CN107065845B - 基于soeks的智慧车辆知识表示与车辆状态异常的判别方法 - Google Patents

Abstract

本发明属于智慧车辆安全技术领域，公开了一种基于SOEKS的智慧车辆知识表示与车辆状态异常的判别方法，将涉及的完全不同性质不同量纲的信息抽象为基于SOEKS的统一知识表达形式；并容纳入一个层次化结构化的智慧车辆知识框架中；收集车辆正常行驶数据，按以上SOEKS知识表示和框架结构存储，存储信息包括原始数据和总结出来的简单规则；最后，对简单规则不能表述的复杂组合，利用神经网络技术建立车辆正常状态模型。本方法通过与正常情况下采集训练的模型的不同来发现异常，且通过SOEKS结构记录的简单规则经验可以快速判断单因素异常，判断效率较高；实验证明针对车辆状态是否正常的检测率可以达到90％以上，而且判断在毫秒级，满足使用要求。

Description

基于SOEKS的智慧车辆知识表示与车辆状态异常的判别方法

技术领域

本发明属于智慧车辆安全技术领域，尤其涉及一种基于SOEKS的车辆知识表示与状态异常的判别方法。

背景技术

当前中国正成为世界上车辆生产和购买最多的国家。特斯拉车辆的推出，掀起了车辆工业信息化、智能化的热潮，车辆的智能化程度的提升成为趋势。但是随着车辆智能化程度提升，一些安全隐患开始被黑客发掘，用户在驾车过程中面临网络攻击的威胁，可能引发车辆失去控制、拒绝服务等严重影响用户生命财产安全问题。总体来看，业界对于车辆信息安全系统的探索还处于初级阶段，法规、行业标准、技术、产品还都未形成体系。由于智慧车辆远未普及，产品与技术都在探索中，政府、行业组织、企业目前考虑重点仍在于如何将智慧车辆行业发展起来，车辆信息安全还未提上重要议事日程。

综上所述，现在的技术存在的问题是：

智慧车辆安全涉及因素多样，现有技术更多考虑“车”和“环境”的因素，较少考虑“人”本身的因素。例如：年轻人，中年人，健康的人，生病的人，其驾驶行为是不同的

“人，车，环境”，信息性质不同，量纲不同，难以纳入同一框架进行计算评判。

现在的车辆车载系统容易受到远程网络攻击，引发车辆失去控制、拒绝服务等严重影响，目前的车载系统完全没有检测这些攻击的方法，也谈不上防御此类攻击。而现有研究大多根据车辆外部的情况，如有误阻挡物等，很少关注车载系统内部各个ECU(Electronic Control Unit，电子控制单元)及CAN总线的信息。而未来攻击的目标正是这些车内电子单元。

发明内容

针对现有技术存在的问题，本发明提供了一种基于SOEKS的智慧车辆知识表示与车辆状态异常判别方法。

本发明是这样实现的，该基于SOEKS的智慧车辆知识表示与车辆状态异常的判别方法，将智慧车辆涉及的“人，车，路”等完全不同性质不同量纲的信息抽象为基于SOEKS的统一知识表达形式；并容纳入一个层次化结构化的智慧车辆知识框架中，该框架包含最底层的车载系统传感器与CAN总线信息；收集车辆正常行驶数据，按以上SOEKS知识表示和框架结构存储，存储信息包括原始数据和总结出来的简单规则；最后，对简单规则不能表述的复杂组合，利用神经网络技术建立车辆正常状态模型，根据不同目的，选择知识框架的不同层次不同模块信息作为输入源。在进行异常判别时，将实时采集的信息规范化为SOEKS表示，先进行单因素简单规则判断；对简单规则无法判断的，输入训练好的神经网络模型中进行多因素判别。

进一步，包括以下步骤：

步骤一：基于SOEKS的智慧车辆数据抽象：将智慧车辆涉及的“人，车，环境”等完全不同性质不同量纲的信息抽象为基于SOEKS的统一知识表达形式；

步骤二：层次化结构化智慧车辆知识框架：将以上SOEKS知识容纳入一个层次化结构化的智慧车辆知识框架中，该框架包含最底层的车载系统电子控制单元，传感器信息；

步骤三：收集车辆正常行驶数据，按以上SOEKS知识表示和框架结构存储，存储信息包括原始数据和总结出来的简单规则；

步骤四：收集车辆正常行驶数据，对简单规则不能表述的复杂组合，利用神经网络技术建立车辆正常状态模型，根据不同目的，选择知识框架的不同层次不同模块信息作为输入源。

步骤五：收集实时数据，将采集的信息规范化为SOEKS表示，先进行单因素判断，对单因素无法判断的，输入训练好的神经网络模型中进行多因素判别是否异常。

进一步，在步骤一中，所述SOEKS包含变量，约束，函数和推理规则四个元素。

进一步，在步骤二中，智慧车辆知识框架信息包括：车载系统，车辆所行驶的环境和驾驶车辆的驾驶员信息。

进一步，在步骤二中，各层次化结构化智慧车辆知识框架中，不同城市不同模块间可以灵活组合作为神经网络异常判断的输入源

进一步，在步骤三中，SOEKS存储的规则，可以进行单因素的异常判断；

进一步，在步骤四中，

收集平时正常驾驶时候收集的数据训练一个正常车辆状态模型；

组合因素作为神经网络的输入，每一个因素对应输入层的一个神经元；

进一步，在步骤五中，

将实时采集的信息规范化为SOEKS表示；

先进行单因素判断，如果已经出现异常，该因素就不会参加后面的多因素判断；

如果该因素的判断规则直接为车辆严重威胁，则该车辆状态直接判断为异常，不会再进行其他因素判断；以降低判断的复杂度，提高判断效率；

如果单因素未有异常，则多因素作为输入，利用训练好的神经网络模型进行综合判断；

视判断结果采取报警或者是阻止异常命令执行等措施。

本发明具有的优点和积极技术效果是：

本发明将国际知识表示领域新兴的“经验集知识结构”进行重新定义，将智慧车辆涉及的性质不同，量纲不同“人，车，环境”抽象成计算机能理解的统一形式化描述。

本发明针对传统对车辆研究多关注车辆外部信息，缺乏车载系统内部电子控制单元和传感器信息，不能发现新型的针对车载系统的攻击的问题，结合智慧车辆本身的特点，建立了一个包含车载系统最底层电子控制单元和传感器模块的“层次化结构化的智慧车辆知识框架”。此基础上结合SOEKS经验与神经网络算法对智慧车辆状态进行建模，通过正常数据的学习，可以发现车辆异常，特别是针对车载系统内部的攻击，例如：伪造的CAN总线命令，CAN总线上的泛洪攻击等。

本发明通过SOEKS结构记录的经验可以快速判断单因素异常，避免过多因素进入组合判断，因而判断效率较高，适合车载系统。

附图说明

图1是本发明实施提供的基于SOEKS的智慧车辆知识表示与知识框架及驾驶状态异常发现方法流程图。

图2是本发明实施提供的智慧车辆的层次化结构化知识表示框架图；

图3是本发明实施提供的判断异常驾驶状态的神经网络结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

该基于SOEKS的智慧车辆知识表示与车辆状态异常的判别方法包括以下步骤：

S101：基于SOEKS的智慧车辆数据抽象；将智慧车辆涉及到的各种信息抽象成为计算机能够理解的数据，使用SOEKS结构表示；所述SOEKS包含变量，约束，函数和推理规则四个元素

变量(V：variable)：智慧车辆元信息。所谓元信息是指不可再被分割的信息，是信息的最小单位。车辆元信息。例如：车主的驾驶证ID，车主性别，车辆品牌，车速，右前车门是否打开都是元信息，可以被抽象为变量。变量的值就是具体的对象的值。举例来说：车速是一个变量，80公里/每小时就是它的一个值。

约束(C：constraint)：元信息的取值都有一定范围的限制，这被称为约束。例如：车主的年龄被限制在[1-120]，单位：年，车速被限制为[0-450],单位：公里/小时。

方法(F：function)：能够改变变量值的手段统称为“方法”(函数)。例如：“加速”这个方法作用于变量“车速”就可以使得这个变量值改变。在实际中，多个方法可能同时作用于不同变量，引起多个变量值的改变。

定义车辆状态(S：State)为多个变量具体取值的一个集合。例如：S1＝(车速：100公里/小时，里程数：20003公里，发动机水温：100度，方向盘扭矩：230)，经过F1＝“减速”，F2＝“转弯”两个方法的作用后，车辆状态变为S2＝(车速：70公里/小时，里程数：20004公里，发动机水温：98度，方向盘扭矩：330)。

规则(R：reasoning)：IFATHEN B形式的单因素判断规则，例如：IF在行驶中THEN没有诊断数据。

S102：层次化结构化智慧车辆知识框架，如图2；构建一个层次化结构化的智慧车辆知识框架；框架包括：1.车载系统本身，2.车辆所行驶的环境，3.驾驶车辆的驾驶员信息即常说的“人、车、环境”信息构成智慧车辆知识架构的“顶层”。顶层之下，各个部分有自己的子模块划分。如图2.其中车载系统层次涵盖到最底层的传感器单元。每层使用同样的SOEKS结构描述本层的元素，然后，本层整体作为上层的“变量”，进一步被上层综合约束和描述，层层综合直到最上层构成一个关于智慧车辆的完整描述。

S103：收集车辆正常行驶数据，按以上SOEKS知识表示和框架结构存储，存储信息包括原始数据和总结出来的简单规则；以下是一个实例：

“车门控制系统SOEKS”：{

变量V＝{左前门传感器DLS SOEKS，右前门传感器DRS SOEKS，左后门传感器PLSSOEKS，右后门传感器PRS SOEKS}

限制C＝{1,0}

函数F＝DLS.变量&&DRS.变量&&PLS.变量&&PRS.变量，&&代表“与”操作，这个函数的意思是只有所有车门都关闭才会输出“1”代表“安全”，否则输出“0”代表“不安全”

规则R＝{IF F≠1THENAlert}，Alert代表报警，这个规则的含义是如果函数F输出不等于1即不安全则报警。

}

S104：收集车辆正常行驶数据，对简单规则不能表述的复杂组合，利用神经网络技术建立车辆正常状态模型，根据不同目的，选择知识框架的不同层次不同模块信息作为输入源。

多因素神经网络判断模型如图3，为三层神经网络，包含输入层、隐藏层和输出层。因为只判断是正常(数值“1”)还是异常(数值“0”)，因此输出层只有两个神经元1和0。

输入层是从SOEKS结构中的变量部分取的变量值，先通过约束的检查，如果约束检查都不能通过直接报“异常”即“0”。这一层的神经元个数可以变动，如果要考虑完整的情况则“驾驶人”“车载系统”和“环境”三方变量都需要；如果局限在某个人自己的车辆的驾驶状态的判断，则可以只取“车载系统”的“系统信息”和“环境”的变量即可。车载系统变量取到传感器层，环境变量取到信息层。

中间隐藏层数目一般设置为输入层神经元数目的提取的是输入层的组合特征。先设置为如果识别率不高，再增加。其他参数设置采用经典的“BP神经网络”的设置

S105:收集实时数据，判断车辆状态。具体步骤如下：

1)将采集的信息规范化为SOEKS表示

2)设参与判断的因素有n个，对每个因素执行下列动作：

3)从因素的SOEKS结构中的“变量”部分取的变量值，先进行约束检查，约束检查不过直接报“异常”即“0”，算法终止，报警；通过则：

4)执行因素SOEKS结构中的函数计算，并根据规则判断当前因素是否异常，如果“异常”即“0”，算法终止，报警；通过则：

5)剔除所有约束为{0,1}的因素，剩下的因素，取其变量值进行基于神经网络的组合判断，如果组合判断为“异常”即“0”，算法终止，报警；如果判定为“正常”即“1”，算法也终止，记录结果。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于SOEKS的智慧车辆知识表示与车辆状态异常的判别方法，其特征在于，具体包括以下步骤：

步骤一：基于SOEKS的智慧车辆数据抽象：将智慧车辆涉及的各种信息使用SOEKS结构表示，得到基于SOEKS的统一知识表达形式；SOEKS知识表示包含变量，约束，函数和推理规则四个元素；

步骤二：层次化结构化智慧车辆知识框架，构建一个层次化结构化的智慧车辆知识框架；框架包括：1.车载系统本身，2.车辆所行驶的环境，3.驾驶车辆的驾驶员，即常说的“人、车、路”信息构成智慧车辆知识架构的“顶层”；顶层之下，各个部分有自己的子模块划分；其中车载系统层次涵盖到最底层的传感器单元，每层使用同样的SOEKS结构描述本层的元素，然后，本层整体作为上层的“变量”，进一步被上层综合约束和描述，层层综合直到最上层构成一个关于智慧车辆的完整描述；

步骤三：收集车辆正常行驶数据，按以上SOEKS知识表示和框架结构存储，存储信息包括原始数据和总结出来的简单规则；

步骤四：收集车辆正常行驶数据，对简单规则不能表述的复杂组合，利用神经网络技术建立车辆正常状态模型，根据不同目的，选择知识框架的不同层次不同模块信息作为输入源；

步骤五：收集实时数据，将采集的信息规范化为SOEKS表示，先进行单因素判断，对单因素无法判断的，输入训练好的神经网络模型中进行多因素判别是否异常。

2.如权利要求1所述的基于SOEKS的智慧车辆知识表示与车辆状态异常的判别方法，其特征在于，在步骤二中，智慧车辆知识框架信息包括：车载系统，车辆所行驶的环境和驾驶车辆的驾驶员信息；且车载系统信息包含最底层的传感器、电子控制元件ECU和CAN总线命令信息。

3.如权利要求1所述的基于SOEKS的智慧车辆知识表示与车辆状态异常的判别方法，其特征在于，在步骤二中，层次化结构化智慧车辆知识框架中，不同层次，不同模块间可以灵活组合作为异常判断的输入源。

4.如权利要求1所述的基于SOEKS的智慧车辆知识表示与车辆状态异常的判别方法，其特征在于，在步骤三中，SOEKS存储的规则，是从平时收集的正常数据总结出来的，可以进行单因素异常判断的规则。

5.如权利要求1所述的基于SOEKS的智慧车辆知识表示与车辆状态异常的判别方法，其特征在于，在步骤四中，利用神经网络判断因素组合是否异常，组合因素作为神经网络的输入，每一个因素对应一个神经元；需要利用平时正常驾驶时候收集的数据训练一个正常车辆状态的神经网络模型。

6.如权利要求1所述的基于SOEKS的智慧车辆知识表示与车辆状态异常的判别方法，其特征在于，在步骤五中，将实时采集的信息规范化为SOEKS表示，先利用SOEKS已有的简单规则进行单因素判断；如果单因素判断已经出现异常，该因素就不会参加后面的多因素判断；进一步，如果该因素的判断规则直接为车辆严重威胁，则该车辆状态直接判断为异常，不会再进行其他因素判断；单因素无法判断后再输入训练好的神经网络模型中进行多因素判别是否异常，进而采取报警或者是阻止异常命令执行措施。