信任引导液态神经网络的港口自主水面艇攻击监测方法
本发明涉及智能船舶安全监测、信息物理系统安全、人工智能时序分析与自主水面艇(asv),特别是一种信任引导液态神经网络的港口自主水面艇攻击监测方法。
背景技术:
1、随着自主水面艇(asv)在港口巡逻、航道监管、海事安防及基础设施巡检等场景中的广泛应用,其自主决策能力和智能化水平不断提高。然而,asv高度依赖gps、ais、ins等导航感知系统获取位置、速度和航向信息,一旦遭受导航欺骗、数据篡改或通信干扰等网络物理攻击,极易导致航迹偏移、巡逻任务失效甚至安全事故。因此,构建能够在复杂环境下实时发现异常行为和攻击事件的智能监测技术,已成为智能船舶安全领域的重要研究方向。
2、现有研究主要集中于gnss欺骗检测、ais异常识别以及船舶轨迹异常分析等方向。传统方法通常采用规则匹配、统计分析或卡尔曼滤波等技术,通过监测位置偏差、速度变化或航向异常实现攻击识别。近年来,随着人工智能技术的发展,研究人员开始利用lstm、gru、tcn等深度学习模型对船舶时序数据进行建模,通过学习历史轨迹特征实现异常检测和行为分类。这类方法在实验环境下能够取得较好的识别效果,但大多数研究仅关注导航数据本身的异常变化,缺乏对巡逻任务完成情况和任务风险的综合评估。
3、现有技术还存在以下不足:
4、首先,多数方法仅利用gps或ais等单一数据源,缺乏对多源导航信息一致性的联合分析,在通信中断、数据缺失或采样抖动等复杂场景下鲁棒性较差;
5、其次,现有模型通常将攻击检测视为单纯的分类问题,无法反映攻击对巡逻覆盖率、检查点完成率等任务目标造成的实际影响;
6、再者,传统循环神经网络对长期时序依赖建模能力有限,容易出现检测延迟较大、误报率较高等问题;
7、最后,现有方法普遍缺少可解释的决策机制,难以为管理人员提供攻击原因和风险来源分析。
技术实现思路
1、本发明所要解决的技术问题是针对现有技术的不足,提供一种基于信任引导液态神经网络的港口自主水面艇攻击监测方法,能够有效解决现有自主水面艇攻击监测技术存在的任务风险感知能力不足、多源导航信息利用不充分、复杂环境下检测鲁棒性差以及检测结果缺乏可解释性等问题。
2、本发明所要解决的技术问题是通过以下的技术方案来实现的。本发明是一种信任引导液态神经网络的港口自主水面艇攻击监测方法,该方法包括以下步骤:
3、(1)港口巡逻场景构建与数据采集;
4、(2)攻击场景与环境扰动建模;
5、(3)多维信任因子计算;
6、(4)tg-lnn(信任引导液态神经网络)攻击监测模型构建;
7、(5)在线监测与告警输出;
8、(6)模型优化与持续学习。
9、本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现,对于以上所述的信任引导液态神经网络的港口自主水面艇攻击监测方法,在步骤(1)中,构建港口自主巡逻场景,在预设巡逻区域内设置若干安全检查点,并规划闭环巡逻航线,自主水面艇按照既定路径执行巡逻任务,实时采集导航与运动状态数据,包括gps位置信息、ais船舶自动识别信息、ins惯性导航信息、航速、航向角及角速度信息和任务执行状态信息,上述数据按照固定采样周期形成连续时间序列,作为攻击监测模型的输入数据。
10、本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现,对于以上所述的信任引导液态神经网络的港口自主水面艇攻击监测方法,在步骤(2)中,构建多种网络物理攻击场景,用于模拟真实港口环境中的安全威胁,包括:
11、(2.1)导航欺骗攻击:通过对gps数据、ais数据或二者同时施加渐进式位置偏移,使自主水面艇获得错误导航信息,从而影响其路径规划与任务执行;
12、(2.2)巡逻缺口攻击:通过操纵导航控制信息,使自主水面艇实际偏离巡逻航线,而系统感知位置仍保持在预定路径附近,导致部分检查点未被有效巡检;
13、(2.3)环境扰动场景:引入通信中断、数据丢失以及采样抖动等环境干扰因素,用于模拟实际部署环境中的复杂工况;
14、其中,环境扰动仅作为系统运行条件,不作为攻击类别参与模型训练。
15、本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现,对于以上所述的信任引导液态神经网络的港口自主水面艇攻击监测方法,在步骤(3)中,构建覆盖信任、导航信任和能量信任三类任务级信任因子,用于增强模型对任务风险的感知能力:
16、(3.1)导航信任计算:基于gps、ais和ins导航结果之间的一致性关系,计算多源导航数据的平均偏差值,并结合航速变化情况构建速度可信度指标,综合评估导航可靠程度,获得导航信任值,导航数据一致性越高且运动状态越稳定,则导航信任值越高;当存在导航欺骗攻击或异常运动状态时,导航信任值下降。
17、
18、其中:表示两导航源间的位置距离误差;为归一化系数;∈(0,1);
19、(3.2)覆盖信任计算:根据自主水面艇对预设检查点的实际到达情况,统计当前任务阶段已完成检查点占应完成检查点的比例,并进行归一化映射和上下限约束处理,获得覆盖信任值,覆盖率越高,覆盖信任值越高;发生巡逻缺口攻击时,覆盖信任值显著下降;
20、
21、其中:为已完成巡逻检查点数;为当前阶段应完成检查点数;
22、(3.3)能量信任计算:根据自主水面艇剩余电量和任务消耗情况,评估其持续执行任务的能力,生成能量信任值。剩余能量越充足,则能量信任值越高:
23、
24、其中:为剩余能量;为完成剩余任务所需能量;
25、最终形成:导航特征+运动特征+三类信任特征组成的统一输入向量。
26、本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现,对于以上所述的信任引导液态神经网络的港口自主水面艇攻击监测方法,在(3.2)中,可进一步对覆盖率进行归一化映射和上下限约束处理,以获得稳定的覆盖信任值。
27、本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现,对于以上所述的信任引导液态神经网络的港口自主水面艇攻击监测方法,在(3.3)中,可进一步引入安全能量阈值,对剩余能量进行归一化映射和区间约束处理,以获得能量信任值。
28、本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现,对于以上所述的信任引导液态神经网络的港口自主水面艇攻击监测方法,在步骤(4)中,构建信任引导液态神经网络作为攻击监测核心模型:
29、首先,将自主水面艇采集的gps、ais、ins、航速、航向以及多维信任因子组成连续时间序列输入模型,通过液态时间常数网络进行动态时序建模,液态时间常数网络利用可自适应调整的时间常数机制,根据输入状态变化动态调节历史信息保留程度,使模型能够同时学习短时导航异常特征、长期任务执行趋势以及环境扰动变化规律,从而提高复杂时序场景下的特征表达能力和鲁棒性;
30、在获得液态时序特征后,进一步构建信任引导融合机制,根据液态时间常数网络提取的时序特征,动态生成覆盖信任、导航信任和能量信任对应的权重参数,并通过归一化机制形成信任权重向量,对各类信任因子进行加权融合,形成任务风险增强特征;
31、
32、其中,、、分别表示覆盖信任、导航信任和能量信任对应的动态权重,且三者权重之和为1;
33、随后,将液态时序特征与信任增强特征进行联合融合,输入攻击分类网络,对当前状态进行判别,分类网络输出正常状态、导航欺骗攻击状态和巡逻缺口攻击状态三类结果,并给出对应攻击概率;同时输出覆盖信任、导航信任和能量信任的动态权重信息,用于解释当前告警结果的主要风险来源,同时,在分类网络基础上设置辅助异常检测分支,综合分类结果、信任状态和时序变化信息生成异常评分,用于量化当前时刻的攻击风险程度,异常评分越高,表示系统受到攻击或任务异常的可能性越大,为后续在线告警和风险评估提供依据。
34、本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现,对于以上所述的信任引导液态神经网络的港口自主水面艇攻击监测方法,在步骤(5)中,将模型部署于自主水面艇或岸基监控平台后,实时接收导航数据流,并持续执行攻击监测与风险评估任务,具体过程包括:
35、(5.1)数据采集;实时获取gps、ais、ins及运动状态数据,构建连续时间序列输入样本;
36、(5.2)信任因子计算;计算覆盖信任、导航信任和能量信任,反映当前任务执行可靠程度;
37、(5.3)液态神经网络推理:提取时序动态特征和任务风险特征,完成连续状态建模与特征融合;
38、(5.4)攻击类型判定:识别当前运行状态所属类别,输出各攻击类型对应概率;
39、(5.5)异常评分计算:融合分类结果与风险特征信息,生成当前异常风险评分值,异常评分由辅助异常检测分支输出,用于量化当前时间窗口内的异常风险程度;当辅助异常检测分支关闭时,可采用攻击类别概率组合作为异常评分依据;
40、(5.6)阈值比较:将异常评分与预设阈值比较,判断是否达到告警条件;
41、
42、其中:为告警阈值;
43、(5.7)告警输出:生成实时攻击预警信息,向监控终端推送风险结果;
44、当异常评分超过预设阈值时,自动生成攻击告警,并输出攻击类型、风险等级、主要风险来源以及对应信任权重信息,为管理人员提供攻击定位、风险分析和应急决策依据。
45、本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现,对于以上所述的信任引导液态神经网络的港口自主水面艇攻击监测方法,在步骤(6)中,建立“监测—反馈—优化”闭环机制:对检测结果进行持续记录和分析,将新增攻击样本和异常场景数据加入训练集,对模型参数进行增量更新和在线优化,不断提升模型在不同港口环境下的检测精度、鲁棒性和泛化能力。
46、与现有技术相比,本发明的有益效果:
47、1、提升任务级攻击感知能力:本发明引入覆盖信任、导航信任和能量信任三类任务级信任因子,不再仅依赖gps、ais等原始导航数据判断异常,能够同时识别导航数据异常和巡逻任务覆盖受损情况,尤其适用于发现传统轨迹检测方法难以识别的巡逻缺口攻击。
48、2、增强复杂环境下的检测鲁棒性:本发明将通信中断、数据缺失和采样抖动作为运行扰动条件进行建模,并通过液态时间常数网络提取动态时序特征,相比传统lstm、gru等模型,本发明在数据不完整、采样不稳定的港口环境下仍能保持较稳定的异常检测能力;
49、3、降低攻击检测延迟和漏检风险:本发明采用液态时序编码与异常评分机制,对攻击发生后的连续状态变化进行在线分析,可在攻击早期输出异常风险,通过阈值校准和稳定告警策略,能够缩短攻击暴露时间,降低漏检窗口率和漏巡逻点率,提高巡逻任务安全性;
50、4、提高攻击识别的可解释性:本发明在输出攻击类型和异常评分的同时,进一步输出覆盖信任、导航信任和能量信任的动态权重信息,管理人员可根据权重变化判断异常主要来源于导航欺骗、巡逻覆盖不足或能量状态异常,从而快速定位风险来源并采取处置措施;
51、5、适合工程部署与持续优化:本发明整体流程由数据采集、信任计算、模型推理、异常评分和告警输出构成,结构清晰,便于部署在自主水面艇边缘终端或岸基监控平台,同时,支持“监测—反馈—优化”闭环,可利用新增样本持续提升模型泛化能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com