信息物理移动系统中传感器攻击检测与幅值估计方法研究
《IEEE Transactions on Industrial Cyber-Physical Systems》:Sensor Attack Detection and Size Estimation in Cyber-Physical Mobile Systems
【字体:
大
中
小
】
时间:2025年12月12日
来源:IEEE Transactions on Industrial Cyber-Physical Systems
编辑推荐:
本文针对信息物理移动系统(CPMS)中传感器数据完整性攻击的检测与估计难题,提出了一种基于自适应外源卡尔曼滤波器(AXKF)的安全状态估计新方法。研究通过构建包含滤波传感器测量的增广状态空间模型,并串联非线性自适应观测器(NLAO)与自适应线性化卡尔曼滤波器(ALKF),实现了对传感器攻击的精准检测和幅值估计。仿真和实物实验表明,该方法在自动驾驶车辆路径跟踪和集装箱卡车自主对接场景中均表现出优异的鲁棒性和估计精度(低均方根误差和快速收敛),为提升信息物理系统的安全可靠性提供了有效解决方案。
在工业4.0时代,信息物理系统(CPS)通过实现物理世界与虚拟空间的深度融合,正在彻底变革各行各业。这些系统作为优化运营的关键载体,在提升工业效率方面扮演着核心角色。然而,随着CPS与互联网的深度互联,其安全性问题日益凸显,特别是针对传感器等关键部件的恶意攻击,可能导致设备损坏、生产中断、安全威胁甚至环境灾难,其后果可能是灾难性的。
在信息物理移动系统(CPMS)领域,如移动机器人、自动驾驶汽车和无人机,传感器如同系统的“感官”,其可靠性直接决定整个系统的运行效能。其中,主动攻击(如欺骗攻击和拒绝服务攻击)通过篡改或破坏传感器数据,能够直接物理系统造成实质性影响。尽管已有研究提出了多种应对方案,如基于观测器的安全状态估计、滑模观测器以及数据驱动方法等,但这些方法通常缺乏对攻击估计值收敛于真实值的严格稳定性证明。
为此,Muhammad Hilmi等人发表在《IEEE Transactions on Industrial Cyber-Physical Systems》上的研究,提出了一种新的传感器攻击检测与幅值估计方法。该研究聚焦于解决CPMS中传感器数据完整性攻击的挑战,旨在设计一种既能提供准确攻击估计又能保证估计稳定性的鲁棒方法。
为开展此项研究,作者主要采用了几个关键技术方法:首先,建立了受传感器攻击的CPMS非线性离散时间状态空间模型,并通过引入滤波后的传感器测量值构建了增广状态空间模型,将系统状态和攻击信号同时纳入估计框架。其次,设计了一种由非线性自适应观测器(NLAO)和自适应线性化卡尔曼滤波器(ALKF)级联而成的自适应外源卡尔曼滤波器(AXKF)架构。NLAO利用李雅普诺夫方法保证了状态与攻击估计误差动态的全局一致渐近稳定性,而ALKF则在线性化模型基础上进行随机估计,有效抑制噪声,提高估计精度。该方法在自动驾驶车辆路径跟踪仿真和集装箱卡车自主对接实物实验中进行了验证。
攻击诊断算法设计
研究人员设计了基于AXKF的安全状态估计算法。核心在于将非线性自适应观测器(NLAO)与自适应线性化卡尔曼滤波器(ALKF)进行级联。NLAO在确定性设定下(忽略噪声)工作,通过构造李雅普诺夫函数并求解线性矩阵不等式(LMI),保证了状态和攻击估计误差在平衡点处是全局一致渐近稳定的。ALKF则在线性化后的系统模型上进行操作,通过递归计算卡尔曼增益及其辅助矩阵,实现对状态和攻击的随机估计,并具有指数稳定性。这种级联结构使得整个估计器继承了ALKF的指数稳定性,并对噪声是输入状态稳定(ISS)的。算法伪代码清晰概述了实现步骤。
自动驾驶车辆仿真结果
在自动驾驶车辆路径跟踪控制的仿真中,研究人员在车辆位置传感器上注入阶跃和连续攻击信号。AXKF方法能够有效估计车辆状态(位置x, y,航向角φ,速度v,转向角δ)和传感器攻击幅值(θ1, θ2)。与径向基函数神经网络(RBFNN)方法相比,AXKF在状态估计和攻击估计上均表现出更低的均方根误差(RMSE),并且计算效率显著更高(AXKF总仿真时间0.1588秒,RBFNN为14.0505秒)。虽然攻击估计结果存在一定波动(这与为应对攻击而设置的大测量协方差矩阵RF有关),但AXKF整体性能优于RBFNN。此外,通过蒙特卡洛仿真对AXKF增益矩阵H和调谐矩阵J进行了鲁棒性分析,结果表明RMSE估计值随缩放因子增加会收敛,但过大的缩放因子会导致LMI无解,需要在估计精度和稳定性容忍度之间进行权衡。
自主集装箱卡车实验结果
在实物实验中,研究人员将AXKF应用于集装箱卡车的自主对接场景。该场景涉及点稳定和方向控制两个阶段。实验在卡车的LiDAR定位系统(测量位置x, y和航向角φ)上注入了斜坡和阶跃攻击信号。AXKF能够快速收敛到真实的攻击幅值(收敛时间约0.55秒),并对车辆状态进行了准确估计,即使在攻击发生后,估计值也能迅速从受欺骗的测量值回归到真实状态。实验结果的RMSE均低于仿真结果,表明AXKF在真实噪声环境下表现良好,其估计精度(状态估计RMSE:x位置0.0403米,y位置0.0566米,航向角0.0036弧度;攻击估计RMSE:θ10.0334米,θ20.0159米,θ30.0110弧度)验证了该方法在真实CPMS中的有效性和鲁棒性。
本研究通过理论推导、仿真和实物实验,成功验证了所提出的AXKF方法在检测和估计CPMS传感器攻击方面的有效性、收敛性和鲁棒性。该方法的核心贡献在于提供了一种具有稳定性保证的攻击幅值估计解决方案,通过非线性自适应观测与随机滤波的级联,实现了高精度和强鲁棒性的统一。研究成果为在各种工业场景下确保CPMS在传感器受到攻击时的操作连续性、缓解攻击影响和提升系统安全性提供了有力的技术支撑。未来的研究工作可以扩展到执行器和传感器协同攻击的 mitigation(缓解)、系统动态行为不确定性及环境变异性的影响分析,以及攻击与故障的区分等领域,进一步拓宽该方法的适用边界并提升其综合性能。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号