一种基于GAN数据增强的车联网恶意软件传播控制方法技术

本发明专利技术公开了一种基于GAN数据增强的车联网恶意软件传播控制方法，通过建模恶意软件在车联网中的传播规律，应用庞德里亚金极值原理得到车联网恶意软件传播最优控制解，然后通过GAN扩充最优状态控制对数据集的规模，以用于神经网络对车联网中恶意软件传播进行控制的训练数据集，可以极大的阻止恶意软件在车联网中的传播，减小恶意软件对车辆以及用户产生的不利影响。不利影响。不利影响。

【技术实现步骤摘要】
一种基于GAN数据增强的车联网恶意软件传播控制方法


[0001]本专利技术涉及车联网的信息安全的
，具体涉及一种基于GAN数据增强的车联网恶意软件传播控制方法。

技术介绍

[0002]车联网(Internet ofVehicles,IOV)是信息物理融合系统(Cyber
‑
physical Systems,CPS)在智能交通系统(Intelligent Transportation Systems,ITS)的应用，其高度集成移动通信技术、信息处理技术、传感器技术以及自动控制技术等先进技术，能够将“人、车、路”等交通参与要素有机地联系在一起，实现车与车、车与人、车与道路基础设施之间的信息快速分享和互换，将行驶车辆转化为一个大范围的无线移动网络。同时，车联网作为一个高效的信息交换网络，在降低交通事故率、缓解交通拥挤、提供个性化服务方面能够发挥巨大的作用，因此具有非常广阔的应用前景和经济效益。
[0003]然而，车联网中车辆节点高度依赖无线通信技术进行相互信息传输，并通过上层应用将信息呈现给用户，在给我们带来便利的同时，其具有的开放性、实时性和拓扑结构动态变化等特点，使得车联网遭受恶意软件入侵和传播的风险显著增大。与普通的网络一样，车联网也面临病毒、蠕虫、木马等恶意攻击的网络安全威胁。这些恶意软件在网络中的传播可能会泄露车辆以及用户的隐私数据并且还会影响车辆对相关交通信息的接收和响应，导致交通事故的发生，严重的威胁到了用户的生命财产安全。

技术实现思路

[0004]本专利技术基于车联网的信息安全问题，提出了一种基于GAN数据增强的车联网恶意软件传播控制方法。该方法通过以下的技术方案实现：
[0005]一种基于GAN数据增强的车联网恶意软件传播控制方法，包括：
[0006]S1：建立交通流模型，获得IDM(智能驾驶员模式)平衡流状态下的车辆距离的表达式；
[0007]S2：建立车车通信信道模型，得到成功接收无线信号的概率；
[0008]S3：建立车联网恶意软件传播模型，得到车联网恶意软件传播的分数阶方程；
[0009]S4：基于庞德里亚金极值原理对分数阶微分方程算得最优控制解；
[0010]S5：基于GAN的最优状态控制对原数据集进行扩充得到新的数据集。
[0011]优选的，所述S1中，IDM平衡流状态下的车辆距离的表达式如下：
[0012][0013]其中，s
ij
＝x
i
‑
x
j
代表车辆j与其相邻前部车辆i的净距离，T代表反应时间，s0代表完全停止交通时的最小保险杠间距，v表示车辆平衡流状态下的速度，v0代表自由交通流中的期望速度，δ代表加速度指数，s
e
表示车辆间隙。
[0014]更优的，S2中，通过S1中车辆之间的间距得到接收无线信号功率的概率密度函数
如下：
[0015][0016]且
[0017][0018]其中，p
t
表示所装备车辆的无线信号传输功率；λ表示波长，G
t
表示发射天线的增益；G
r
表示接收天线的增益，f(p
r
(s
ij
))表示接收到的无线信号功率p
r
(s
ij
)的概率密度函数。
[0019]更优的，通过给定临界接收功率p
su
，即车辆接收的信号功率大于p
su
，则可以成功传输无线信号；得到车辆成功地接收到无线信号的概率如下：
[0020][0021]更优的，S3中，结合交通流模型和车车通信模型将感染率概率扩展为：
[0022][0023]其中，R表示车辆的通信半径；结合得到车联网恶意软件传播的分数阶微分方程。
[0024]优选的，所述S4中，结合免疫和治疗的控制策略，得到的新分数阶微分方程并引入庞德里亚金极值原理，对新分数阶微分方程的最优控制问题进行求解，最终求得新分数阶微分方程的的目标函数J(u1,u2,u3)最小化的控制量。
[0025]优选的，所述S5中，通过目标函数得到一个GAN模型，并且训练过程看作为一个最小
‑
最大的博弈过程，从学习到的分布中合成新的最优状态控制对模拟数据，所述目标函数表达式如下：
[0026][0027]其中，表示真实数据x的分布的期望，z表示随机噪声，高斯噪声分布的期望，D(x)表示是真实数据的概率，G(z)表示噪声z通过生成器生成的数据，D(G(z))表示生成的数据是真实数据的概率。
[0028]优选的，所述S5中，通过引入GAN对最优控制解的数据集进行扩充，增大数据集的
规模，使训练的神经网络更具鲁棒性，以增强通过神经网络控制车联网恶意软件传播的鲁棒性。
[0029]本专利技术与现有技术相比，还存在以下优点：
[0030](1)本专利技术从实际出发，结合车辆的交通行为以及通信因素建立模型，具有很强的现实意义；
[0031](2)本专利旨在解决最优控制数据集规模小的问题，基于GAN(生成对抗网络)对该数据集进行扩充，以增强通过神经网络控制恶意软件传播的鲁棒性。
附图说明
[0032]利用附图对本专利技术作进一步说明，但附图中的实施例不构成对本专利技术的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
[0033]图1是本专利技术一种基于GAN数据增强的车联网恶意软件传播控制方法的实现流程图；
[0034]图2是本专利技术基于庞德里亚金极值原理加入控制量的状态转移图；
[0035]图3是本专利技术GAN数据增强的结构图。
具体实施方式
[0036]以下结合具体实施例对一种基于GAN数据增强的车联网恶意软件传播控制方法作进一步的详细描述，这些实施例只用于比较和解释的目的，本专利技术不限定于这些实施例中。
[0037]如图1所示，一种基于GAN数据增强的车联网恶意软件传播控制方法，包括：
[0038]一种基于GAN数据增强的车联网恶意软件传播控制方法，包括：
[0039]S1：建立交通流模型，获得IDM(智能驾驶员模式)平衡流状态下的车辆距离的表达式；
[0040]S2：建立车车通信信道模型，得到成功接收无线信号的概率；
[0041]S3：建立车联网恶意软件传播模型，得到车联网恶意软件传播的分数阶方程；
[0042]S4：基于庞德里亚金极值原理对分数阶微分方程算得最优控制解；
[0043]S5：基于GAN的最优状态控制对原数据集进行扩充得到新的数据集。
[0044]优选的，所述S1中，IDM平衡流状态下的车辆距离的表达式如下：
[0045][0046]其中，s
ij
＝x
i
‑
x
j
代表车辆j与其相邻前部车辆i的净距本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GAN数据增强的车联网恶意软件传播控制方法，其特征在于，包括：S1：建立交通流模型，获得IDM平衡流状态下的车辆距离的表达式；S2：建立车车通信信道模型，得到成功接收无线信号的概率；S3：建立车联网恶意软件传播模型，得到车联网恶意软件传播的分数阶方程；S4：基于庞德里亚金极值原理对分数阶微分方程算得最优控制解；S5：基于GAN的最优状态控制对原数据集进行扩充得到新的数据集。2.根据权利要求1所述的一种基于GAN数据增强的车联网恶意软件传播控制方法，其特征在于，所述S1中，IDM平衡流状态下的车辆距离的表达式如下：其中，s
ij
＝x
i
‑
x
j
代表车辆j与其相邻前部车辆i的净距离，T代表反应时间，s0代表完全停止交通时的最小保险杠间距，v表示车辆平衡流状态下的速度，v0代表自由交通流中的期望速度，δ代表加速度指数，s
e
表示车辆间隙。3.根据权利要求2所述的一种基于GAN数据增强的车联网恶意软件传播控制方法，其特征在于，S2中，通过S1中车辆之间的间距得到接收无线信号功率的概率密度函数如下：且其中，p
t
表示所装备车辆的无线信号传输功率；λ表示波长，G
t
表示发射天线的增益；G
r
表示接收天线的增益，f(p
r
(s
ij
))表示接收到的无线信号功率p
r
(s
ij
)的概率密度函数。4.根据权利要求3所述的一种基于GAN数据增强的车联网恶意软件传播控制...

【专利技术属性】
技术研发人员：刘贵云，谭志浩，梁忠伟，钟晓静，程乐峰，刘晓初，
申请(专利权)人：广州大学，
类型：发明
国别省市：