DoS攻击下基于事件触发的无模型自适应泊车方法及系统

本发明涉及自动泊车，尤其是指dos攻击下基于事件触发的无模型自适应泊车方法及系统。

背景技术：

1、近年来，随着智能交通系统的快速发展以及对停车便利性的需求不断增长，自动泊车备受研究领域的瞩目。目前，众多车辆已经配备了自动泊车系统，该系统利用车载传感器收集周围环境的信息，以规划出泊车路径，进而规划出合理的泊车路径，并指导车辆按照既定路径进行泊车。自动泊车类型主要包括平行泊车、斜向泊车和垂直泊车，其中由于停车位狭窄，平行泊车是最困难的泊车类型。

2、目前大多数自动泊车控制方法都建立在被控车辆动力学模型精确可用的基础上。然而，在现实中停车场的环境、轮胎压力的差异以及车辆的发动机状态的不确定性，都不可避免地会导致模型重建的误差，这种误差会影响控制效果，甚至威胁到车辆的稳定性。此外，在自动泊车过程中，车辆需通过网络传输数据，这使得网络攻击成为一个不可忽视的问题；特别是拒绝服务(dos)攻击，由于其易实施性，对安全泊车构成了较大威胁；同时，由于车辆网络带宽限制产生的网络问题，如拥塞和信号问题也容易导致数据包丢失，其带来的安全隐患同样不容忽视。

技术实现思路

1、为此，本发明所要解决的技术问题在于克服现有技术中自动泊车方法稳定性不足、对泊车环境、网络攻击、带宽限制敏感性过高的问题。

2、为解决上述技术问题，本发明提供了dos攻击下基于事件触发的无模型自适应泊车方法，包括以下步骤：

3、s1:实时获取车速与脉冲时间数据，并基于以上数据获得可用泊车位；根据所述可用泊车位，进行泊车路径规划；

4、s2:对根据所述泊车路径规划行驶的车辆进行路径跟踪，在此过程中，车辆执行器根据接收到的输入控制信号调整车辆目标参数；同时，获得车辆当前实际目标参数；

5、s3:判断是否需要更新输出至车辆控制器的实际目标参数；若不满足事件触发条件，则维持上一次输出的实际目标参数；若满足事件触发条件且无攻击信号丢失，则输出当前实际目标参数；若满足事件触发条件且存在攻击信号丢失，则对实际目标参数进行补偿，并输出补偿后的实际目标参数；

6、s4:建立与实际目标参数以及期望目标参数相关联的mfac控制算法，其中，所述期望目标参数根据泊车路径规划获得；所述车辆控制器基于mfac控制算法计算得到输入控制信号；

7、s5:对输入控制信号进行补偿，并将补偿后的输入控制信号传输至车辆执行器；循环执行s2-s5，直至车辆完成泊车。

8、在本发明的一个实施例中，所述目标参数为车身角，所述输入控制信号为前轮转角。

9、在本发明的一个实施例中，在s2中，基于四轮车动力学模型，所述车辆执行器根据接收到的前轮转角信号调整车辆车身角，所述四轮车动力学模型为：

10、

11、其中，x和y分别是后车轴中点的横坐标和纵坐标,v为车速,l为前后轮轴距,θ为车体径向轴与x轴正向间的夹角即车身角,γ为前轮转角；此外，汽车前轮受最大转向角限制，即γ(k)≤|γmax|。

12、在本发明的一个实施例中，在s3的所述事件触发机制中，事件触发误差为：

13、

14、其中，为时间触发条件，设置为为事件触发阈值；为上一时刻成功传输到控制器的实际目标参数；θ(k)为当前时刻的实际目标参数：

15、

16、其中，泊车控制器在时刻k接收到传感器成功传输的信号记为k＝ki，其中i表示截止到时刻ki为止触发信号成功传输到车辆控制器的次数；

17、当前时刻输出至车辆控制器的实际目标参数为：

18、

19、其中，为补偿后的实际目标参数。

20、在本发明的一个实施例中，在s4中，所述mfac控制算法的建立方法为：

21、将自动泊车控制系统转化为带外部输入的非线性自回归滑动平均模型：

22、θ(k)＝f(θ(k),…,θ(k-nθ),γ(k),…,γ(k-nγ))

23、其中，θ为实际目标参数，γ为输入控制信号；

24、将非线性自回归滑动平均模型转化为动态线性化数据模型:

25、

26、其中，和是系统的伪偏导数，δθ(k+1)＝θ(k+1)-θ(k)，δγ(k)＝γ(k)-γ(k-1)，控制输入准则函数为：

27、j(λ(k))＝(θ*(k+1)-θ(k))2+β(δγ(k))2

28、其中，θ*为期望目标参数，β＞0表示权重因子,用于限制输入控制信号的变化；

29、控制率为：

30、

31、其中，σ＞0表示步长因子；由于伪偏导数和为时变参数,故提出以下估计准则函数；

32、

33、其中，υ＞0表示权重因子；依据最优条件,利用矩阵求逆引理对估计准则函数求极值,得到和的估计算法为：

34、

35、其中，和是和的估计值，参数η表示步长因子；

36、参数重置算法如下：

37、

38、由此，所述mfac控制算法包括所述控制率、估计算法以及重置算法。

39、在本发明的一个实施例中，车辆控制器的前向通道与反馈通道受到的dos攻击的概率符合伯努利分布：

40、

41、其中，τ(k)＝1表示数据传输成功，τ(k)＝0表示输出传输失败，表示dos攻击的失败概率；

42、在s3中，若满足事件触发条件且存在攻击信号丢失，采用第一攻击补偿算法对所述实际目标参数进行补偿，所述第一攻击补偿算法为：

43、

44、在本发明的一个实施例中，带有所述第一攻击补偿算法的mfac控制算法包括：

45、控制率为：

46、

47、估计算法为：

48、

49、重置算法为：

50、

51、在本发明的一个实施例中，在s5中，采用第二攻击补偿算法对所述输入控制信号进行补偿，所述第二攻击补偿算法为：

52、γ(k)＝γ(uc+τ)＝γ(uc+τ-1)+ζτδγ(uc)

53、其中，车辆执行器实际收到车辆控制器在时刻k发送的输入控制信号记作k＝uc，其中uc表示输入控制信号成功传输的时刻，c表示截止到时刻uc为止成功传输的次数；ζ∈[0,1)表示补偿因子。

54、本发明还提供了一种dos攻击下基于事件触发的无模型自适应泊车系统，所述系统用于实现所述的dos攻击下基于事件触发的无模型自适应泊车方法，具体包括：

55、路径规划模块，用于实时获取车速与脉冲时间数据，并基于以上数据获得可用泊车位；根据所述可用泊车位，进行泊车路径规划；

56、路径跟踪模块，用于对根据所述泊车路径规划行驶的车辆进行路径跟踪，在此过程中，车辆执行器根据接收到的输入控制信号调整车辆目标参数；同时，获得车辆当前实际目标参数；

57、事件触发模块，用于判断是否需要更新输出至车辆控制器的实际目标参数；若不满足事件触发条件，则维持上一次输出的实际目标参数；若满足事件触发条件且无攻击信号丢失，则输出当前实际目标参数；若满足事件触发条件且存在攻击信号丢失，则对实际目标参数进行补偿，并输出补偿后的实际目标参数；

58、自适应调节模块，用于建立与实际目标参数以及期望目标参数相关联的mfac控制算法，其中，所述期望目标参数根据泊车路径规划获得；所述车辆控制器基于mfac控制算法计算得到输入控制信号；

59、控制信号补偿及泊车模块，用于对输入控制信号进行补偿，并将补偿后的输入控制信号传输至车辆执行器；循环执行s2-s5，直至车辆完成泊车。

60、本发明还提供了一种车辆，包括所述的dos攻击下基于事件触发的无模型自适应泊车系统。

61、本发明的上述技术方案相比现有技术具有以下有益效果：

62、首先，本发明通过无模型自适应控制策略，解决了传统基于模型控制方法中对精确模型的依赖性，利用受控系统的i/o数据，通过数据驱动的方式来调整控制策略，而无需精确的数学模型，提高了泊车过程的跟踪精度和鲁棒性。

63、其次，本发明通过事件触发机制，减少了数据通信的频率和带宽占用，有效降低了网络拥塞和信号丢失的风险；通过事件触发机制，仅在状态变化超过预设阈值时才进行数据传输，既保证了泊车过程的实时性，又减少了不必要的网络通信，提高了系统的整体效率。

64、再次，本发明针对dos攻击导致的信号丢失，提出了攻击补偿算法；在泊车过程中，若控制器接收到的信号受到dos攻击干扰而丢失，系统将根据之前成功传输的数据以及当前车辆状态，采用补偿算法估计丢失的信号，保证泊车过程的连续性和安全性，显著提高自动泊车系统在网络攻击下的可靠性和稳定性。