博文

【论文推荐】基于自适应分布式卡尔曼滤波的网联车GPS虚假注入攻击检测

已有 333 次阅读 2026-4-2 08:36 |个人分类:论文推荐|系统分类:博客资讯

编辑荐语

本期将给大家分享“基于自适应分布式卡尔曼滤波的网联车GPS虚假注入攻击检测(Detection of GPS spoofing attacks on connected vehicles based on adaptive distributed Kalman filtering)”. 如您对本期相关内容有好的理解与建议, 欢迎评论区留言.

本文聚焦于智能交通系统中网联车面临的GPS信号虚假注入攻击这一严峻安全威胁, 创新性地提出了一种基于自适应分布式卡尔曼滤波(DKF) 的高效攻击检测策略. 研究针对攻击隐蔽性强、车辆行驶噪声统计特性未知的双重挑战, 通过引入噪声在线估计机制, 对传统DKF算法进行改进, 使其能够动态适应环境变化, 显著提升了状态估计的精度与鲁棒性. 在此基础上, 论文创造性地从自适应DKF的状态残差入手进行分析, 揭示了利用状态残差检测“攻击前后输出残差不变”的隐蔽虚假注入攻击的可能性, 进而设计了一种改进的卡方检测方法. 仿真实验表明, 所提方法不仅能够有效检测出这类隐蔽攻击, 还降低了系统的误报率. 本工作为保障网联车队列的行驶安全提供了理论可靠、实用性强的攻击检测方案, 对推动智能交通系统的安全防御从“数据信息安全”迈向“物理状态安全”具有重要价值.

本文直面网联车安全的核心痛点, 所提方法在理论创新性与工程实用性上取得了良好平衡, 其“自适应滤波+状态残差检测”的框架为传感器攻击检测提供了新视角. 推荐给从事网联车安全、信息物理系统安全、攻击检测及状态估计等领域的研究人员与工程师阅读参考.

论文介绍

基于自适应分布式卡尔曼滤波的网联车GPS虚假注入攻击检测

Detection of GPS spoofing attacks on connected vehicles based on adaptive distributed Kalman filtering

宋秀兰†, 梅正远, 朱俊威

机构: 浙江工业大学信息工程学院

引用: 宋秀兰, 梅正远, 朱俊威. 基于自适应分布式卡尔曼滤波的网联车GPS虚假注入攻击检测. 控制理论与应用, 2026, 43(1): 159 – 168

DOI: 10.7641/CTA.2024.30743

全文链接:

http://jcta.alljournals.ac.cn/cta_cn/ch/reader/view_abstract.aspx?file_no=CCTA230743&flag=1

摘要

针对网联车GPS信号可能遭受虚假注入攻击的问题, 本文提出一种基于自适应分布式卡尔曼滤波DKF的攻击检测策略. 首先, 构建GPS信号虚假注入攻击下的网联车队列系统不确定动态模型, 并提出一种自适应DKF算法, 以解决网联车行驶过程中噪声统计特性未知的问题; 其次, 设计了一种基于自适应DKF状态残差的卡方检测方法, 实现对GPS信号虚假注入攻击的检测; 最后, 通过实验仿真验证所提检测方法的有效性.

引言

随着网络科技与自动驾驶技术的飞速演进, 网联车已成为智能交通系统的重要组成部分[1–2]. 网联车技术不仅有助于缓解交通堵塞, 还能提高车辆运行效率和安全性, 降低燃油损耗[3–5]. 然而, 网联车技术的广泛应用也带来了新的安全挑战, 如网联车在行驶过程中可能会受到外部网络攻击的威胁[6]. 车辆一旦遭受网络攻击, 将使车辆产生误导性信息, 从而引导车辆做出错误的决策, 这不仅危害车辆的行驶安全, 还可能引发严重安全事故[7].

当前, 网联车的信息安全问题已经引起了广泛关注[8]. 例如, 文献[9]对网联车的网络安全研究成果进行了全面的回顾, 揭示了多种攻击类型并提出了对应的攻击检测方法, 包括拒绝服务(denial of service, DoS) 攻击、重放攻击、随机攻击、隐蔽虚假注入攻击等[10–13]. 文献[14]对网联车的通信网络架构进行了深度分析, 并提出了多种网络攻击的防御策略, 但这些策略主要针对数据和信息安全, 对于物理层面的攻击, 如传感器攻击, 所提出的解决方案仍存在防护缺陷. 文献[15–16]提出了基于数字水印的攻击检测方法, 但这种方法在某些特定场景下可能被恶意攻击者检测并利用, 从而降低系统的整体安全性.

近年来, 为了提高攻击检测的精确度以及对环境变化的适应能力, 卡尔曼滤波技术因其在处理噪声和模型不确定性方面的显著优势而被应用于攻击检测. 文献[17]对网联车队列系统传感器攻击检测问题, 提出了一种结合卷积神经网络和卡尔曼滤波器的卡方检测方法, 但检测结果高度依赖卷积神经网络的训练. 文献[18]利用支持向量机检测车辆位置和速度传感器的攻击, 但无法检测到数据集之外的新型数据攻击类型. 文献[19]利用扩展卡尔曼滤波技术和输出残差累积和检测方法, 检测网联车GPS和雷达传感器的虚假注入攻击, 但未考虑车辆噪声的不确定性和建模误差. 文献[20]针对网联车GPS虚假注入攻击的问题, 提出一种基于分布式卡尔曼滤波 (distributed kalman filtering, DKF)的广义似然比(generalized likelihood ratio, GLR)检测方法, 但无法检测攻击前后输出残差不变的隐蔽虚假注入攻击. 文献[21]提出了一种集成噪声先验统计估计器的自适应无迹卡尔曼滤波算法, 但其应用尚未扩展到网联车系统中. 尽管卡尔曼滤波技术已运用于网联车攻击检测, 但大多数研究未考虑噪声统计特性对滤波器精度的影响, 且难以识别隐蔽虚假注入攻击.

网联车的安全行驶依赖于准确的位置信息, 而目前车辆位置信息主要由GPS信号提供, 由于GPS信号通过外部开放环境下获取, 很容易遭受虚假注入攻击, 从而威胁网联车的行驶安全[22]. 对此, 本文综合利用卡尔曼滤波技术和卡方检测方法, 提出一种基于自适应DKF的网联车GPS虚假注入攻击检测方法. 对比现有文献, 本文主要贡献如下: 1) 通过引入噪声估计机制, 提出了一种改进的自适应DKF算法, 使其在网联车运行过程中能动态估计车辆噪声的变化, 提高了DKF的滤波精度和稳定性; 2) 从自适应DKF状态残差角度分析了检测隐蔽虚假注入攻击的可能性, 进而提出了基于自适应DKF状态残差的改进卡方检测方法. 仿真对比实验结果验证了本文所提方法不仅能够有效地检测网联车GPS隐蔽虚假注入攻击, 还减少了攻击检测的误报率.

结论

本文提出了一种基于自适应DKF状态残差的卡方检测方法, 旨在检测网联车GPS的虚假注入攻击. 首先构建了网联车的状态空间模型, 并描述了虚假注入攻击的数学模型. 随后, 对DKF进行改进, 加入噪声估计部分, 设计了一种在运行过程中能够自适应估计噪声统计特性自适应DKF, 提高滤波估计的准确性. 此外, 还提出了一种基于自适应DKF状态残差的卡方检测方法. 仿真实验结果表明, 本文提出的检测方法不仅能够有效地检测到隐蔽虚假注入攻击, 还减少了系统的误报率. 未来研究将继续研究如何应用自适应DKF进一步提高检测算法的灵敏度.

作者简介

宋秀兰副教授, 目前研究方向为车联网系统优化与控制;

梅正远硕士研究生, 目前研究方向为车联网系统数据攻击检测;

朱俊威副教授, 目前研究方向为信息物理系统安全.

期刊介绍

《控制理论与应用》(Control Theory & Applications)是经国家科学技术部批准, 教育部主管, 由华南理工大学和中国科学院数学与系统科学研究院联合主办的全国性一级学术刊物, 1984年创刊, 月刊, 国内外公开发行. 《控制理论与应用》是中国科学引文数据库首批统计源期刊之一，中文核心期刊，入选中国精品科技期刊顶尖学术论文F5000项目，中国科协自动化学科领域高质量科技期刊目录以及中国科协百篇优秀科技论文遴选计划，2021年入选广东省高质量科技期刊建设项目，2022-2024年连续获得基金委资助（科技活动专项）。

期刊封面2.jpg 目录2.jpg