一种面向网络物理耦合异常的汽车风险识别方法和系统与流程

本发明涉及智能汽车安全，特别涉及一种面向网络物理耦合异常的汽车风险识别方法和系统。

背景技术：

1、随着汽车电动化、网联化与智能化技术的快速发展，智能汽车已从传统纯机械控制系统，演变为感知单元、车载通信网络、电子控制单元、执行机构与环境交互深度融合的网络物理耦合系统。在该类系统中，网络层报文异常、感知层信息失真、控制层输出偏移以及物理层状态波动之间存在显著的跨层关联与耦合效应：局部网络攻击或器件故障引发的单层异常，会沿通信链路、控制链路和功能链路逐级传播扩散，并在特定行驶场景下累积放大，最终引发整车功能安全风险，导致车辆失控、碰撞等严重安全事故。

2、当前针对智能汽车安全风险的研究与技术方案，多聚焦于单一维度的异常检测：一类方案专注于车载网络的入侵检测，通过分析报文特征识别总线攻击，仅能判定网络层是否存在异常，无法关联后续的控制偏差与物理风险；另一类方案聚焦于车辆动力学状态的故障诊断，仅依据物理运行数据判定车辆状态异常，无法追溯异常产生的网络层或控制层根源。现有技术普遍缺乏对网络层、控制层和物理层之间风险传播关系的统一建模，难以揭示异常在不同层面之间的耦合放大机制，无法量化评估单一异常事件对整车安全的综合危害程度。

3、因此，亟需面向网络物理耦合异常的汽车风险识别方法和系统解决现有技术问题。

技术实现思路

1、本发明旨在解决现有技术中存在的至少之一的技术问题，提出了一种面向网络物理耦合异常的汽车风险识别方法和系统。

2、第一方面，本发明实施例提供了一种面向网络物理耦合异常的汽车风险识别方法，包括：

3、获取车辆正常运行数据和异常运行数据，提取物理运行层、车载通信层及控制功能层的分层时序特征，形成正常和异常的时序样本集，结合多维风险指标对所述时序样本集进行风险等级标注；

4、基于所述正常和异常的时序样本集及其风险等级标签，构建包含物理运行层、车载通信层、控制功能层及风险受体层的多层风险图；将各层节点特征、边特征、异常幅值、时延失配信息及功能关键度信息映射至所述多层风险图，通过图风险表示学习模型提取节点级、边级、功能级及整车级风险表示，建立网络层异常、控制层异常与物理响应风险之间的关联关系；

5、基于得到的节点级、边级、功能级及整车级多层风险表示，对车辆进行风险传播聚合与异常事件危害评估。

6、进一步地，基于车辆动力学模型、车载通信模型、控制功能模型及多工况场景参数生成正常运行数据，生成正常运行数据具体方法包括：依据多组正常工况配置参数，在统一采样周期下同步驱动车辆动力学仿真单元、车载通信仿真单元和控制功能仿真单元运行，生成覆盖物理运行层、车载通信层及控制功能层的正常运行原始时序序列；所述正常工况配置参数包括道路附着系数、速度工况参数、道路曲率参数、网络负载参数、控制器工作参数。

7、进一步地，通过预设攻击或故障注入方式构造异常运行数据，所述构造异常运行数据具体方法包括：

8、构建包含通信层异常、状态异常、控制层异常及跨层耦合异常的异常模式集合，选择目标异常模式作用于正常运行原始时序序列，生成异常运行序列；

9、所述通信层异常包括报文重放、报文伪造、周期漂移、时延注入、突发丢包、拒绝服务、报文模糊扰动；所述状态异常包括传感偏置、渐进漂移、随机噪声放大、测量失真、时序延迟；所述控制层异常包括控制指令篡改、执行器时延、执行器增益变化、控制饱和；所述跨层耦合异常包括报文异常引发控制层输出异常、控制层异常引发生物理响应偏移、感知反馈与控制输出错位、多层时序不同步。

10、进一步地，所述多维风险指标包括异常强度、持续时间、传播范围、功能影响程度及安全裕度损失，结合多维风险指标对所述时序样本集进行风险等级标注，具体方法包括：

11、对正常运行序列和异常运行序列进行统一时间对齐，采用滑动窗口切分得到多层时序样本；对异常强度、持续时间、传播范围、功能影响程度及安全裕度损失进行归一化处理后加权融合，得到窗口级综合风险评分；根据预设阈值将综合风险评分划分为多个风险等级，为每个多层时序样本分配对应的风险等级标签。

12、进一步地，所述多层风险图的节点集合包括物理运行层节点集合、车载通信层节点集合、控制功能层节点集合、风险受体层节点集合；所述多层风险图的边集合包括物理运行层内部的动力学耦合边、车载通信层内部的统计关联边、控制功能层内部的功能依赖边、三层之间的层间映射边，以及各层向风险受体层传递的风险传递边。

13、进一步地，所述风险受体层节点可包括横向稳定性风险节点、纵向碰撞风险节点、轨迹偏离风险节点、制动效能风险节点及控制可用性风险节点；所述风险受体层节点用于将网络层、控制层及物理层的异常影响进一步映射为整车风险表征对象，直接服务于后续多维危害分析与事件危害等级输出。

14、进一步地，通过图风险表示学习模型提取节点级、边级、功能级及整车级风险表示，具体方法包括：

15、构建连续事件过程对应的风险图序列，通过异构图消息传播机制提取每一时刻节点的图结构中间表示；

16、通过门控循环单元对节点表示序列进行时序编码，得到节点级时序风险表示；

17、基于节点级风险表示与边特征融合得到边级风险表示，通过聚合算子对节点与边的风险表示进行层级聚合，得到功能级风险表示与整车级风险表示。

18、进一步地，基于得到的节点级、边级、功能级及整车级多层风险表示，对车辆进行风险传播聚合与异常事件危害评估，具体方法包括：

19、首先对节点局部风险、边传播风险及功能模块风险进行量化，形成多层级风险分数；然后结合层间传播关系、功能关键度和安全裕度损失，对多层风险分数进行传播聚合，构建异常事件综合危害度量；最后针对选定的目标异常模式，从异常强度、传播扩散程度、功能影响程度及安全裕度损失程度多个维度进行危害分析，并根据预设危害等级映射规则输出该异常事件的危害等级、关键风险贡献单元、主要影响维度及受影响功能区域。

20、进一步地，构建异常事件综合危害度量的具体方法包括：

21、基于边传播风险分数归一化得到节点间风险传播权重，结合节点局部风险分数计算得到节点综合风险分数；对功能模块内的节点综合风险、边传播风险进行聚合，得到功能模块综合风险分数；结合各功能模块综合风险分数、功能关键度系数及整车级安全裕度损失，加权得到异常事件综合危害度量。

22、第二方面，本发明还公开了一种面向网络物理耦合异常的汽车风险识别系统，包括：数据生成与标注模块、风险图构建与表示学习模块、风险评估与输出模块；其中

23、数据生成与标注模块，用于获取车辆正常运行数据和异常运行数据，提取物理运行层、车载通信层及控制功能层的分层时序特征，形成正常和异常的时序样本集，结合多维风险指标对所述时序样本集进行风险等级标注；

24、风险图构建与表示学习模块，用于基于所述正常和异常的时序样本集及其风险等级标签，构建包含物理运行层、车载通信层、控制功能层及风险受体层的多层风险图；将各层节点特征、边特征、异常幅值、时延失配信息及功能关键度信息映射至所述多层风险图，通过图风险表示学习模型提取节点级、边级、功能级及整车级风险表示，建立网络层异常、控制层异常与物理响应风险之间的关联关系；

25、风险评估与输出模块，用于基于得到的节点级、边级、功能级及整车级多层风险表示，对车辆进行风险传播聚合与异常事件危害评估。

26、本发明提供的一种面向网络物理耦合异常的汽车风险识别方法和系统，涉及智能汽车安全技术领域，所述方法包括获取车辆正常与异常运行数据，提取物理运行层、车载通信层、控制功能层的分层时序特征以构建时序样本集，结合多维风险指标完成风险等级标注；再构建包含风险受体层的多层风险图，映射节点、边及多维度风险信息后，通过图风险表示学习提取四级风险表示，建立跨层风险关联；最终基于多层风险表示开展风险传播聚合与异常事件危害评估。本发解决了车辆物理、网络、控制跨层耦合难建模与异常多维危害难评估问题，通过多层风险图等技术实现综合危害评估，为智能汽车安全预警与防护决策提供量化支撑。

27、与现有技术相比，本发明具有以下有益效果：

28、1.本发明实现跨层耦合数据的标准化构建与标注。通过多模型联合仿真与攻击故障注入相结合的方式，生成覆盖网络、控制、物理三层的同步时序数据，解决了实车采集异常样本稀缺、层间数据不同步的问题；多维风险指标的标注体系为后续监督式风险建模提供了高质量数据基础。

29、2.本发明构建了含风险受体层的统一跨层风险图模型。首次将物理运行层、车载通信层、控制功能层与风险受体层纳入同一图结构建模，既刻画了底层信号间的耦合关系，又建立了从底层异常到整车安全风险的映射关系，可直观呈现异常的跨层传播路径，显著提升风险评估的可解释性。

30、3.本发明提出了图表示学习与传播聚合结合的风险评估机制。通过异构图消息传播与时序编码结合的方式，同时捕捉风险的空间结构传播与时间演化规律；结合风险传播聚合与综合危害度量，实现了从局部异常到整车危害的精准量化，评估准确性显著优于传统单层检测方法。

31、4.本发明实现了事件级多维危害分析与结构化输出。针对目标异常模式从异常强度、传播扩散、功能影响、安全裕度损失四个维度开展综合评估，输出危害等级、关键风险单元、影响维度与受影响区域，输出结果可直接支撑安全预警、防护策略生成与运维决策，工程实用性强。