[发明专利]车辆协作动态追踪中基于残差均值的恶意用户检测方法

说明书

本发明公布了一种车辆协作动态追踪中基于残差均值的恶意用户检测方法，称为残差均值检测MRED，该检测方法充分利用一段时间内车辆的所有历史动态信息观测值，通过选取参考序列将各车辆的历史观测值序列转换为残差和残差平方序列，进而得到各车辆的观测序列对应的残差和残差平方均值，并进一步检测识别出车辆协作动态追踪中的恶意用户。采用本发明提供的技术方案，能够有效提升协作动态追踪的安全性能，提高恶意车辆用户检测的准确性。

技术领域

本发明属于信号处理技术和智能交通技术领域，具体涉及一种应用于车联网中车辆协作动态追踪场景下对发送虚假信息的恶意用户的序列检测方法，可以通过对所有协作车辆发送的历史信息序列进行时序信号残差均值处理和聚类来检测得出恶意用户，从而有效提升协作动态追踪的安全性能，提高检测的准确性。

背景技术

车联网(Vehicular Network)，自动驾驶系统(Autonomous Driving Systems)和智能交通系统(Intelligent Transportation Systems)等智能系统将在未来十年内极大地提高交通系统的效率并减小交通事故发生的可能性。车辆的动态信息：即车辆的位置，速度和加速度，在上述智能系统中的路线规划、车辆调度和紧急避险等绝大多数控制任务中都起到了极为重要的作用，是上述系统正常运转所必需的基本信息。为了确保系统中车辆及乘客的安全，各个车辆必须持续获取自身和周边车辆的实时动态信息，并且对动态信息的可靠性、精准度和稳定性有着极高的要求。

就获取可靠且准确的实时自身动态信息而言，目前大规模应用的仅基于全球定位系统(Global Positioning Systems,GPS)的动态追踪方式远远达不到自动驾驶系统和智能交通系统的可靠性和准确性要求。因此现有研究提出了许多独立和协作动态追踪框架来可靠且准确地获取自身的动态信息。相比与仅依赖本车自身装载的传感器(如GPS、IMU、相机和雷达等)来进行动态信息获取的独立动态追踪，基于V2V(Vehicle to Vehicle)通信的协作动态追踪通过融合周边协作车辆和车辆自身车载设备对本车的观测信息，能够实现更可靠、准确和稳定的自身动态信息追踪。

但是现有普通的协作动态追踪框架相比于独立动态追踪也具有一个固有的缺点，那就是没有考虑到协作车辆中可能存在的发布虚假动态信息的恶意用户。因此如果存在相当比例的恶意用户向本车发送虚假的动态信息，那么通过普通协作动态追踪框架得到的车辆动态信息将会出现极大的偏移，进而严重威胁到该车乃至整个系统的安全性。

绝大多数现有的协作动态追踪中的恶意车辆用户检测工作仅将无线传感器网络中安全协作定位问题的检测方案移植到动态协作车辆追踪场景中来。这些移植过来的检测方案将协作车辆动态追踪中的恶意车辆用户检测建模为一个个独立的准静态检测过程，进而沿用了安全协作定位问题中仅利用单次观测来进行检测的做法。但是，这种独立准静态检测在协作车辆动态追踪场景下受协作车辆传感器误差的影响较大，使得在恶意车辆用户发送的虚假信息相对真实信息偏移较小时检测的准确率不高，进而影响到协作动态追踪的可靠性。

发明内容

为了克服上述现有技术的不足，本发明提出了一种车辆协作动态追踪中的恶意用户检测方法，可在车辆协作动态追踪中存在恶意车辆用户的场景下，通过分析和处理各个协作车辆提供的历史动态信息序列，检测出那些发布虚假信息的恶意用户。本发明能够和现有的普通协作动态算法进行整合，剔除那些恶意用户及其发送的虚假信息，进而提高车辆协作动态追踪的可靠性。

本发明提供的车辆协作动态追踪中的恶意用户检测方法被命名为残差均值检测(Mean Residual Error Detection，MRED)，该检测方法充分利用一段时间内的车辆的所有历史动态信息观测值，通过选取参考序列将各个车辆的历史观测值序列转换为残差和残差平方序列，进而得到各个车辆的观测序列对应的残差和残差平方均值并进行进一步检测。该方法能够显著地减小协作车辆的传感器误差的影响，有效地检测出那些小偏移的虚假动态信息；包含以下步骤：