摘 要：為了防止黑客利用技術(shù)漏洞攻擊軌道交通通信系統(tǒng)，導(dǎo)致嚴(yán)重的軌道交通事故。研究了基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)算法軌道交通車輛通信系統(tǒng)入侵檢測系統(tǒng)（IDS），并利用梯度下降動量（GDM）和自適應(yīng)增益（GDM/AG）來提高IDS的效率和準(zhǔn)確性，并通過使用真實的軌道車輛對所提出模型的準(zhǔn)確性和效率進行了驗證和評估。實驗表明，與GDM算法相比，GDM/AG算法在軌道車輛異常檢測中可以實現(xiàn)更快的收斂，并且可以檢測到毫秒級的異常數(shù)據(jù)。同時，提出的模型可以自適應(yīng)檢測未知的攻擊，在面對未知攻擊類型時，其準(zhǔn)確率及精度均達(dá)到98%以上。

關(guān)鍵詞：深度學(xué)習(xí)；軌道交通；通信系統(tǒng)；智能檢測

中圖分類號：

TP272

文獻標(biāo)志碼：

A文章編號：

1001-5922（2024）01-0149-04

Intelligent detection of data anomalies in rail transit communication systems based on deep learning

WEN Lu

（Communication Signal Design Institute，China Railway First Survey and Design Institute Group Co.，Lid.，Xi’an 710043，China）

Abstract：In order to prevent hackers from exploiting technical vulnerabilities to attack the rail transit communication system，resulting in serious rail transit accidents.An intrusion detection system （IDS） for rail vehicle communication systems based on neural network algorithms in deep learningwas investigated，and gradient descent momentum （GDM） and adaptive gain （GDM/AG） were used to improve the efficiency and accuracy of the IDS，the accuracy and efficiency of the proposed model wasalso verified and evaluated by using real rail vehicles.The experiments showed that the GDM/AG algorithm couldachieve faster convergence in rail vehicle anomaly detection and detect abnormal data at the millisecond level compared with the GDM algorithm.At the same time，the proposed model couldadaptively detect unknown attacks，and its accuracy and precision reach more than 98% in the face of unknown attack types.

Key words：deep learning;rail transit;communication systems;intelligent detection

軌道交通通信系統(tǒng)可以實現(xiàn)軌道車輛的高效運行和多種綜合信息服務(wù)。為了確保軌道交通車輛的安全，軌道車輛正在部署各種互聯(lián)網(wǎng)安全技術(shù)。提出了基于三角面積的最近鄰方法（TANN），可以更有效地檢測攻擊［1］。介紹了一種基于集群中心和最近鄰相結(jié)合的入侵檢測系統(tǒng)［2］。提出了一個新想法，即用PSO生成權(quán)重來創(chuàng)建分類器集合，可以進一步提高入侵檢測系統(tǒng)效率［3］。為了解決傳統(tǒng)軌道交通車輛通信系統(tǒng)入侵檢測系統(tǒng)的技術(shù)缺陷，需要提高對軌道交通車輛系統(tǒng)未知攻擊的有效檢測。利用深度學(xué)習(xí)的啟發(fā)式搜索特性和強自適應(yīng)特性，可以實現(xiàn)較高的檢測率，以及較低的異常情況假陽性率［4］。

基于此，將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于軌道交通車輛的通信系統(tǒng)。訓(xùn)練傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)模型來提取來自主機的軌道車輛行為數(shù)據(jù)包的相關(guān)特征，并將相應(yīng)的反向傳播算法與GDM算法和GDM/AG算法相結(jié)合來實現(xiàn)網(wǎng)絡(luò)的迭代更新過程，進一步提高軌道交通通信系統(tǒng)入侵智能檢測。

1 軌道交通通信系統(tǒng)入侵檢測研究

1.1 通信系統(tǒng)入侵檢測系統(tǒng)（IDS）特點

在實驗環(huán)境中設(shè)置特定的規(guī)則來實現(xiàn)車輛未知攻擊的檢測。規(guī)則如下：使用訓(xùn)練數(shù)據(jù)集生成相應(yīng)的入侵檢測模型［5］，然后將測試數(shù)據(jù)集作為網(wǎng)絡(luò)模型的輸入數(shù)據(jù)，以同樣的方式進行迭代運算，得到相應(yīng)的誤差值。閾值是估計值與實際值之間的誤差上限，通過將實際誤差值與設(shè)置的閾值進行比較，如果相應(yīng)的錯誤超過了相應(yīng)的閾值范圍，會將其行為分類為異常類別，并將相應(yīng)的行為通知通信系統(tǒng)管理員。否則，會進一步認(rèn)為合法授權(quán)的用戶產(chǎn)生了行為，并將其歸類為相應(yīng)的正常類別。

1.2 深度神經(jīng)網(wǎng)絡(luò)中GDM算法研究

與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法相比，梯度下降動量（GDM）算法是一種增強的梯度下降算法［6］。GDM算法可以通過迭代自適應(yīng)地改變與其連接的每個節(jié)點的增益來改變尋找最優(yōu)全局解方向，從而提高算法的效率。在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)中，與目標(biāo)函數(shù)相對應(yīng)的數(shù)學(xué)問題通常是找到一組合適的權(quán)重向量，這樣在這些權(quán)重向量的作用下，實驗估計與實際值之間的誤差可以最小化。在這些權(quán)重矢量的作用下，實驗估計和實際值之間的誤差E（w）可以被最小化，可以表達(dá)為：

minw∈RnE（w）

（1）

在深度神經(jīng)網(wǎng)絡(luò)中，通常使用式（2）來定義誤差函數(shù)：

E=12∑K0（y^-y）2

（2）

式中：y為實際值；y^為實驗估計值。在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中，y^值的計算可以用式（3）表達(dá)：

y^=σ（z）=σ（wTX+b）

（3）

然后通過反向傳播算法更新權(quán)重參數(shù)w和相應(yīng)的增益項b。并使用公式（4）和（5）來計算相應(yīng)的偏導(dǎo)數(shù)：

Ew=Eσ·σz·zw，wnew=w-αEw

（4）

Eb=Eσ·σz·zb，bnew=b-αEb

（5）

在GDM算法中，通過式（6）計算權(quán)重的梯度下降規(guī)則：

EwLij=EnetL+1·netL+1σLj·σLjnetLj·netLjwLij

（6）

然后，利用式（7）計算出權(quán)重增益ΔwLij，并通過式（8）更新相應(yīng)的權(quán)重值Wnew：

ΔwLij=ηδLjcLjσL-1j=ηEwLij

（7）

Wnew=Wold+αΔwLj

（8）

1.3 深度神經(jīng)網(wǎng)絡(luò)中的GDM/AG算法研究

GDM/AG算法是一種增強的BP算法，可以通過自適應(yīng)改變其激活函數(shù)的增益來提高性能。該算法可以通過自適應(yīng)改變每個節(jié)點對應(yīng)的激活函數(shù)的增益來修改最優(yōu)解的搜索方向，從而提高算法的性能［7］。同樣，該算法的相應(yīng)求解問題是尋求一組最優(yōu)的權(quán)重向量和相應(yīng)的增益，以實現(xiàn)最優(yōu)參數(shù)求解，其誤差能小于某個指定的誤差項，式（9）及式（10）可以計算出相應(yīng)的網(wǎng)絡(luò)誤差評價：

E=12∑K0（y-ok（oj，ck））2

（9）

ok（z）=11+e-z

（10）

式中：y是實值；ok是網(wǎng)絡(luò)第k層節(jié)點對應(yīng)的激活函數(shù)的輸出值；wij是連接第i層和第j層對應(yīng)節(jié)點的權(quán)重值。

完成前向傳播后，需要對生成的網(wǎng)絡(luò)模型進行反向傳播計算［8-9］。利用偏導(dǎo)數(shù)ECk計算輸出層K對應(yīng)的節(jié)點，并且利用ECj計算相應(yīng)的隱藏層J。用于計算增益和更新結(jié)果的表達(dá)式分別在式（11） 至式（13） 中描述：

Δck=η（-Eck）

（11）

Eck=-（tk-ok）ok（1-ok）（∑wijoi+θj）

（12）

Δck（n+1）=η（tk-ok）ok（1-ok）（∑wijoi+θj）

（13）

2 仿真結(jié)果及討論

2.1 數(shù)據(jù)集描述

為了驗證所提出的算法能夠加快反向傳播網(wǎng)絡(luò)的收斂速度并實現(xiàn)較高的通信系統(tǒng)入侵檢測效率，在某軌道交通車輛CAN總線上收集數(shù)據(jù)。采集數(shù)據(jù)的方法是將CAN適配器直接連接到CAN總線上。CAN總線的數(shù)據(jù)采集設(shè)備為KvaserCAN Leaf Light V2。計算機模擬攻擊者對軌道交通車輛發(fā)起入侵性的命令攻擊，如欺騙攻擊、總線關(guān)閉攻擊以及偽裝攻擊［10］。共收集了近10萬個與軌道交通車輛有關(guān)的交通數(shù)據(jù)。攻擊數(shù)據(jù)集的構(gòu)建：

（1）欺騙攻擊：當(dāng)發(fā)起攻擊時，攻擊者對軌道交通通信系統(tǒng)發(fā)送更頻繁地ID消息。將更頻繁的ID2修改為受攻擊的ID1［11］。在收集的數(shù)據(jù)集上將來自軌道交通通信系統(tǒng)的ID2消息的ID字段修改為來自軌道交通通信系統(tǒng)的ID1。在修改之后，ID1來自攻擊者控制的正常通信系統(tǒng)。這種方法模擬了在欺騙攻擊下通信系統(tǒng)的流量；

（2）總線關(guān)閉攻擊：當(dāng)對一個ID發(fā)起總線關(guān)閉攻擊時，該ID將從通信系統(tǒng)上消失。通過從收集的數(shù)據(jù)集中刪除通信系統(tǒng)發(fā)送的所有ID1消息來構(gòu)建攻擊數(shù)據(jù)集［12-14］?？梢赃M一步模擬對軌道交通通信系統(tǒng)的ID1發(fā)起總線關(guān)閉攻擊的場景；

（3）偽裝攻擊：由于這種攻擊不改變軌道交通通信系統(tǒng)流量中的ID序列，因此可以用ID2的到達(dá)時間來修改ID1的到達(dá)時間。首先刪除所有的ID1消息，然后選擇將ID2消息的ID字段修改為ID1，并與ID1的頻率相同［15］。

2.2 GDM與GDM/AG算法比較

圖1和表1為軌道交通通信系統(tǒng)中GDM與GDM/AG算法性能比較結(jié)果。

從圖1和表1可以看出，與GDM算法相比，GDM/AG算法可以有效地提取原始數(shù)據(jù)的特征，并有效地進行入侵檢測，并且GDM/AG檢測時間可以達(dá)到毫秒級別，最快檢測時間為2.87 ms，較GDM算法快11.42%。GDM算法的檢測準(zhǔn)確率、召回率、精度和F1分?jǐn)?shù)分別為97.692%、98.22%、98.23%和98.18%。而GDM/AG算法的檢測準(zhǔn)確率、召回率、精度和F1分?jǐn)?shù)分別為98.67%、98.95%、98.67%和98.78%，從圖1可觀察出GDM/AG算法的各項性能均優(yōu)于GDM算法。

2.3 入侵檢測

對2輛軌道交通車輛（分別命名為A和B）的各種類型的攻擊數(shù)據(jù)集進行了實驗。在A和B車輛中，依次發(fā)起欺騙攻擊、總線關(guān)閉攻擊和偽裝攻擊，并將它們組合成3個不同攻擊類型的數(shù)據(jù)集。評價指標(biāo)主要包括準(zhǔn)確率、精確率、假陽性率（FPR）和假陰性率（FNR）。

表2為深度學(xué)習(xí)中的GDM/AG算法對3種不同類型攻擊的檢測性能。

由表2可知，對于欺騙攻擊，GDM/AG算法的準(zhǔn)確率可以達(dá)到99.15%，這說明它對正常信息和入侵信息有很好的識別能力。GDM/AG算法在2輛車上的精度分別為99.72%和99.23%，這說明GDM/AG算法在檢測入侵信息方面有良好的表現(xiàn)。GDM/AG算法在A、B車輛的假陽性率分別為0.27%和0.77%，這表明該系統(tǒng)將正常信息識別為入侵信息的概率很低。GDM/AG算法在這2輛車上的FNR非常低，分別為2.47%和0.94%，表明很難有未被發(fā)現(xiàn)的攻擊信息。對于總線關(guān)閉攻擊，準(zhǔn)確率可以達(dá)到99.84%，精度可以達(dá)到99.89%以上，F(xiàn)PR不超過0.11%，F(xiàn)NR只有0.68%。對于偽裝攻擊，GDM/AG算法的準(zhǔn)確率為99.17%，精度為99.69%，F(xiàn)PR為0.31%，F(xiàn)NR為1.35%。很明顯，GDM/AG算法對這3種類型的攻擊有很高的檢測率。

2.4 不同入侵類型的特征距離測量

由上述實驗可知，GDM/AG算法可有效檢測系統(tǒng)入侵。因此采用最大均值差MMD來衡量不同入侵類型下的通信系統(tǒng)流量特征差異（見圖2），進一步反映出入侵攻擊出現(xiàn)時更新入侵檢測系統(tǒng)的重要性。其中 “dis”表示2個數(shù)據(jù)集之間的MMD距離，dis1及dis2分別表征系統(tǒng)欺騙入侵攻擊及數(shù)據(jù)欺騙入侵攻擊，dis3及dis4分別表征系統(tǒng)偽裝入侵攻擊及數(shù)據(jù)偽裝入侵攻擊。圖2的實驗結(jié)果表明，屬于同一數(shù)據(jù)集的2個采樣數(shù)據(jù)的MMD距離非常小，而不同數(shù)據(jù)集之間的采樣數(shù)據(jù)的距離則非常大。因此，當(dāng)網(wǎng)絡(luò)領(lǐng)域的入侵攻擊類型相同時，數(shù)據(jù)的分布是相似的。但，在不同的網(wǎng)絡(luò)領(lǐng)域內(nèi)，由于入侵攻擊種類的不同，其數(shù)據(jù)特性在各領(lǐng)域內(nèi)的分布也是不一樣的［16］。因此，在軌道車輛受到新的入侵攻擊時，由于受到的攻擊類型的差異，所產(chǎn)生的數(shù)據(jù)流也會發(fā)生變化，從而對軌道車輛的IDS產(chǎn)生影響。

3 結(jié)語

隨著互聯(lián)網(wǎng)技術(shù)與軌道交通的不斷結(jié)合，軌道交通通信系統(tǒng)智能入侵檢測關(guān)乎軌道交通安全運行。因此鑒于當(dāng)前軌道交通通信系統(tǒng)面臨的安全問題，提出基于深度神經(jīng)網(wǎng)絡(luò)的方法，以實現(xiàn)對軌道車輛更好的入侵檢測，增強模型的收斂性。通過使用

神經(jīng)網(wǎng)絡(luò)和相應(yīng)的自適應(yīng)增益（GDM/AG）算法，可以實現(xiàn)對軌道車輛系統(tǒng)中異常行為的高識別精度。且GDM/AG算法對不同類型的攻擊有很高的檢測率，平均檢測效率為99%以上。

【參考文獻】

［1］ 劉志偉.基于物聯(lián)網(wǎng)的城軌車輛輪對溫度與振動狀態(tài)智能監(jiān)控系統(tǒng)研究［J］.科技風(fēng)，2023（4）：53-55.

［2］ 張云峰，魏星，諸駿豪，等.基于電力通信動靜態(tài)資源的光纜數(shù)據(jù)監(jiān)測系統(tǒng)設(shè)計［J］.粘接，2022，49（2）：92-96.

［3］ 榮少華，王松浩，歐陽波，濤.基于蜂窩車聯(lián)網(wǎng)通信技術(shù)的智軌電車車路協(xié)同系統(tǒng)設(shè)計［J］.控制與信息技術(shù)，2022（6）：56-61.

［4］ 徐超，孫金莉，楊郡，等.基于分布式支持向量機的電網(wǎng)錯誤數(shù)據(jù)注入檢測法［J］.粘接，2023，50（2）：188-192.

［5］ 賀莉娜，郭澤闊.基于人工智能和大數(shù)據(jù)的城市軌道交通智能化運維生態(tài)系統(tǒng)研究［J］.城市軌道交通研究，2022，25（9）：79-84.

［6］ 婁飛鵬，劉海東，李罡，等.智慧軌道交通信息化與裝備重點實驗室規(guī)劃設(shè)計研究［J］.網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2022（4）：118-121.

［7］ 蘇菠，姜軍，張志偉，等.基于連續(xù)視頻分析的化學(xué)危險品碼頭車輛測速方法研究［J］.粘接，2020，41（1）：180-184.

［8］ 李強.新能源汽車動力電池總成檢測系統(tǒng)設(shè)計與實現(xiàn)［J］.粘接，2021，46（6）：187-190.

［9］ 拓應(yīng)全.基于網(wǎng)絡(luò)技術(shù)的井下無軌膠輪車交通管控系統(tǒng)設(shè)計優(yōu)化［J］.粘接，2023，50（1）：182-186.

［10］ 范琪，單瑛，汪崢，等.懸掛式單軌交通智能巡檢車車地?zé)o線通信方案研究［J］.鐵道通信信號，2022，58（1）：66-70.

［11］ 廖云.基于大數(shù)據(jù)平臺的城市軌道交通多專業(yè)智能運維系統(tǒng)構(gòu)建探討［J］.控制與信息技術(shù)，2021（5）：1-5.

［12］ 白廣爭，馮浩楠，滕達(dá)，等.城市軌道交通CBTC智能故障分析系統(tǒng)設(shè)計［J］.鐵道運輸與經(jīng)濟，2021，43（8）：112-118.

［13］ 陳浩楠.Fe3O4/PDMS復(fù)合材料磁電容微弱信號檢測電路的設(shè)計研究［J］.粘接，2022，49（4）：75-78.

［14］ 谷豐，劉光勇，蔣小晴，等.智能軌道快運系統(tǒng)通信信號設(shè)計與應(yīng)用［J］.控制與信息技術(shù)，2020（1）：82-86.

［15］ 田新宇，魏世斌，趙延峰，等.城市軌道交通基礎(chǔ)設(shè)施綜合檢測列車創(chuàng)新技術(shù)［J］.現(xiàn)代城市軌道交通，2019（8）：32-36.

［16］ 魏新峰，魯中甫，楊光露，等.自動化儀器儀表嵌入式視覺在線智能檢測系統(tǒng)設(shè)計與實現(xiàn)［J］.粘接，2021，45（1）：90-92.