本技术属于车联网通信技术领域,具体提供了一种面向车路协同的BSM数据异常校正方法,包括,获取车辆行驶所采集的BSM数据,BSM数据包括正常BSM与异常BSM;构建用于学习正常BSM特征的ProtoNet模型,选取正常BSM数据作为训练数据集输入ProtoNet模型,对ProtoNet模型的参数进行训练;ProtoNet模型的参数包括编码器和存储器网络参数;根据模型所学习的正常BSM特征,采用自监督学习的AnoRectify模型对异常BSM进行校正。利用ProtoNet模型中的先验知识对校正效果进行优化,实现高精度数据校正。该方法能够在车路协同场景下有效提高BSM数据的准确性,减少因环境干扰、传感器故障等引起的异常数据对驾驶决策的误导,提升车路协同环境中的交通安全性和系统稳定性。
背景技术
在现代城市交通网络中,车路协同正在迅速成为提高道路安全和驾驶效率的关键推动者。车路协同利用先进的车载单元(OBU)、路边单元(RSU)和其他通信技术,促进了车辆、交通基础设施和云平台之间的实时数据交换。这种全面的信息共享不仅为驾驶员提供了前所未有的全局视角,而且显著提高了车辆的智能决策和控制能力,优化了交通流量,提高了道路的安全性。在这种背景下,数据的准确性和完整性对于维持车路协同系统地有效运行至关重要,尤其是在基本安全信息(BSM)方面。
然而,随着车载网络技术的快速发展,数据异常引起的车辆不当行为问题日渐凸显。不当行为可定义为任何偏离正常预期的行为,包括但不限于发送虚假信息、隐瞒信息或篡改消息的内容,如节点位置、时间和警告类型等。这些行为可能存在于网络的任何层。现有的相关公知技术将车辆不当行为分为两种主要类型:有意和无意。有意的行为通常是出于恶意目的,而无意的行为可能是由传感器故障或无线通信不稳定所引发的。无论何种类型,这些异常数据会对道路使用者构成重大安全风险,在某些情况下,甚至可能导致致命事故。
为了保障道路使用者的安全,已经有大量的公知技术对车辆的不当行为进行了深入研究。在设施层,通过识别位置跟踪和多重攻击等恶意活动,可以有效地防范潜在威胁。在传输层和网络层,灰洞与黑洞攻击以及服务拒绝攻击等恶意行为同样可以被检测到。在物理层,车辆间通信信号成为了重要的监测指标。此外,为了加强通信和网络的安全性,加密技术已被广泛应用,通过定义V2X消息格式和对V2X消息进行验证与加密,来确保消息的完整性和安全性。然而,现有公知技术主要集中于检测和防御由恶意攻击引起的车辆不当行为,而对非恶意错误数据引发的问题关注较少。尽管恶意攻击的威胁不容忽视,但偏重恶意攻击的研究视角忽略了日常交通中常见的技术故障或误差所带来的影响。例如,轻微的传感器校准误差或环境干扰都有可能产生误导性的BSM数据。这不仅会误导驾驶员的决策,也会影响自动驾驶系统的响应。而目前的公知技术尚未充分认识到校正这些误导性车辆数据的重要性。因此,对这些错误数据进行校正不仅具有重要的实际意义,而且可以为提高整个智能交通系统的可靠性和安全性提供一个新的视角。
实现思路