基于神经网络的车联网安全态势感知算法研究.pdfVIP

基于神经网络的车联网安全态势感知算法研究

摘要

当前，在5G、人工智能等技术的加持下车联网技术发展迅速，车联网产业

也大量普及，获取用户隐私信息、非法接入车载网络、攻击服务平台等各类网络

安全问题造成的后果也越来越严重，全球各国各组织陆续制定并出台了针对车辆

的网络安全体系和准入规范与标准。然而，车联网的安全威胁不会因此消失，所

以制定安全防范措施，打造网络安全防御体系，切实保护车联网系统的安全，在

车联网安全领域引入态势感知技术至关重要。

态势感知技术主要包括态势要素提取技术、态势评估技术和态势预测技术。

态势要素提取是实现态势感知的基础，直接影响到态势感知系统的性能和精度，

而态势预测则是态势感知的关键，直接关系到态势感知系统的提前预警和降低

风险的能力。

在车联网安全态势要素提取方面，本文根据车联网感知数据数量庞大，数

据离散，相似度低的特性，采用概率神经网络（ProbabilisticNeuralNetwork,

PNN）作为分类器，使得模型具更高的分类准确率和更快的分类速度。接着针

对初始参数的设置对模型的影响较大这一问题，利用参数少、算法复杂度低，

在进化次数较低时，收敛精度高和收敛速度快的果蝇优化算法

（FruitFlyOptimizationAlgorithm,FOA）对参数平滑因子进行迭代寻优。最后

为了进一步平衡模型的局部和全局搜索能力，对FOA的搜索步长进行动态调整，

得出最优态势要素提取模型。经过实验，本文提出的基于改进FOA-PNN算法的

车联网安全态势要素提取模型能较为精确的对车联网环境中的重要特征要素进

行分类提取，为后续态势感知奠定基础。

在车联网安全态势预测方面，综合径向基（RadialBasisFunction,RBF）神

经网络学习规则简单，具有很强的非线性逼近能力，适合处理时间序列问题等

优势，采用RBF神经网络进行车联网安全态势预测研究。为提高预测的准确性，

采用k-means聚类算法确定径向基函数中心，麻雀搜索算法（SparrowSearch

Algorithm,SSA）对径向基函数宽度和连接权值进行迭代寻优，为了进一步提高

麻雀搜索算法的搜索能力，生成Tent混沌映序列确定麻雀种群初始位置，至此

确定出最优态势预测模型。经过实验，本文提出的Tent-SSA-RBF的车联网安全

态势预测模型能精准地预测下一时段的车联网安全态势。

关键词：车联网，态势感知要素提取，态势预测，概率神经网络，径向基神经

网络

ABSTRACT

Withthesupportoftechnologiessuchas5Gandartificialintelligence(AI),the

developmentoftheInternetofVehicles(IoV)isadvancingrapidly,andtheindustryhas

becomewidespread.However,theconsequencesofvariousnetworksecurityissues

suchasacquiringuserprivacyinformation,illegalaccesstoin-carnetworks,and

attackingserviceplatformsarebecomingincreasinglyserious.Variouscountriesand

organizationsaroundtheworldhavesuccessivelyformulatedandpromulgatednetwork

securitysystemsandaccessstandardsandspecificationsforIoV.Nevertheless,the

securitythreatsofconnectedcarswillnotdisappear,soitiscrucialtointroduce

situationalawarenesstechnologyint