的计算复杂度。车辆异常检测系统选择那些相关且成对的传感器并将它们组织成环状结构。环状结构有以下优点。首先，只有那些在相关性环中的传感器变量之间的相关性才需要计算，这样可以节省大量的计算资源，减少计算负担。其次，因为相关性环的计算复杂度较低，能够在有限的时间有限的资源的限制条件下将更多的传感器纳入到计算系统中，从而能够保证检测的有效性和准确性。最后，利用环状结构，能够保证每个结点都参与到两个相关性的计算当中，同样地能够保证车辆异常检测系统异常检测的准确性。最简单的环(需要每个结点参与到两次相关性计算)仅仅包含三个结点，为了构建一个更加复杂的环，一种直观的方法就是为所有相关的传感器结点构建一个图结构，然后去寻找一个足够长且变量之间相关性大于某一阈值的环。

3、异常检测模块：车辆异常检测系统计算n对传感器结点之间的相关性，并将计算出结果与之前的相关性系数进行比较，综合n个结点的状态，从而得出最后的结果，n是在相关性环中结点的个数，结果描述了系统是否发生了异常。为了减少噪声对相关性系数计算的误差并且保证检测的灵敏度，车辆异常检测系统在每个结点的异常检测阶段使用了滑动窗口方法，即在每一个时间窗口中，会有1000个样本被用来计算每一个周期的相关性系数的值，时间窗口的步数为100，在每一个周期过后，会有100个新的样本进入时间窗口，100个旧的样本退出时间窗口，从而达到滑动窗口的效果。车辆异常检测系统使用了之前计算的中间数据来简化计算过程，从而也能够减少存储空间的使用。而这些中间变量在内存中是实时更新的，而在每一次行程结束的时候，这些数据会在最后一个正常的行程当中存入存储介质当中，并在新的行程开始时被使用，这样能够保证每次检测的不间断性，并使用了之间正常的数据，从而能够增强检测的准确性。然后车辆异常检测系统会计算新的时间窗口内相关性环中所有传感器变量对的样本的pearson相关系数并且与之前的系数进行对比，适应性地判断是否有异常发生。

我们介绍的利用已有的中间数据来计算新的时间窗口内的系数的方法如下：

当中间数据已经被提取，我们会利用最新的n2个样本数据和提取的中间数据来计算所有的n1+n2个数据总的相关性系数。在计算出n1+n2个样本数据的平均值后，他们的标准差δ可以表示如下：

可得，

在公式(3)中，

又因为，为常数，所以

而可以通过新的n2个样本数据计算得到，为常数可以得到，所以所有样本数据的标准差δ即可由此公式得到。

而计算新的时，将分子分为以下两部分进行计算：

在公式(7)中第二项可以利用后n2个样本数据直接进行计算，但是第一项需要利用公式(8)进行计算；在公式(8)中，由于以及为常数，所以

公式(8)的第一项可以通过前n1项的利用公式(1)求得。综上，所有n1+n2个样本的值即可求得。

在获得了第i个时间窗口的传感器数量对的相关性结果之后，当以下两个条件(11)(12)同时满足时，车辆异常检测系统则会判定汽车出现了异常。

corri≤corri-1(11)

corri和corri-1是第i和第i-1个时间窗口中某一对传感器的相关性系数，ε是车辆异常检测系统判定车辆是否出现异常的阈值。而这阈值会影响到异常检测的准确率和假阳值，车辆异常检测灵敏度可通过此阈值进行调节。这种以比值为主的阈值决定方式来检测车辆异常状态的方式可以避免了相关性环中各结点之间本身相关性绝对值大小的影响，从而可以更准确地检测异常。同时，新的相关性系数会与次新的相关性系数进行对比，从而保证了车辆异常检测的实时动态性，避免了因为环境差异较大而影响异常检测的准确率和鲁棒性。

4、结果提交模块：车辆异常检测系统得到来自异常检测模块的结果，并将其发送给边缘设备的通信模块。如果车辆处于正常状态，边缘计算设备会以固定的周期将检测正常的结果发送给云服务器而不作任何其他操作。一旦发现异常，车辆异常检测系统车辆异常检测系统就立即发出警报提醒驾驶员并将结果反馈给云服务器。在这个模块，边缘计算设备因为只传送那些必需的数据，所以能够节省大量的带宽和能量，并由此能够加快异常处理的反应速度，减少持续造成的危害程度。除此之外，车辆异常检测系统能够通过从云服务器端周期性返回的回复确认消息(ack)，验证边缘计算设备与云服务器的连接性。