面向传感器攻击的概率时间窗感知融合算法研究

信息物理系统需要部署传感器对真实物理状态进行测量,通过网络传输到控制器实现各类功能.传感器攻击使得控制器接收的物理状态测量值存在较大误差,不能准确反映真实物理状态,从而促使控制器生成错误的决策和控制指令.除传感器攻击外,物理状态估测的准确性还受到两个因素影响:传感器测量过程中存在随机噪声,测量值在网络传输过程中存在随机延迟.针对以上因素,本文设计了能够抵抗传感器攻击的概率时间窗感知融合算法,对随机延迟进行补偿并计算在时间窗内不同传感器的正确概率累积值,进而作为权重调整卡尔曼滤波更新值,减小受攻击的传感器测量值带来的负面影响.自动驾驶车队仿真结果表明,在噪声和延迟的概率信息准确的条件下,与传统卡尔曼滤波、欧拉卡尔曼滤波、间隔融合等算法相比,本文所提出的延迟补偿-概率时间窗卡尔曼滤波算法具有最小的测量误差,物理状态估测累积误差较传统卡尔曼滤波降低67％;即使攻击者完全掌握本文融合算法对传感器进行自适应攻击,本文算法能够将融合值误差控制在可接受范围,系统仍能正常工作.