葉欣茹,伍益明,徐 明,鄭 寧

(杭州電子科技大學(xué)網(wǎng)絡(luò)空間安全學(xué)院,浙江杭州 310018)

1 引言

隨著社會(huì)經(jīng)濟(jì)快速發(fā)展和城市化進(jìn)程不斷深入,機(jī)動(dòng)車數(shù)量呈爆炸式增長(zhǎng),從而使交通堵塞、交通事故頻發(fā)等問題日益顯著.智能交通系統(tǒng)(intelligent transportation systems,ITSs)作為提高交通效率和道路安全性的一種有效途徑,近年來受到國內(nèi)外學(xué)術(shù)界的廣泛關(guān)注[1-3].智能交通系統(tǒng)是一種圍繞道路交通廣泛多樣的信息技術(shù),旨在使交通系統(tǒng)更加安全、高效、可靠和環(huán)保,卻無需改變現(xiàn)有基礎(chǔ)設(shè)施的物理位置[4].智能交通系統(tǒng)本質(zhì)上是一種分布式網(wǎng)絡(luò)系統(tǒng),各通信設(shè)備間的交互通信促成整體系統(tǒng)的平穩(wěn)運(yùn)行,因此保證各通信設(shè)施之間的數(shù)據(jù)安全穩(wěn)定交互顯得至關(guān)重要.但在實(shí)際道路環(huán)境中通信設(shè)施之間的交互雙方是非確定性的,如在具體的場(chǎng)景中,系統(tǒng)內(nèi)通信個(gè)體與其周圍通信設(shè)施進(jìn)行交互的時(shí)機(jī)會(huì)因地理位置、路況、速度等諸多因素而發(fā)生改變.智能交通系統(tǒng)中的通信主要有兩種模式,即車輛到車輛(vehicle to vehicle,V2V)和車輛到基礎(chǔ)設(shè)施(vehicle to infrastructure,V2I)通信[5].上述兩種通信模式均依賴于無線通信,而無線通信因其開放式環(huán)境的特點(diǎn)卻易于遭受各種類型的網(wǎng)絡(luò)攻擊.例如圖1中所示,攻擊者通過黑客技術(shù),入侵了圖中某條兩輛車輛之間的無線通信鏈路,從而可以惡意篡改發(fā)送車輛的信息,使得接收信息的車輛存在極大的安全風(fēng)險(xiǎn).因此在各種網(wǎng)絡(luò)攻擊下的智能交通系統(tǒng)通信網(wǎng)絡(luò)脆弱性研究具有重要意義.

圖1 智能交通系統(tǒng)通信網(wǎng)絡(luò)遭遇網(wǎng)絡(luò)攻擊示意圖Fig.1 Schematic diagram of a cyber-attack on an ITS communication network

另一方面,多智能體系統(tǒng)(multi-agent systems,MASs)協(xié)同控制作為分布式網(wǎng)絡(luò)系統(tǒng)領(lǐng)域中的一個(gè)研究熱點(diǎn),是當(dāng)前網(wǎng)絡(luò)化控制和群體智能領(lǐng)域最有活力的研究方向之一,目前已廣泛應(yīng)用于機(jī)器人協(xié)同控制[6]、無人機(jī)編隊(duì)飛行[7]、智能電網(wǎng)等工程領(lǐng)域.多智能體系統(tǒng)是指一群具備一定感知、通信、計(jì)算和執(zhí)行能力的智能體通過通信等方式關(guān)聯(lián)而成的一個(gè)網(wǎng)絡(luò)系統(tǒng)[8-9].在多智能體系統(tǒng)中,連通的網(wǎng)絡(luò)通信圖是節(jié)點(diǎn)間實(shí)現(xiàn)協(xié)同控制的必要條件,然而由于多智能體系統(tǒng)通常部署在開放環(huán)境中運(yùn)行,通信鏈路不可避免的會(huì)遭到環(huán)境的影響甚至惡意攻擊.此外,使用單一連通性這一圖屬性難以正確地評(píng)估整個(gè)網(wǎng)絡(luò)局部信息流動(dòng)的冗余程度,如以協(xié)同控制中的一致性控制為例,即使給予良好的連通性網(wǎng)絡(luò),系統(tǒng)中僅部分節(jié)點(diǎn)的故障卻可能導(dǎo)致整個(gè)系統(tǒng)無法達(dá)到要求的一致性狀態(tài).網(wǎng)絡(luò)魯棒性[10]或稱(r,s)-魯棒性是一種評(píng)價(jià)分布式網(wǎng)絡(luò)中節(jié)點(diǎn)信息流動(dòng)性的通信圖屬性,其形式化地定義了網(wǎng)絡(luò)中非空、不相交的節(jié)點(diǎn)子集之間信息交換的冗余程度,從而可以有效評(píng)估一個(gè)網(wǎng)絡(luò)控制系統(tǒng)在遭受節(jié)點(diǎn)(或鏈路)故障甚至網(wǎng)絡(luò)攻擊情況下的恢復(fù)能力.然而現(xiàn)有的文獻(xiàn)表明,評(píng)估多智能體網(wǎng)絡(luò)(r,s)-魯棒性是一個(gè)NP難問題[11],一個(gè)由n個(gè)節(jié)點(diǎn)構(gòu)成的多智能體系統(tǒng)使用窮舉算法評(píng)估其魯棒性的時(shí)間復(fù)雜度可達(dá)到O(n23n)程度.由此可見,隨著節(jié)點(diǎn)數(shù)的增加,傳統(tǒng)方法對(duì)整個(gè)系統(tǒng)的魯棒性評(píng)估時(shí)間呈指數(shù)增長(zhǎng),而這在評(píng)估現(xiàn)實(shí)環(huán)境中通信拓?fù)淇焖賱?dòng)態(tài)切換的智能交通系統(tǒng)通信網(wǎng)絡(luò)中,顯然無法適用.

近年來,深度學(xué)習(xí)在復(fù)雜網(wǎng)絡(luò)領(lǐng)域的研究熱度居高不下,卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)[12-14]作為一種深度學(xué)習(xí)模型,因其采用的局部連接和權(quán)值共享方式在特征處理領(lǐng)域具有很大的優(yōu)勢(shì)而被廣泛研究.相應(yīng)地,在多智能體網(wǎng)絡(luò)研究領(lǐng)域,Remy等[15]使用卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)當(dāng)多機(jī)器人系統(tǒng)中各機(jī)器人之間以一定的概率進(jìn)行交互時(shí),系統(tǒng)在網(wǎng)絡(luò)攻擊下能夠安全執(zhí)行任務(wù)的概率.Wang等[16]率先嘗試采用卷積神經(jīng)網(wǎng)絡(luò)判定多智能體系統(tǒng)的網(wǎng)絡(luò)魯棒性,其研究結(jié)果表明使用機(jī)器學(xué)習(xí)方法對(duì)具有大量節(jié)點(diǎn)的多智能體系統(tǒng)的魯棒性進(jìn)行判定是可行的.上述學(xué)者的研究結(jié)果表明,深度學(xué)習(xí)方法為解決傳統(tǒng)方法求解面臨的NP難問題提供一種有效的解決途徑.

目前,單純從網(wǎng)絡(luò)控制系統(tǒng)的角度研究智能交通系統(tǒng)的未見有文獻(xiàn)報(bào)道,但多智能體系統(tǒng)概念中的網(wǎng)絡(luò)模型和協(xié)作機(jī)制可以較為貼切和有效地用于描述智能交通網(wǎng)絡(luò)中的車輛通信和協(xié)同問題.因此,本文基于多智能體系統(tǒng)理論,從網(wǎng)絡(luò)拓?fù)浜湍Ｐ偷慕嵌仍u(píng)估智能交通系統(tǒng)通信網(wǎng)的結(jié)構(gòu)脆弱性.通過采用基于殘差網(wǎng)絡(luò)(residual network)[17]的卷積神經(jīng)網(wǎng)絡(luò)方法對(duì)通信圖的魯棒性進(jìn)行檢測(cè).所提方法能有效解決當(dāng)淺層網(wǎng)絡(luò)逐漸疊加層數(shù)時(shí)出現(xiàn)的退化問題.所謂退化問題是指整個(gè)學(xué)習(xí)網(wǎng)絡(luò)的評(píng)估準(zhǔn)確率將呈現(xiàn)先上升達(dá)到飽和后下降的現(xiàn)象.在實(shí)驗(yàn)驗(yàn)證環(huán)節(jié),通過使用殘差網(wǎng)絡(luò)訓(xùn)練得到的深度學(xué)習(xí)模型,以智能交通系統(tǒng)中危險(xiǎn)貨物運(yùn)輸車輛為實(shí)例驗(yàn)證對(duì)象,對(duì)其通信網(wǎng)絡(luò)脆弱性進(jìn)行檢測(cè)評(píng)估.

與傳統(tǒng)的網(wǎng)絡(luò)通信圖脆弱性檢測(cè)方法相比,基于深度學(xué)習(xí)的方法可以從海量數(shù)據(jù)中發(fā)現(xiàn)和學(xué)習(xí)規(guī)律,具備自主尋找脆弱性的特點(diǎn),減少了人工參與度,提高了檢測(cè)的自動(dòng)化程度.此外,前期模型訓(xùn)練一旦完成,系統(tǒng)可以用毫秒級(jí)的響應(yīng)速度實(shí)時(shí)輸出系統(tǒng)通信網(wǎng)絡(luò)的脆弱性檢測(cè)值,克服傳統(tǒng)方法所面臨的NP難問題.本文的主要貢獻(xiàn)概述如下:

1) 基于多智能體網(wǎng)絡(luò)理論對(duì)智能交通系統(tǒng)通信圖進(jìn)行數(shù)學(xué)建模,將智能交通系統(tǒng)通信圖的脆弱性檢測(cè)問題轉(zhuǎn)化為多智能體網(wǎng)絡(luò)的拓?fù)漪敯糁登蠼鈫栴};

2) 采用深度學(xué)習(xí)技術(shù),搭建網(wǎng)絡(luò)模型,構(gòu)造交通通信圖樣本數(shù)據(jù)集并進(jìn)行訓(xùn)練,通過圖分類的方法求解網(wǎng)絡(luò)魯棒性數(shù)值r;

3) 通過所提檢測(cè)方法獲得系統(tǒng)網(wǎng)絡(luò)脆弱性數(shù)值后,給出了系統(tǒng)實(shí)現(xiàn)一致性控制的最大惡意鄰居數(shù)目的上界,為智能交通系統(tǒng)網(wǎng)絡(luò)控制安全提供有效保障.

2 預(yù)備知識(shí)

2.1 圖論

通常用符號(hào)G(V,E)表示一個(gè)由n個(gè)節(jié)點(diǎn)組成的有向圖,其中:V{v1,v2,...,vn}為節(jié)點(diǎn)集,E ?V ×V為邊集.AG[ai,j]Rn×n表示圖G的非負(fù)鄰接矩陣,若節(jié)點(diǎn)j為節(jié)點(diǎn)i的鄰居,則ai,j1,否則ai,j0.集合Ni:(i,j)表示所有與節(jié)點(diǎn)i相連的鄰居節(jié)點(diǎn)集.考慮圖中存在正常節(jié)點(diǎn)和惡意節(jié)點(diǎn)兩類節(jié)點(diǎn),分別用Vn表示正常節(jié)點(diǎn)的集合,Va表示惡意節(jié)點(diǎn)的集合,滿足Vn ∪VaV,Vn ∩Va?.

基于上述圖論的基本概念,接下來引入一些涉及通信圖屬性的定義.以下定義采用自文獻(xiàn)[10,18],并對(duì)其進(jìn)行了適當(dāng)修改,具體如下.

定義1(r-可達(dá)集) 對(duì)于一個(gè)有n個(gè)節(jié)點(diǎn)的非空非平凡的有向圖G,令S為有向圖G中的一個(gè)非空節(jié)點(diǎn)子集,如果S中至少存在一個(gè)節(jié)點(diǎn)vi,滿足|NiS|≥Z≥0,則稱集合S為r-可達(dá)集.

定義2(r-魯棒圖) 對(duì)于一個(gè)有n個(gè)節(jié)點(diǎn)的非空非平凡有向圖G,若從V中劃分的任意一對(duì)非空不相交子集,記作S1,S2,至少存在一個(gè)節(jié)點(diǎn)vi Sk,k1,2,滿足|NiSk|≥r,Z≥0,則稱圖G為r-魯棒圖.

2.2 攻擊模型

在對(duì)控制網(wǎng)絡(luò)進(jìn)行安全性分析研究工作時(shí),如果不對(duì)網(wǎng)絡(luò)中惡意節(jié)點(diǎn)的數(shù)據(jù)進(jìn)行規(guī)定,當(dāng)網(wǎng)絡(luò)中大部分節(jié)點(diǎn)都為惡意節(jié)點(diǎn)時(shí),系統(tǒng)很難實(shí)現(xiàn)目標(biāo)要求.同時(shí),在實(shí)際環(huán)境中惡意節(jié)點(diǎn)的攻擊能力和攻擊范圍會(huì)受到一定因素的約束,因此對(duì)網(wǎng)絡(luò)中惡意節(jié)點(diǎn)的數(shù)目設(shè)定一個(gè)合理的上界是有必要的.在研究多智能體一致性問題的文獻(xiàn)中,f-total和f-local是兩種常見的攻擊假設(shè)模型,具體的定義如下.

定義3(f-total攻擊模型[19]) 如果圖G中惡意節(jié)點(diǎn)的數(shù)量不大于f,即|Va|≤f,Z≥0,則稱其為f-total攻擊模型.

定義4(f-local攻擊模型[19]) 如果圖G中任意節(jié)點(diǎn)i的鄰居節(jié)點(diǎn)中惡意節(jié)點(diǎn)的數(shù)量不大于f,即|Ni∩Va≤f|,Z≥0,則稱其為f-local攻擊模型.

2.3 殘差網(wǎng)絡(luò)

2015年,He等[17]提出了殘差網(wǎng)絡(luò)的概念,具體通過在卷積神經(jīng)網(wǎng)絡(luò)的卷積層加入殘差塊,從而有效解決了當(dāng)網(wǎng)絡(luò)層數(shù)不斷加深時(shí)出現(xiàn)的退化問題.基于該方法,作者在后續(xù)的研究中采用高達(dá)上千層的網(wǎng)絡(luò)層數(shù),而依舊能獲取較高的分類準(zhǔn)確率[20].殘差塊一般由兩部分組成,分別為直接映射部分和殘差映射部分.圖2為一個(gè)殘差塊結(jié)構(gòu)示例,圖中左側(cè)箭頭連線為直接映射部分,右側(cè)箭頭連線則為殘差映射部分,該部分一般由2個(gè)或3個(gè)卷積操作構(gòu)成.圖2示例中的殘差映射部分包括3個(gè)卷積操作,頂部1×1的卷積層先對(duì)輸入數(shù)據(jù)進(jìn)行降維,底部1×1的卷積層則對(duì)維度又進(jìn)行了恢復(fù),這種先降低維度最后再恢復(fù)維度的操作有效減少了在計(jì)算中間層3×3卷積操作時(shí)的計(jì)算消耗.每一個(gè)卷積操作后都含有一個(gè)批標(biāo)準(zhǔn)化(batch normalization,BN)結(jié)構(gòu),該結(jié)構(gòu)用來對(duì)各層的輸出做歸一化處理,以保證梯度的大小在反向傳播過程中仍能維持穩(wěn)定,不至于出現(xiàn)過大或過小的情況.除最后一個(gè)卷積層外,殘差映射部分的其余卷積操作在BN層后都使用ReLU激活函數(shù)進(jìn)行非線性激活,最后一個(gè)非線性激活函數(shù)則是在直接映射部分和殘差映射部分進(jìn)行逐元素相加后使用.殘差網(wǎng)絡(luò)是由一系列的殘差塊組成的網(wǎng)絡(luò),通過殘差塊來實(shí)現(xiàn)直接映射,同時(shí)目標(biāo)網(wǎng)絡(luò)擬合的函數(shù)由某段網(wǎng)絡(luò)的輸出轉(zhuǎn)為了學(xué)習(xí)輸出與輸入差值,之后的學(xué)習(xí)目標(biāo)就不再是學(xué)習(xí)一個(gè)完整的輸出,而是殘差值,從而極大程度減少了網(wǎng)絡(luò)的學(xué)習(xí)量.殘差塊的具體定義如下:

其中:x和y分別代表該層的輸入和輸出,函數(shù)F(x,{Wi})代表需要學(xué)習(xí)的殘差映射.結(jié)合圖2中具有3層的例子,可以給出FW3σ{W2σ{W1x}},其中σ表示ReLU激活函數(shù),W1,W2,W3分別代表每一層所使用的權(quán)重,式中為了簡(jiǎn)化符號(hào)省略了偏置.

圖2 殘差塊主要結(jié)構(gòu)Fig.2 Main structure of residual block

3 方法設(shè)計(jì)

3.1 智能交通系統(tǒng)通信網(wǎng)絡(luò)建模

為便于研究工作的開展,直接面向龐大復(fù)雜的整體交通網(wǎng)絡(luò)建模顯然不符合實(shí)際.為此在對(duì)系統(tǒng)網(wǎng)絡(luò)建模過程中,本文前期僅針對(duì)智能交通系統(tǒng)最為重要領(lǐng)域之一的危險(xiǎn)貨物運(yùn)輸車輛網(wǎng)絡(luò)進(jìn)行研究.在交通運(yùn)輸中危險(xiǎn)貨物運(yùn)輸是最復(fù)雜的領(lǐng)域之一,需要最嚴(yán)格的安全措施.因?yàn)橄噍^于一般交通事故,危險(xiǎn)貨物運(yùn)輸事故一旦發(fā)生,則可能對(duì)環(huán)境、生命健康和物質(zhì)財(cái)產(chǎn)產(chǎn)生不可估量的負(fù)面影響[21].

Ma等[22]使用神經(jīng)網(wǎng)絡(luò)和遺傳算法對(duì)危險(xiǎn)貨物運(yùn)輸路線進(jìn)行最優(yōu)選擇,以保障危險(xiǎn)貨物的運(yùn)輸安全.Jungyeol等[23]通過使用關(guān)聯(lián)規(guī)則挖掘(association rules mining,ARM)算法分析高速公路上危險(xiǎn)貨物運(yùn)輸事故發(fā)生的原因并對(duì)其進(jìn)行預(yù)防,從而降低事故發(fā)生的概率.Wei等[24]考慮危險(xiǎn)貨物運(yùn)輸風(fēng)險(xiǎn)是時(shí)變的情況下,使用優(yōu)化算法優(yōu)化倉庫選址問題使得運(yùn)輸風(fēng)險(xiǎn)和現(xiàn)場(chǎng)風(fēng)險(xiǎn)最小化.Huang等[25]使用元胞自動(dòng)機(jī)分析危險(xiǎn)貨物運(yùn)輸?shù)缆肪W(wǎng)絡(luò)在不同惡意節(jié)點(diǎn)攻擊策略和不同流量負(fù)載分配策略下的脆弱性.目前對(duì)危險(xiǎn)貨物運(yùn)輸?shù)难芯看蠖嘀塾谝韵路较?危險(xiǎn)貨物運(yùn)輸?shù)娘L(fēng)險(xiǎn)分析、風(fēng)險(xiǎn)控制、最優(yōu)路線選擇等.

相較于現(xiàn)有的研究方法,本文嘗試結(jié)合智能交通系統(tǒng)和多智能體系統(tǒng)理論相關(guān)知識(shí),對(duì)危險(xiǎn)貨物運(yùn)輸系統(tǒng)通信網(wǎng)絡(luò)進(jìn)行建模并將其脆弱性檢測(cè)問題轉(zhuǎn)化為對(duì)多智能體系統(tǒng)網(wǎng)絡(luò)魯棒性求解問題.

危險(xiǎn)貨物運(yùn)輸車輛網(wǎng)絡(luò)具體建模過程如下.

3.1.1 數(shù)據(jù)集描述

基于危險(xiǎn)貨物運(yùn)輸網(wǎng)絡(luò)時(shí)空變化特征,本文搭建了基于多智能體系統(tǒng)的危險(xiǎn)貨物運(yùn)輸網(wǎng)絡(luò)模型.在危險(xiǎn)貨物運(yùn)輸網(wǎng)絡(luò)模型中,將運(yùn)輸危險(xiǎn)貨物的車輛抽象為多智能體系統(tǒng)中的通信節(jié)點(diǎn).考慮車輛之間采用無線通信的方式,接收來自其他車輛關(guān)于周圍環(huán)境、車輛運(yùn)行情況、通信范圍內(nèi)車輛數(shù)量的變化等信息.因無線通信受到通信雙方距離的限制,本文考慮使用具有車輛速度信息以及車輛地理位置信息的兩個(gè)數(shù)據(jù)集構(gòu)建一定范圍內(nèi)具有時(shí)間和空間特征的危險(xiǎn)貨物運(yùn)輸網(wǎng)絡(luò)通信拓?fù)鋱D.數(shù)據(jù)集的具體內(nèi)容如下.

1) Road-Speed:該數(shù)據(jù)集包含了六天內(nèi)道路上不同時(shí)間段內(nèi)車輛速度隨時(shí)間的變化.數(shù)據(jù)集中每一行代表一條道路,每一列表示不同時(shí)段道路上的車速,速度信息采集時(shí)間間隔為5分鐘.

2) Car-Loc[26]:該數(shù)據(jù)集包括六天內(nèi)一萬多輛車在不同時(shí)間段的地理位置變化情況,地理位置使用經(jīng)緯度表示.因數(shù)據(jù)記錄時(shí)間存在一定的差異,使用該數(shù)據(jù)集時(shí)首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,剔除記錄時(shí)間總和不足六天的車輛,最終選取10輛車并匯總記錄每輛車每隔5分鐘的地理位置信息.

3.1.2 網(wǎng)絡(luò)模型建立

建立危險(xiǎn)貨物運(yùn)輸網(wǎng)絡(luò)通信拓?fù)渚唧w步驟如下.

1) 獲得當(dāng)前時(shí)刻網(wǎng)絡(luò)中通信鏈接的數(shù)量.首先根據(jù)Road-Speed數(shù)據(jù)集中包含的道路上不同時(shí)段車輛速度變化信息,獲得危險(xiǎn)貨物運(yùn)輸網(wǎng)絡(luò)在當(dāng)前時(shí)刻通信鏈接的數(shù)量L[t],具體如下式所示:

考慮網(wǎng)絡(luò)模型遵循有向圖的特性,即通信雙方在一方發(fā)送相關(guān)消息后,另一方可以選擇僅接收消息不進(jìn)行回復(fù)或回復(fù)自身相關(guān)信息的情況下,當(dāng)前時(shí)刻網(wǎng)絡(luò)中能夠存在的通信鏈接的最大值D.通過下式計(jì)算得到

其中n為網(wǎng)絡(luò)中通信節(jié)點(diǎn)的數(shù)量.式(2)中p[t]為[0,1]范圍內(nèi)隨時(shí)間變化的概率值,此處將該概率值定義為當(dāng)前時(shí)刻網(wǎng)絡(luò)中能夠獲得的通信鏈路的概率.通過下式計(jì)算得到

其中:c[t],cmin[t]和cmax[t]分別為當(dāng)前道路上當(dāng)前時(shí)刻的車輛速度,當(dāng)前道路上六天內(nèi)車輛速度的最小值和當(dāng)前道路上六天內(nèi)車輛速度的最大值.根據(jù)式(4)可知,當(dāng)前時(shí)刻的車輛速度c[t]越大則p[t]越大,原因是網(wǎng)絡(luò)中車速越快,建立無線通信鏈接并進(jìn)行消息傳遞的難度越大,則相應(yīng)的當(dāng)前網(wǎng)絡(luò)中有效的通信鏈接數(shù)量越少.

通過Road-Speed數(shù)據(jù)集限定了當(dāng)前時(shí)刻網(wǎng)絡(luò)中能夠擁有的通信鏈路數(shù)量,但對(duì)具體能夠進(jìn)行互通的通信實(shí)體即通信車輛未限定.

科學(xué)技術(shù)的持續(xù)發(fā)展使得某些現(xiàn)象發(fā)生了改變，公司的財(cái)務(wù)管理先進(jìn)性和公司的業(yè)務(wù)水平因?yàn)榫W(wǎng)絡(luò)的迅速發(fā)展而出現(xiàn)了所謂“拖后腿”的現(xiàn)象。在“互聯(lián)網(wǎng)+”時(shí)代，公司的發(fā)展情況一般是呈正比例型的，換句話說，公司每一份業(yè)績(jī)都會(huì)帶來公司發(fā)展的實(shí)際的并且較為均勻的增長(zhǎng)。而在“互聯(lián)網(wǎng)+”的背景下，卻出現(xiàn)了一個(gè)從未有過的閾值，企業(yè)的發(fā)展需要在突破閾值后才能進(jìn)入一個(gè)快速發(fā)展的模式，在這之前業(yè)務(wù)能力會(huì)出現(xiàn)明顯的“拖后腿”現(xiàn)象。

2) 獲得當(dāng)前時(shí)刻網(wǎng)絡(luò)中的通信車輛.當(dāng)網(wǎng)絡(luò)中的車輛想要與周圍車輛進(jìn)行交互時(shí),不能超過基本的通信范圍,從現(xiàn)實(shí)角度出發(fā)在構(gòu)建危險(xiǎn)貨物運(yùn)輸網(wǎng)絡(luò)模型時(shí)融入了車輛的地理位置信息.通過Car-Loc數(shù)據(jù)集中記錄的車輛地理位置信息,計(jì)算車輛之間的距離并對(duì)其進(jìn)行升序排序,因在步驟1中限定了當(dāng)前時(shí)刻網(wǎng)絡(luò)中能夠擁有的通信鏈路數(shù)量,則當(dāng)且僅當(dāng)排在前L[t]的車輛能夠建立通信鏈路.此時(shí)使用網(wǎng)絡(luò)中已限定的能夠進(jìn)行交互的通信車輛以及通信鏈路的數(shù)量,構(gòu)建包括了時(shí)間和空間信息的危險(xiǎn)貨物運(yùn)輸網(wǎng)絡(luò)拓?fù)?其中圖3(a)是在t時(shí)刻車輛與基礎(chǔ)設(shè)施之間進(jìn)行通信的網(wǎng)絡(luò)通信拓?fù)涫疽鈭D,車輛不僅有選擇地與一定范圍內(nèi)的車輛進(jìn)行通信,還會(huì)與基礎(chǔ)設(shè)施進(jìn)行信息交互.圖3(b)時(shí)在t+1時(shí)刻車輛與基礎(chǔ)設(shè)施之間進(jìn)行通信的網(wǎng)絡(luò)通信拓?fù)涫疽鈭D.從圖的前后變化可以看出,當(dāng)車輛之間的距離超出一定的通信范圍后通信鏈路會(huì)失效,同樣當(dāng)有新的車輛進(jìn)入可通信的范圍內(nèi)時(shí)會(huì)與其他車輛或基礎(chǔ)設(shè)施建立新的通信鏈路.

圖3 危險(xiǎn)貨物運(yùn)輸車輛網(wǎng)絡(luò)通信變化示意圖Fig.3 Schematic diagram of changes in the communication network of dangerous goods transport vehicles

3.2 殘差網(wǎng)絡(luò)設(shè)計(jì)

出于對(duì)評(píng)估準(zhǔn)確率、模型運(yùn)行時(shí)間考慮,本文采用101層的殘差網(wǎng)絡(luò)進(jìn)行訓(xùn)練,整體網(wǎng)絡(luò)架構(gòu)如圖4所示.整體網(wǎng)絡(luò)中池化層不作為單獨(dú)一層計(jì)入,輸入為有向圖的鄰接矩陣,輸出為魯棒值r可取得的概率值.概率取值要求如下:

圖4 殘差網(wǎng)絡(luò)整體架構(gòu)Fig.4 The architecture of the residual network

其中:δin為節(jié)點(diǎn)入度;n為網(wǎng)絡(luò)中節(jié)點(diǎn)個(gè)數(shù).中間部分的網(wǎng)絡(luò)架構(gòu)為首先對(duì)輸入矩陣邊緣進(jìn)行零值填充,此操作可以對(duì)矩陣的邊緣進(jìn)行濾波充分學(xué)習(xí)矩陣邊緣的信息.借鑒文獻(xiàn)[17]提出的殘差網(wǎng)絡(luò)結(jié)構(gòu)層次進(jìn)行具體設(shè)置,在最大池化和平均池化之間的卷積操作都使用了網(wǎng)絡(luò)描述中所描述的殘差塊結(jié)構(gòu).以10個(gè)節(jié)點(diǎn)的有向圖數(shù)據(jù)作為示例,殘差網(wǎng)絡(luò)的具體網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)設(shè)置如表1所示(表中*表示無需設(shè)置).

表1 殘差網(wǎng)絡(luò)具體網(wǎng)絡(luò)結(jié)構(gòu)Table 1 Specific network structure of residual network

4 實(shí)驗(yàn)設(shè)置與結(jié)果分析

首先對(duì)Road-Speed數(shù)據(jù)集中的速度數(shù)據(jù)進(jìn)行可視化操作.某一天內(nèi)道路上交通速度歸一化后的變化曲線如圖5所示.從圖中可以看到,在早上8:00后因早高峰道路上交通速度明顯下降,在中午12:00左右的道路上交通速度開始呈上升趨勢(shì),同時(shí)16:00左右因晚高峰交通速度呈下降趨勢(shì),在20:00左右道路上的交通速度又呈現(xiàn)上升的趨勢(shì).總體上道路上的流速隨時(shí)間變化趨勢(shì)較為明顯.

圖5 一天內(nèi)道路上交通速度變化示意圖Fig.5 Schematic diagram of traffic speed change on the road in one day

在實(shí)驗(yàn)中,使用殘差網(wǎng)絡(luò)對(duì)5-10個(gè)節(jié)點(diǎn)的有向圖進(jìn)行訓(xùn)練,不同節(jié)點(diǎn)對(duì)應(yīng)的數(shù)據(jù)量以及不同樣本具有的平均有向邊數(shù)如表2所示.輸入數(shù)據(jù)為有向圖的鄰接矩陣,輸出為判定魯棒值r的一個(gè)概率矩陣.此外本實(shí)驗(yàn)中,使用80%的數(shù)據(jù)用作訓(xùn)練集,剩余20%用作測(cè)試集.

表2 5-10節(jié)點(diǎn)數(shù)據(jù)集Table 2 5-10 node dataset_s

本文殘差網(wǎng)絡(luò)訓(xùn)練所使用的超參數(shù)設(shè)置如表3所示.數(shù)據(jù)樣本中的數(shù)據(jù)中每一行表示一張帶有標(biāo)簽的有向圖,為便于后續(xù)訓(xùn)練對(duì)數(shù)據(jù)標(biāo)簽進(jìn)行處理使用獨(dú)熱編碼表示.網(wǎng)絡(luò)的搭建采用Keras框架,該框架的優(yōu)點(diǎn)是提供了簡(jiǎn)潔的API接口,易于進(jìn)行擴(kuò)展,一定程度減少了設(shè)置過程中的工作量.在訓(xùn)練結(jié)束后對(duì)模型進(jìn)行保存,為后續(xù)直接調(diào)用訓(xùn)練好的模型對(duì)新輸入的系統(tǒng)通信圖數(shù)據(jù)進(jìn)行快速檢測(cè).通過實(shí)驗(yàn)發(fā)現(xiàn),訓(xùn)練好的深度學(xué)習(xí)模型可以在毫秒內(nèi)得出對(duì)應(yīng)通信圖魯棒性數(shù)值的檢測(cè)結(jié)果,這在智能交通系統(tǒng)網(wǎng)絡(luò)安全領(lǐng)域是一個(gè)可接受的響應(yīng)速度.

表3 超參數(shù)設(shè)置Table 3 Hyperparameter settings

圖6是節(jié)點(diǎn)數(shù)目分別為5-10個(gè)節(jié)點(diǎn)在本文所提方法訓(xùn)練下所得到的各自相應(yīng)評(píng)估準(zhǔn)確率結(jié)果,從圖6中的統(tǒng)計(jì)數(shù)據(jù)可以看到隨著節(jié)點(diǎn)個(gè)數(shù)的增加,評(píng)估準(zhǔn)確率呈下降趨勢(shì)但依舊保持較高水平,這說明使用殘差結(jié)構(gòu)的有效性.評(píng)估準(zhǔn)確率下降的原因可能是因?yàn)殡S著節(jié)點(diǎn)個(gè)數(shù)增加,該數(shù)量級(jí)節(jié)點(diǎn)的樣本空間相應(yīng)增大,但實(shí)驗(yàn)所使用的樣本數(shù)量不足,這也是未來要解決的問題之一.

圖6 訓(xùn)練結(jié)果Fig.6 Training results

使用殘差網(wǎng)絡(luò)模型對(duì)5-10個(gè)節(jié)點(diǎn)的數(shù)據(jù)集進(jìn)行魯棒性評(píng)估,并在進(jìn)行多次實(shí)驗(yàn)的基礎(chǔ)上選擇評(píng)估準(zhǔn)確率較高的模型對(duì)具有時(shí)間和空間信息的危險(xiǎn)貨物運(yùn)輸網(wǎng)絡(luò)通信拓?fù)溥M(jìn)行魯棒性評(píng)估.其中:圖7(a)-(f)分別是總節(jié)點(diǎn)數(shù)為5-10個(gè)網(wǎng)絡(luò)的魯棒值r的評(píng)估結(jié)果.

圖7 5-10節(jié)點(diǎn)魯棒值r的評(píng)估結(jié)果Fig.7 Robustness value r of 5-10 nodes

根據(jù)實(shí)驗(yàn)結(jié)果,可以看出隨著系統(tǒng)總節(jié)點(diǎn)數(shù)的增加,可達(dá)到的魯棒值r的最大值越大.同時(shí)在早上8:00點(diǎn)早高峰后的一段時(shí)間內(nèi)及下午16:00左右的晚高峰階段,r值較高,其余時(shí)間的r值相較而言低于該時(shí)間段.顯然,當(dāng)車輛速度較慢、車距較近時(shí)網(wǎng)絡(luò)中含有的通信鏈路越多所構(gòu)成的通信拓?fù)湓椒€(wěn)定,這與之前可視化交通速度時(shí)所得的規(guī)律相符.

5 實(shí)際應(yīng)用

本節(jié)嘗試將上述提出的網(wǎng)絡(luò)脆弱性檢測(cè)方法應(yīng)用于網(wǎng)絡(luò)攻擊下多車輛狀態(tài)信息一致性控制場(chǎng)景,以驗(yàn)證所提方法的實(shí)用性.

近年來,研究者們?cè)诩俣ㄍㄐ啪W(wǎng)絡(luò)滿足特定魯棒值的前提下,提出了一系列具備抵御網(wǎng)絡(luò)攻擊的一致性控制方法.比較經(jīng)典的如LeBlanc等[10]提出的所謂的加權(quán)均值子序列縮減(weighted mean-subsequencereduce,W-MSR)算法.網(wǎng)絡(luò)中的正常節(jié)點(diǎn)依據(jù)上述算法進(jìn)行狀態(tài)值更新,可以在僅獲得局部鄰居信息下實(shí)現(xiàn)狀態(tài)值一致而不被網(wǎng)絡(luò)中惡意節(jié)點(diǎn)所干擾.考慮由n個(gè)節(jié)點(diǎn)組成的多車輛網(wǎng)絡(luò)場(chǎng)景,每個(gè)節(jié)點(diǎn)代表一輛小車.網(wǎng)絡(luò)中包含兩類節(jié)點(diǎn),分別為正常節(jié)點(diǎn)和惡意節(jié)點(diǎn).正常節(jié)點(diǎn)始終嚴(yán)格按照控制協(xié)議對(duì)自身的狀態(tài)進(jìn)行更新,而惡意節(jié)點(diǎn)不受控制協(xié)議的約束,可向周圍鄰居節(jié)點(diǎn)發(fā)送惡意信息,以干擾正常節(jié)點(diǎn)的一致性更新進(jìn)程.考慮將t時(shí)刻正常節(jié)點(diǎn)的動(dòng)態(tài)更新方程表示為

其中:xi[t]表示節(jié)點(diǎn)i在時(shí)刻t的狀態(tài)值,wij[t]是節(jié)點(diǎn)i在時(shí)刻t分配給鄰居節(jié)點(diǎn)j的值的權(quán)重.

W-MSR算法的基本思想是在節(jié)點(diǎn)每次迭代更新自身狀態(tài)值時(shí),為消除惡意節(jié)點(diǎn)的影響,主動(dòng)刪除部分與自身狀態(tài)值相差大的鄰居節(jié)點(diǎn),僅使用部分剩下的鄰居信息值進(jìn)行更新.令Ri[t]表示在W-MSR算法執(zhí)行中t時(shí)刻被正常節(jié)點(diǎn)i去除的節(jié)點(diǎn)集.隨后節(jié)點(diǎn)i根據(jù)下述方程進(jìn)行更新:

文獻(xiàn)[27]研究了網(wǎng)絡(luò)在f-local攻擊模型下的一致性控制問題,給出了系統(tǒng)在W-MSR算法下實(shí)現(xiàn)最終狀態(tài)一致的通信網(wǎng)絡(luò)魯棒性的充分條件,即網(wǎng)絡(luò)魯棒性值r與網(wǎng)絡(luò)中惡意節(jié)點(diǎn)數(shù)目f的臨界關(guān)系為

假設(shè)根據(jù)本文所提方法已獲得系統(tǒng)通信拓?fù)涞聂敯粜灾祌,再根據(jù)上式可推出在該網(wǎng)絡(luò)中任一節(jié)點(diǎn)的鄰居中惡意節(jié)點(diǎn)數(shù)目上限值f.顯然,若惡意節(jié)點(diǎn)個(gè)數(shù)超過了f個(gè),則該網(wǎng)絡(luò)此時(shí)無法對(duì)正常節(jié)點(diǎn)實(shí)施一致性控制.

基于上述理論,設(shè)計(jì)如下數(shù)值仿真實(shí)驗(yàn).考慮一個(gè)由8輛小車組成的多車輛網(wǎng)絡(luò),其通信拓?fù)淙鐖D8所示.由本文脆弱性檢測(cè)算法得到該通信網(wǎng)絡(luò)為一個(gè)3-魯棒圖.

圖8 由8個(gè)節(jié)點(diǎn)組成的3-魯棒圖Fig.8 A 3-robust graph with 8 nodes

根據(jù)關(guān)系式(8)可知,一個(gè)3-魯棒網(wǎng)絡(luò)中任意節(jié)點(diǎn)的鄰居中可容忍的惡意節(jié)點(diǎn)數(shù)目上限是1個(gè).圖中每個(gè)節(jié)點(diǎn)的初始狀態(tài)在區(qū)間(0,20)內(nèi)隨機(jī)賦值,隨后正常節(jié)點(diǎn)采用W-MSR算法進(jìn)行狀態(tài)值更新.首先考慮存在1個(gè)惡意節(jié)點(diǎn)的情況,假定節(jié)點(diǎn)6為惡意節(jié)點(diǎn),其值至始至終保持固定不變.算法執(zhí)行過程中各節(jié)點(diǎn)的狀態(tài)軌跡如圖9所示.從圖中可以看出系統(tǒng)經(jīng)10次迭代左右,所有正常節(jié)點(diǎn)的狀態(tài)值趨于一致.符合文獻(xiàn)[27]中的所得結(jié)論.

圖9 存在1個(gè)惡意節(jié)點(diǎn)時(shí)的網(wǎng)絡(luò)表現(xiàn)Fig.9 The case of one malicious node in network

接下去考慮系統(tǒng)中含有2個(gè)惡意節(jié)點(diǎn)的情況.不妨假設(shè)節(jié)點(diǎn)6與7為惡意節(jié)點(diǎn),系統(tǒng)采用W-MSR算法下各節(jié)點(diǎn)的狀態(tài)軌跡如圖10所示.圖中所有節(jié)點(diǎn)的最終狀態(tài)曲線未能達(dá)成一致,其原因是系統(tǒng)中有部分節(jié)點(diǎn)鄰居中的惡意節(jié)點(diǎn)數(shù)超過理論上界

圖10 存在2個(gè)惡意節(jié)點(diǎn)時(shí)的網(wǎng)絡(luò)表現(xiàn)Fig.10 The case of two malicious nodes in network

6 總結(jié)

本文針對(duì)智能交通系統(tǒng)協(xié)同控制網(wǎng)絡(luò)安全問題,提出了一種基于深度學(xué)習(xí)的通信網(wǎng)絡(luò)拓?fù)浯嗳跣詸z測(cè)方法.結(jié)合智能交通系統(tǒng)和多智能體網(wǎng)絡(luò)的共性特點(diǎn)對(duì)網(wǎng)絡(luò)脆弱性評(píng)估檢測(cè)問題進(jìn)行了數(shù)學(xué)建模.在構(gòu)建網(wǎng)絡(luò)通信拓?fù)鋾r(shí)綜合考慮了時(shí)間和空間因素,設(shè)計(jì)了融入殘差網(wǎng)絡(luò)的深度學(xué)習(xí)模型,并通過圖分類的方式將不同網(wǎng)絡(luò)r-魯棒值進(jìn)行求解.與現(xiàn)有算法相比,本文采用基于深度學(xué)習(xí)的檢測(cè)方法,前期模型訓(xùn)練一旦完成,所提算法可以以毫秒級(jí)的速度檢測(cè)當(dāng)前時(shí)刻系統(tǒng)通信網(wǎng)絡(luò)的r-魯棒值,適合大規(guī)模動(dòng)態(tài)復(fù)雜交通通信網(wǎng)絡(luò)的脆弱性檢測(cè).進(jìn)一步,考慮了在獲知網(wǎng)絡(luò)r-魯棒值并且網(wǎng)絡(luò)中正常節(jié)點(diǎn)采用W-MSR更新算法的情況,給出了所評(píng)估網(wǎng)絡(luò)實(shí)現(xiàn)節(jié)點(diǎn)狀態(tài)一致性所能容忍的最大惡意鄰居節(jié)點(diǎn)數(shù)目上限.