【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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。