[发明专利]一种基于交通流时空特征的恶意车辆检测方法

说明书

本发明属于智能交通领域，提供了一种基于交通流时空特征的恶意车辆检测方案。该方案包括五个部分，第一部分是根据交叉口空间关联度将整个交通路网划分为多个子区域。第二部分是子区域中路边检测节点将其收集到的数据信息上传到对应的雾服务器上，并且通过图注意力网络(GAT)进行训练，得到带有空间特征的模型。第三部分是云服务器将所有雾服务器中处理过的数据收集起来，通过带有注意力机制的门控循环单元(A‑GRU)对全局的时间特征进行训练，得到一个全局的时空模型。第四部分是信誉系统的构建，以流量轨迹真实度为依据对信誉分数进行更新。第五部分是恶意车辆检测，系统根据车辆的信誉分数来评判车辆是否为恶意车辆。

技术领域

本发明属于智能交通领域，更具体地，涉及一种基于交通流时空特征的恶意车辆检测方法。

背景技术

车联网是一种大型交互式移动网络。车联网的快速发展能够为人们的驾驶提供极大的便利，要实现这些就必须依靠大量的消息传递，这意味着车联网的安全风险也在增加。攻击者一般通过内部攻击和外部攻击的方式来控制被攻击的车辆，从而危害到驾驶员或其他无关人员的生命和财产安全，因此需要构建一个检测方案来检测恶意车辆。

基于密码的方法虽然可以抵御一部分外部攻击，但是对于内部攻击既系统已经认定为合法的车辆所产生的恶意行为，基于密码的技术难以检测。例如在交通事故发生时，正常车辆会向其他车辆共享路况信息，以提醒其他车辆减速或者提前绕路，但是恶意车辆会传播此处交通状况正常的消息给其他车辆，这就会导致其他车辆在经过这个路段时没有防备从而造成更加严重的交通事故，因此检测这些内部攻击非常关键。

对恶意车辆进行检测需要分析大量的数据，因此有许多研究人员提出了基于云计算的车联网框架。云计算能够为车辆远程提供大量的计算与存储资源，但要及时的检测出恶意车辆就需要实时的对信息进行处理和传输，这要求车联网具有很低的交互延迟。而云计算框架一般部署在远端的云计算中心，无法满足低延迟的通信需要。因此发明引入了雾计算，雾计算能够在数据源分析处理，避免大数据量、长距离通信可能引发的响应延迟，更加高效的对恶意车辆进行检测。但是雾计算也存在计算和存储资源不足的问题，因此我们结合云计算与雾计算各自的优势，提出了一种在云-雾架构下基于交通流量时空特征的恶意车辆检测方法。

发明内容

本发明的目的在于克服上述现有技术中，检测延时高、效率低的缺点，提供一种基于交通流时空特征的恶意车辆检测方法。

为实现上述目的，本发明采用以下技术方案予以实现：

第一部分是基于交叉口空间关联度的交通子区域划分；第二部分是收集子区域的历史交通流数据进行基于图注意力网络(GAT)的局部交通流空间特征提取；第三部分是根据收集图注意力网络的结果进行基于带有注意力机制的门控循环单元(A-GRU)的全局交通流时间特征提取并对交通流进行预测。第四部分是信誉系统的构建，以流量轨迹真实度为依据对信誉分数进行更新；第五部分是恶意车辆检测，系统根据车辆的信誉分数来评判车辆是否为恶意车辆。

作为优选的技术方案，所述基于交叉口空间关联度的交通子区域划分是根据路网中交叉口之间的距离因素、信号周期因素和交通流量因素来综合计算出交叉口之间的空间关联度，从而使用层次聚类算法根据关联度将整个交通路网划分为多个子区域。

作为优选的技术方案，所述基于图注意力网络的局部交通流空间特征提取是通过路边检测节点将其检测到的数据信息上传到对应的雾服务器上，并且通过雾服务器内的图注意力网络(GAT)对数据进行训练。根据节点之间的拓扑关系，训练出一个对此区域具有针对性的数据模型，以此来提高预测的精度。

作为优选的技术方案，所述基于带有注意力机制的门控循环单元(A-GRU)的全局交通流时间特征提取是云服务器将所有雾服务器中处理过的数据收集起来，通过A-GRU对全局的时间特征进行训练，得到一个全局的时空模型。最后，云将时空模型下发到雾服务器中，雾服务器通过训练好的模型独立监控并预测流量。