面向网络自触发模型预测控制的最优虚假数据注入攻击方法技术

本发明专利技术公开了一种面向网络自触发模型预测控制的最优虚假数据注入攻击方法，包括以下步骤：1)采集网络传输包中的控制数据及采样间隔数据；2)计算不同攻击次数下所有的攻击前后系统状态误差上界值；3)将攻击前后误差上界值最大时对应的点作为最优虚假数据注入点进行攻击，完成面向网络自触发模型预测控制的最优虚假数据注入攻击，该方法能够快速建立最佳的虚假数据注入攻击，提高攻击效率，降低被系统检测的概率。

【技术实现步骤摘要】
面向网络自触发模型预测控制的最优虚假数据注入攻击方法
本专利技术涉及一种最优虚假数据注入攻击方法，具体涉及一种面向网络自触发模型预测控制的最优虚假数据注入攻击方法。
技术介绍
随着国家对5G基站的建设，网络控制、无人驾驶技术正在成为一项具有广阔应用前景的技术。正如工业机器人的大规模使用，不管是在解放人力劳动还是替代人在高危环境中作业都发挥着极大的价值。但是网络控制在人工智能技术的发展下逐渐呈现出更加开放的趋势,不再局限于过去封闭式运行的网络环境。于此同时由于网络控制应用了大量的新科技,在开放式、互通式的网络状态下,网络安全问题越来越受到人们的关注,当控制网络安全遭到威胁时,网络设备将会出现宕机,生产中断将从而导致具额的经济损失,严重时可能会威胁到人类的生命安全。在众多的网络攻击手段中，由于虚假数据注入攻击的隐蔽性和极具破坏性特点使其成为网络攻击研究中的热点问题。作为欺骗攻击的典型代表，虚假数据注入(Falsedatainjection,FDI)攻击利用信息传输网络漏洞，在传感器或执行器上注入攻击者精心设计的假数据，改变传感器测量值或控制器控制指令，确保绕过检测器的坏值检测系统同时影响物理动态过程的控制性能，因此虚假数据注入攻击对网络控制的安全威胁几乎难以避免。考虑到攻击者可支配资源一般有限，其必然不可能对系统中的所有节点进行攻击，只能选择某些节点进行攻击。但如果盲目的选取节点进行随机攻击必会影响攻击效果，而为了预期的攻击效果，必定会迫使攻击者增加所要攻击的节点数，从而使用更多的计算资源，增加被系统检测的风险。此外，从防御者的角度来说，考虑到在防御资源十分有限的情况下，保护所有的控制样本可能不切实际。因此，防御者总的倾向是保护尽可能少的关键节点数据同时达到最佳的防御效果。所以，通过分析攻击者的最优攻击方式，有助于帮助防御者利用最优攻击方式选取关键点进行保护，从而提高网络自触发模型预测控制系统的安全性能。综上，亟需一种面向网络自触发模型预测控制的最优虚假数据注入攻击算法，以提高攻击效率，降低被系统检测的概率。
技术实现思路
本专利技术的目的在于克服上述现有技术的缺点，提供了一种面向网络自触发模型预测控制的最优虚假数据注入攻击方法，该方法实现快速、最佳的虚假数据注入攻击，提高攻击效率，降低被系统检测的概率。为达到上述目的，本专利技术所述的面向网络自触发模型预测控制的最优虚假数据注入攻击方法包括以下步骤：1)采集网络传输包中的控制数据及采样间隔数据；2)计算不同攻击次数下所有的攻击前后系统状态误差上界值；3)将误差上界值最大时对应的点作为最优虚假数据注入点进行攻击，完成面向网络自触发模型预测控制的最优虚假数据注入攻击。步骤1)中的采样间隔为每一个采样间隔所对应的控制数据为其中，tk为起始时间，为第i个采样间隔，系统的运动学模型为：其中，Lφ为动力学模型的李普希兹常数。步骤2)的具体操作为：计算虚假数据注入前后系统状态误差的上界值，得每一种攻击模式下攻击前后的差值上界值。步骤2)的具体操作为：21)计算当虚假数据注入次数为1次时的注入前后系统误差上界所有值其中，其中，i为虚假数据注入点，i＝2,3,…,N-1,N，N为采样间隔的个数；将所有的值存入行列式Pmax，当要求攻击的采样间隔数为1时，则转至步骤3)，否则，则转至步骤22)；22)基于虚假数据注入次数为1次所得到的误差上界所有值计算虚假数据注入次数M＝2所对应的误差上界所有值其中，i，j为虚假数据注入点；i＝2,3,…,N-2,N-1，j＝i+1,i+2,…,N-1,N，j>i，g为任意一次虚假数据注入下所影响的连续采样间隔数；将所有的值存入矩阵Pmax，当要求攻击的采样间隔数为2时，则转至步骤3)，否则，则转至步骤23)；23)设虚假数据注入次数M＝k，k大于等于3，基于虚假数据注入次数M＝k-1的误差上界所有值计算M＝k时误差上界所有值其中将所有的值存入矩阵Pmax。步骤3)的具体操作为：从矩阵Pmax中的最大值P，再将最大值P所对应的采样间隔作为所要攻击的最优采样间隔，然后利用所要攻击的最优采样间隔计算最优攻击点，然后利用最优攻击点进行虚拟假数据注入攻击。本专利技术具有以下有益效果：本专利技术所述的面向网络自触发模型预测控制的最优虚假数据注入攻击方法在具体操作时，计算不同攻击次数下所有的攻击前后系统状态误差上界值，将攻击前后误差上界值最大时对应的点作为最优虚假数据注入点进行攻击，可以有效的解决快速、最佳的虚假数据注入攻击问题，从而提高攻击效率，降低被系统检测的概率，优化攻击系统整体性能品质，大幅度降低最优虚假数据注入在线计算量与存储量，节省时间，提高效率。附图说明图1为本专利技术的流程图；图2为最优虚假数据注入攻击仿真曲线对比图；图3为网络自触发模型的预测控制系统图；图4为基于网络自触发模型预测控制的轮式智能机器人的系统图；图5为攻击单个采样点时的效果图；图6为攻击连续多个采样点时的效果图。具体实施方式下面结合附图对本专利技术做进一步详细描述：参考图1，本专利技术所述的面向网络自触发模型预测控制的最优虚假数据注入攻击方法包括以下步骤：1)采集网络传输包中的控制数据及采样间隔数据；2)计算不同攻击次数下所有的攻击前后系统状态误差上界值；3)将误差上界值最大时对应的点作为最优虚假数据注入点进行攻击，完成面向网络自触发模型预测控制的最优虚假数据注入攻击。步骤1)中的采样间隔为每一个采样间隔所对应的控制数据为其中，tk为起始时间，为第i个采样间隔，系统的运动学模型为：其中，Lφ为动力学模型的李普希兹常数。步骤2)的具体操作为：计算虚假数据注入前后系统状态误差的上界值，得每一种攻击模式下攻击前后的差值上界值。步骤2)的具体操作为：21)计算当虚假数据注入次数为1次时的注入前后系统误差上界所有值其中，其中，i为虚假数据注入点，i＝2,3,…,N-1,N，N为采样间隔的个数；将所有的值存入行列式Pmax，当要求攻击的采样间隔数为1时，则转至步骤3)，否则，则转至步骤22)；22)基于虚假数据注入次数为1次所得到的误差上界所有值计算虚假数据注入次数M＝2所对应的误差上界所有值其中，i，j为虚假数据注入点；i＝2,3,…,N-2,N-1，j＝i+1,i+2,…,N-1,N，j>i，g为任意一次虚假数据注入下所影响的连续采样间隔数；将所有的值存入矩阵Pmax，当要求攻击的采样间隔数为2时，则转至步骤3)，否则，则转至步骤23)；23)设虚假数据注入次数M＝k，k大于等于3，基于虚假数据注入次数M＝k-1的误差上界所有值计算M＝k时误差上界所有值其中将所有的值存本文档来自技高网...

【技术保护点】
1.一种面向网络自触发模型预测控制的最优虚假数据注入攻击方法，其特征在于，包括以下步骤：/n1)采集网络传输包中的控制数据及采样间隔数据；/n2)计算不同攻击次数下所有的攻击前后系统状态误差上界值；/n3)将误差上界值最大时对应的点作为最优虚假数据注入点进行攻击，完成面向网络自触发模型预测控制的最优虚假数据注入攻击。/n

【技术特征摘要】
1.一种面向网络自触发模型预测控制的最优虚假数据注入攻击方法，其特征在于，包括以下步骤：
1)采集网络传输包中的控制数据及采样间隔数据；
2)计算不同攻击次数下所有的攻击前后系统状态误差上界值；
3)将误差上界值最大时对应的点作为最优虚假数据注入点进行攻击，完成面向网络自触发模型预测控制的最优虚假数据注入攻击。


2.根据权利要求1所述的面向网络自触发模型预测控制的最优虚假数据注入攻击方法，其特征在于，步骤1)中的采样间隔为每一个采样间隔所对应的控制数据为其中，tk为起始时间，δi*为第i个采样间隔，系统的运动学模型为：



其中，Lφ为动力学模型的李普希兹常数。


3.根据权利要求1所述的面向网络自触发模型预测控制的最优虚假数据注入攻击方法，其特征在于，步骤2)的具体操作为：计算虚假数据注入前后系统状态误差的上界值，得每一种攻击模式下攻击前后的差值上界值。


4.根据权利要求3所述的面向网络自触发模型预测控制的最优虚假数据注入攻击方法，其特征在于，步骤2)的具体操作为：
21)计算当虚假数据注入次数为1次时的注入攻击前后系统误差上界所有值其中，



...

【专利技术属性】
技术研发人员：贺宁，马凯，沈超，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：陕西;61