基于信道-时空注意自编码的车联网传感器异常检测方法技术

本发明专利技术公开基于信道

【技术实现步骤摘要】
基于信道
‑
时空注意自编码的车联网传感器异常检测方法


[0001]本专利技术属于自动驾驶汽车异常检测
，涉及一种基于信道
‑
时空注意自编码的车联网传感器异常检测方法，特别涉及一种基于自编码器的异常检测，结合记忆增强模型
。

技术介绍

[0002]自动驾驶汽车
(Autonomous Vehicles
，
AV)
依靠各类传感器来评估驾驶环境并发出必要的控制命令，然而，这些传感器很容易受到虚假数据注入和欺骗攻击的影响，由恶意网络攻击引起的传感器读数异常可能导致破坏性后果
。
异常检测策略应用于故障诊断和攻击检测等多种应用中
。
由于无线传感和测量技术的快速发展，自动驾驶过程数据可以按照时间序列描述为一组时间序列观测值
。
时间序列异常检测具有时空依赖性，经典的统计方法很难捕获车辆长期的动力学时间序列模型
。
利用深度神经网络方法来提取时间序列模型的层次表示和深度表示，构建有助于未来状态推断的模型是一种新颖的异常检测
、
安全事件预防策略
。
[0003]基于重构的方法学习特定模型以捕获给定时间序列数据的低维潜在空间，然后创建数据的综合重构以逼近原始输入数据
。
自动编码器是重构学习方法的基础模型，可以以无监督方式对数据进行训练以学习输入数据的重要特征及潜在的相关结构，包括编码器与解码器两个部件
。
随着序列长度的增加，从编码器的隐藏状态到解码器所对应隐藏状态所经过的隐藏状态数量增加，导致长期依赖问题，并且观察序列中的最新帧比旧帧更具信息性
。
为了解决这系列问题，最新研究方法在模型编码器与解码器之间引入注意力机制，有利于在所有时间步中选择相关的编码器隐藏状态，提高模型对多元时间序列数据的表示能力
。
[0004]鉴于此，本专利技术提出了一种新颖的基于通道
‑
时空注意的自编码器网络来增强网络的表达能力，用于解决隐蔽型攻击产生的异常数据能被编码器精准拟合和重建的问题，降低漏报率
。

技术实现思路

[0005]本专利技术针对现有基于重构的异常检测技术存在的问题，提供一种基于信道
‑
时空注意自编码的车联网传感器异常检测方法，具有鲁棒性和较高检测效率以及准确度
。
[0006]为达到上述目的，本专利技术的技术方案如下：
[0007]基于信道
‑
时空注意自编码器网络车联网传感器异常检测方法，该方法包括如下：
[0008]通过安装在汽车上的多个传感器获取汽车行驶状态的时间序列数据，对上述数据进行预处理；
[0009]利用基于
PSE
‑
Res2Net
的编码器对预处理后的数据进行编码；
[0010]对所述基于
PSE
‑
Res2Net
的编码器输出的特征利用记忆增强的时间
‑
注意机制整合多尺度特征，长期依赖跟踪，跨段生成具有时间依赖性的全局序列特征；
[0011]利用基于
PSE
‑
Res2Net
的解码器，将具有时间依赖性的全局序列特征从编码的低维表示转换为原始输入的高维表示，计算重构误差并得到检测结果
。
[0012]第二方面，本专利技术提供车联网传感器异常检测系统，包括：
[0013]数据获取及预处理模块，通过安装在汽车上的多个传感器获取汽车行驶状态的时间序列数据，对上述数据进行预处理；
[0014]检测模块，利用基于通道
‑
时空注意的自编码器模型实现汽车行驶状态的异常检测；所述基于通道
‑
时空注意的自编码器模型包括基于
PSE
‑
Res2Net
的编码器
、
基于
PSE
‑
Res2Net
的解码器
、
记忆增强的时间注意模块；基于
PSE
‑
Res2Net
的编码器负责对数据获取及预处理模块输出的数据进行编码；记忆增强的时间注意模块负责对所述基于
PSE
‑
Res2Net
的编码器输出的特征利用记忆增强的时间
‑
注意机制整合多尺度特征，长期依赖跟踪，跨段生成具有时间依赖性的全局序列特征；基于
PSE
‑
Res2Net
的解码器负责将具有时间依赖性的全局序列特征从编码的低维表示转换为原始输入的高维表示，计算重构误差并得到检测结果
。
[0015]与现有技术相比，本专利技术具有以下优点：
[0016]⑴
本专利技术利用
Res2Net
模块来学习与融合多传感器数据的输入相关的信息并生成多尺度特征图，从而增强神经网络的多维表示能力
[0017]⑵
本专利技术使用
PSENet
模块来提取多尺度特征图的通道空间注意力，通过通道注意机制和空间注意机制的相互作用来捕获位置感知的通道信息和通道敏感的空间信息，从而使特征上下文信息可以被充分利用
。
[0018]⑶
为了捕获跨序列段的长期依赖性，本专利技术设计记忆增强的时间注意块来集成多尺度特征并获得传感器测量的全局序列信息
。
[0019]综上，本专利技术用于自动驾驶汽车传感器异常检测，引入通道
‑
时空注意机制致力于增强多传感器时间序列的有效学习能力，同时增加异常数据的重建误差，从而提高异常检测的效率
。
附图说明
[0020]图1是本专利技术方法的工作流程框图；
[0021]图2是
PSE
‑
Res2Net
模块的框架图；
(a)Res2Net
模块
,(b)PSENet
模块；
[0022]图3是记忆增强的时间注意模块的原理图；
[0023]图4是重构误差的统计直方图；
[0024]图
5(a)
‑
(b)
分别是测试集速度特征和加速度特征的重构效果图
。
具体实施方式
[0025]下面结合附图对本专利技术做进一步的分析
。
[0026]本专利技术提出一种基于信道
‑
时空注意自编码的车联网传感器异常检测方法
。
采用的技术方案为：首先利用数据统计检测机制剔除车辆传感器异常数据，然后，利用基于信道
‑
时空注意的自编码器网络检测传感器异常；自编码器由基于记忆增强的空间注意模块以及基于
PSE
‑
Res2Net
模块的编码器和解码器组成；基于记忆增强的时间注意模块用于收集多尺度特征，从而整合传本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于信道
‑
时空注意自编码的车联网传感器异常检测方法，其特征在于所述方法包括如下：通过安装在汽车上的多个传感器获取汽车行驶状态的时间序列数据，对上述数据进行预处理；利用基于
PSE
‑
Res2Net
的编码器对预处理后的数据进行编码；对所述基于
PSE
‑
Res2Net
的编码器输出的特征利用记忆增强的时间
‑
注意机制整合多尺度特征，长期依赖跟踪，跨段生成具有时间依赖性的全局序列特征；利用基于
PSE
‑
Res2Net
的解码器，将具有时间依赖性的全局序列特征从编码的低维表示转换为原始输入的高维表示，计算重构误差并得到检测结果
。2.
根据权利要求1所述方法，其特征在于所述预处理包括异常数据剔除；所述异常数据剔除具体是使用基于
EKF
的状态估计器对多传感器融合的时间序列数据进行状态估计，随后计算状态残差并对残差进行统计分析，从而剔除异常数据
。3.
根据权利要求2所述方法，其特征在于基于
EKF
的状态估计器建模为：的状态估计器建模为：
P
k+1|k+1
＝
(I
‑
K
k+1|k
S
k+1|k
)P
k+1|k
ꢀꢀꢀꢀ
式
(1)
其中是在时间步
k
与
k+1
上的状态估计值，
P
k+1|k
与
P
k+1|k+1
是在时间步
k
与
k+1
上的误差协方差矩阵，
S
k
与
H
k
是雅可比矩阵，
K
k+1|k
是卡尔曼增益，
S
k+1|k
是雅可比矩阵在状态预测值处的取值，
y
k+1
与
y
k+1|k
分别是系统测量状态与系统估计状态，
I
是单位阵
。4.
根据权利要求1所述方法，其特征在于所述基于
PSE
‑
Res2Net
的编码器将输入序列
X
＝
[X1,X2,
…
,X
T
]
编码为其中
T1＝
T/8
；所述基于
PSE
‑
Res2Net
的编码器包括四个串联的残差块，每个残差块包括
Res2Net
模块和
PSENet
模块；每个残差块利用
Res2Net
模块获取多尺度特征图，然后通过
PSENet
模块提取通道和空间注意力
。5.
根据权利要求4所述方法，其特征在于所述
Res2Net
模块获取多尺度特征图，具体为：
⑴
特征子图划分：接受步骤一预处理后的时间序列数据或上一个残差块的输出结果
X
＝
[X1,X2,
…
,X
T
]
，
T
表示时刻，使用1×1的卷积将输入数据划分为四个子特征图其中
H、W
与
C
分别表示特征图的高度
、
宽度与通道数；
⑵
卷积操作：第一个子特征图
x1直接作为分割特征
x1’
；第二个子特征图
x2通过一个3×3的卷积处理后得到分割特征
x2’
；第三个子特征图
x3和分割特征
x2’
通过一个3×3的卷积处理后得到分割特征
x3’
；第四个子特征图
x4和分割特征
x3’
通过一个3×3的卷积处理后得到分割特征
x4’
；最终得到所有的分割特征
x
i
’
(i∈{1,2,3,4},C'
＝
C/4)
；
⑶
特征连接：将所有的分割特征
x
i
’
连接并传递到1×1卷积中，得到
Res2Net
模块的输出
X'。6.
根据权利要求4所述方法，其特征在于所述
PSENet
模块包括通道注意模块和空间注
意模块；通道注意模块对接收到的特征图
X'
通过利用
SENet
网络的挤压和激励两个操作，关注不同尺度下特征图中最显著的局部特征，从而有助于推断细致的通道特征；空间注意模块通过对所有空间特征进行加权来选择重要的位置特征
。7.
根据权利要求4所述方法，其特征在于
PSENet
模块的具体操作如下：
⑴
计算通道注意：通道注意模块通过结合平均池化和最大池化操作沿通道轴进行挤压操作，并在之后进行激励操作，汇总各通道的特征信息，得到通道的平均池化特征和最大池化特征然后，将通道的平均池化特征和最大池化特征输入到两个卷积层中学习通道关系，即第一个卷积层的输出维度为
C/r
，
r
表示通道的分组因子，经过非线性激活函数
ReLU
后输入到第二个卷积层，输出维度为
C
；接着，使用
sigmoid
激活函数调整通道权重，得到通道注意
G
c
(X')
的计算公式如下：其中是卷积层的权重参数，
σ
为非线性激活函数
ReLU
；
⑵
计算空间注意：空间注意模块通过对所有空间特征进行加权来选择重要的位置特征，得到空间维度注意力
G
w
(X')
，
G
w
(X')
的计算公式如下：其中
F
11
×1表示第一次1×1卷积操作，
F
23
×3表示第二次3×3卷积操作，
F
33
×3表示第三次1×1卷积操作...

【专利技术属性】
技术研发人员：周漫，史治国，车欣，
申请(专利权)人：浙江大学，
类型：发明
国别省市：