[发明专利]一种基于网络安全的车联网数据态势感知方法和装置

权利要求书

1.一种基于网络安全的车联网数据态势感知方法，其特征在于，所述基于网络安全的车联网数据态势感知方法包括：

第一步，对单个车状态相关信息进行分析：选择因素集U和评语集V；确定各个因素评价向量；利用AHP层次分析法确定因素集中各因素的权重向量，进行模糊分析运算；

具体包括：对单个车状态相关信息进行分析的方法包括：

(1)选择因素集U和评语集V；

因素集U＝{T-Box、CAN总线、OBD接口、ECU、车载操作系统、IVI、OAT、传感器、多功能汽车钥匙}，其中，T-Box为u1，CAN总线为u2，OBD接口为u3，ECU为u4，车载操作系统为u5，IVI为u6，OAT为u7，传感器为u8，多功能汽车钥匙为u9；

评定等级分为五个等级，评语集为V＝{正常(v1)、比较安全(v2)、基本安全(v3)、不安全(V4)、危险(v5)}；

(2)确定各个因素评价向量：

感知层得到的数据对影响车辆安全的因素集U进行评价；

每一种部件为一种攻击载体，通过每一种攻击载体的安全性包括的部件漏洞及其危险性、agent收集的当前与攻击载体相关的状态对某个攻击载体的安全性进行分析；得到T-Box(u1)评价向量为(0.05，0.15，0.15，0.6，0.05)；

攻击载体分析模型表示为F(漏洞库相关，Agent状态信息)＝评价向量；

对其他安全因素的评价向量分别为u2(0.2，0.15，0.15，0.3，0.2)、u3(0，0.1，0.3，0.4，0.2)、u4(0.5，0.3，0.1，0.05，0.15)、u5(0.1，0.2，0.4，0.1，0.2)、u6(0.2，0.1，0.3，0.1，0.3)、u7(0.2，0.1，0.2，0.3，0.2)、u8(0.6，0.1，0.1，0.1，0.1)、u9(0.3，0.2，0.25，0.15，0.1)；

根据以上九个因素的评价向量，构造模糊评价矩阵R：

(3)AHP层次分析法确定因素集中各因素的权重向量：

计算各列之和；

各列的每个元素去除以每列的和，得到正规化矩阵，除后每个元素的值即为各自的权重；

根据正规化原则去获取矩阵的特征向量以及对应的最大特征根λ_max；

用C.R验证矩阵的一致性，若通过，则特征向量为因素的权重值；

最终得到权重向量W_1×9；

(4)模糊分析运算：

根据已获得的汽车的评价矩阵和各个攻击载体的安全指标的权重向量，则单辆车的安全分析模型为：M_1×5＝W_1×9R_9×5；

设置加权向量为{0.4，0.3，0.2，0.1，0}；最终得到的单辆车态势值取值为[0，1]；

第二步，对车所在区域安全整体态势进行分析：在感知层次获取标识地区的数据，由标识地区的数据得到区域标签；得到如下集合：集合s＝{V₁，V₂，V₃，V₄...V_n}，表示一个地区内车辆态势的集合，其中V_i表示区域内某一辆汽车的态势取值；

所述区域及整体分析的方法进一步包括：

将所有汽车分为a种类别，则不同类别的权重向量为在一个区域内，若为i类别的车辆有n_i辆，在一个区域内，第i类别中的第j辆车的态势表示为V_ij，区域态势值Z表示为：

第三步，对总体区域的态势进行分析得出车联网整体态势值；总体态势分析方法包括：

将第i级城市的权重值表示为w_i(w₁+w₂+w₃+w₄＝1)，分别设i级城市中含有区域的数量为N_i，则第i级城市中的第j个区域的态势值表示为Z_ij，总体态势值为：

最终得出对车联网整体态势值T∈[0，100]；

第四步，进行车联网整体态势值趋势预测，采用马尔科夫链对区域态势进行预测，根据统计数据得到状态转移矩阵，获得稳定的态势的概率；

态势值趋势预测的方法包括：

某区域态势是一个连续数值Z，这里采用等宽法对其进行离散化，具体采用如下分段函数S进行离散化；

如上述公式，某一时刻区域的态势值划分为五个等级：正常、比较安全、基本安全、不安全、危险；分别用1～5表示这五个状态；p_ij表示i状态像j状态转移的概率；

采用马尔科夫链对区域态势进行预测，根据统计数据得到状态转移矩阵，即

若在t₁时刻状态为5，下一个时刻的某一状态的概率为

t₂＝[p₅₁，p₅₂，p₅₃，p₅₄，p₅₅]；

t₃时刻的状态概率为

通过分析马尔科夫链的稳态性得出按照当时发展最终稳定态势的概率。