DoS攻击下的UUV编队通信预测方法

技术领域

本发明涉及水下通信技术领域，特别涉及DoS攻击下的UUV编队通信预测方法。

背景技术

近年来，随着多智能体系统理论、水下无人航行器(UUV)控制技术和水声通信技术日益成熟，多UUV协同执行任务已成为水下无人航行器发展的重点方向之一。UUV编队作为多智能体系统中常见的协同方式之一，相比较于单体UUV往往具有更强的稳定性和鲁棒性，水下作业范围更大、环境适应能力更强、执行任务效率更高。因此UUV编队将在海洋建设中发挥越来越重要的作用。

UUV之间需要依靠水声信道来完成信息交互，而水声信道是随参信道，其特性参数随着空间域、时间域、频率域的变化而随机变化，因而UUV编队成员之间无法实现实时的信息交互。UUV编队的通信拓扑作为一个脆弱的通信网络，极易受到各种形式的网络攻击，例如DoS攻击、重放攻击、欺骗攻击等。其中DoS攻击会造成部分通信数据丢失，而目前无法预测该部分丢失的数据，导致UUV编队成员无法获取同伴状态信息。

发明内容

本发明目的是为了解决目前UUV编队通信系统受到攻击后，UUV编队成员无法获取同伴状态信息，而提出了DoS攻击下的UUV编队通信预测方法。

DoS攻击下的UUV编队通信预测方法具体过程为：

步骤一、建立UUV的三自由度水平面运动模型，并基于UUV的三自由度水平面运动模型获取领航UUV和跟随UUV的位置信息矩阵、运动状态矩阵；

步骤二、领航UUV获取所有跟随UUV的位置信息，领航UUV将自身的运动状态、位置信息以及收集到的跟随UUV的位置信息、运动状态编码调制为水声信号，并将水声信号广播给跟随UUV；

步骤三、跟随UUV接收领航UUV广播的水声信号，并对水声信号进行解码，获得领航UUV的运动状态、位置信息以及其他跟随UUV的位置信息、运动状态，包括以下步骤：

步骤三一、将步骤二获得的领航UUV的运动状态、位置信息以及跟随UUV的位置信息、运动状态数据组成待测数据集，并对待测数据集进行预处理，获得待测信息数据集；

步骤三二、将步骤三一获得的待测信息数据集输入到通信预测模型中，获得发生DOS攻击后领航UUV发出询问信号的第一个时刻t

预测数据包括：不同时刻领航UUV的位置信息、领航UUV的运动状态、跟随UUV的坐标、跟随UUV的艏向角；

其中，t

进一步地，所述步骤一中的UUV的三自由度水平面运动模型，如下式：

其中，η＝[x yψ]

进一步地，所述步骤一中的领航UUV和跟随UUV的位置信息矩阵、运动状态矩阵，通过以下公式获得：

其中，i是跟随UUV编号，l是领航UUV编号，(x

进一步地，所述步骤三一中的对待测数据集进行预处理，获得待测信息数据集，具体为：

首先，对待测数据集中的异常数据进行拉格朗日插值处理，获得插值处理后的待测数据集；

所述异常数据包括：数据缺失、数据错误、数据重复；

然后，将插值处理后的待测数据集中的数据集统一映射到[0,1]区间，获得待测信息数据集。

进一步地，所述步骤三二中的通信预测模型，通过以下方式获得：

S1、构建训练集和测试集：

首先，获取跟随UUV和领航UUV的位置信息矩阵、运动状态矩阵，将跟随UUV和领航UUV的位置信息矩阵、运动状态矩阵中的数据组成原始数据集；

然后，对原始数据集进行拉格朗日插值处理，获得信息数据集；

然后，将信息数据集中的数据统一映射到[0,1]区间内，获得归一化后的信息数据集；

最后，将归一化后的信息数据集划分为训练集和验证集；

S2、利用SSA算法对LSTM网络的超参数优化，获得优化后的LSTM网络SSA-LSTM；

所述LSTM网络的超参数包括：学习率，隐藏层节点个数，L2正则化系数；

S3、利用S1获得的训练集训练SSA-LSTM网络，获得训练好的SSA-LSTM网络；

S4、利用S1获得的验证集对训练好的SSA-LSTM网络进行验证，若验证通过，则将当前训练好的SSA-LSTM网络作为通信预测网络，若没有通过验证，则返回S2。

进一步地，所述S2中的利用SSA算法对LSTM网络的超参数优化，采用决定系数R

其中，R

进一步地，所述S4中的利用S1获得的验证集对训练好的SSA-LSTM网络进行验证，采用均方根误差RMSE、平均绝对误差MAE、决定系数R

若RMSE<1且MAE<1且R

其中，a

进一步地，所述领航UUV的控制器，如下式：

T

其中，0＜ε

进一步地，系统误差e

其中，

本发明的有益效果为：

本发明设计的UUV编队水下信息交互模式，大幅减少了编队成员之间的信息传输次数，节省了UUV编队的能量；本发明设计的事件触发函数，限制了领航UUV控制器的更新次数，使得控制输入协议仅在事件触发时刻改变并保持到下一个事件触发时刻，延长了UUV水下航行的时间；本发明提出了基于SSA—LSTM网络的UUV编队通信预测模型，能够预测丢失部分信息，解决了DoS攻击下UUV编队的通信问题，有效降低了DoS攻击对UUV编队通信网络的破坏，使UUV编队系统在受到攻击后，UUV编队成员仍能接收到同伴状态信息。

附图说明

图1为领航者—跟随者型UUV编队通信流程；

图2为基于事件触发机制的领航UUV控制结构；

图3为基于SSA算法优化的LSTM流程图；

图4为领航UUV—跟随UUV编队在DoS攻击下的通信预测模型。

具体实施方式

具体实施方式一：如图1所示，本实施方式DoS攻击下的UUV编队通信预测方法具体过程为：

步骤一、建立UUV的三自由度水平面运动模型，并基于UUV的三自由度水平面运动模型获取领航UUV和跟随UUV的位置信息矩阵、运动状态矩阵，包括以下步骤：

步骤一一、建立UUV的三自由度水平面运动模型，具体为：

首先，建立UUV空间的六自由度运动学模型：

其中，η＝[η

然后，本发明主要研究领航者—跟随者型UUV编队在水平面内的二维运动，此时仅考虑纵向运动、横向运动和艏摇运动。基于UUV编队在水平面内二维运动的背景简化为UUV的三自由度水平面运动学模型：

其中，η＝[x y ψ]

步骤一二、基于步骤一一建立UUV的三自由度水平面运动模型，建立领航UUV和跟随UUV的运动学方程，如下式：

其中，i是跟随UUV编号，l是领航UUV编号，(x

步骤二、如图3所示，领航UUV通过超短基线水声定位系统获取所有跟随UUV的位置信息，领航UUV将自身的运动状态、位置信息以及收集到的跟随UUV的位置信息、运动状态编码调制为水声信号，领航UUV通过水声信道向跟随UUV进行广播；

领航UUV的位置信息为[x

步骤三、跟随UUV接收领航UUV广播的水声信号，然后跟随UUV对接收到的水声信号进行解码，获得领航UUV的运动状态、位置信息以及其他跟随UUV的位置信息、运动状态，具体为：

步骤三一、利用步骤二获得的[x

所述对待测数据集进行预处理，具体为：

对待测数据集中的异常数据进行拉格朗日插值处理，将插值处理后的待测数据集中的数据统一映射到[0,1]区间，获得待测信息数据集；

步骤三二、将步骤三一获得的待测信息数据集输入到通信预测模型中，获得t

其中，t

中为不同时刻的领航UUV的位置信息、领航UUV的运动状态、跟随UUV的坐标、跟随UUV的艏向角。

具体实施方式二：如图4所示，所述通信预测模型，通过以下方式获得：

S1、获取训练集和测试集：

首先，获取跟随UUV和领航UUV的位置信息矩阵、运动状态矩阵，利用跟随UUV和领航UUV的位置信息矩阵、运动状态矩阵中的数据构成原始数据集；

然后，对原始数据集中的异常数据进行拉格朗日插值处理，从而替换异常数据，获得信息数据集，将信息数据集中的数据统一映射到[0,1]区间，获得归一化后的信息数据集；

所述异常数据为：数据错误、缺失、重复等；

最后，将归一化后的信息数据集划分为训练集和测试集；

S2、利用SSA算法对LSTM网络的超参数优化，获得优化后的LSTM网络SSA-LSTM，具体为：

S201、SSA算法参数的初始化

定义麻雀种群的数量和初始位置，划分发现者、加入者和预警者的比例，确定算法的迭代次数、预警值和安全值。

S202、选取适应度值评价指标

将决定系数(R

S203、算法迭代过程

根据SSA算法进行迭代，更新发现者、加入者和预警者的位置。取适应度值前20％为发现者，适应度值20％～90％为加入者，适应度值后10％为预警者。

S204、判断是否满足终止条件

若达到预设的迭代次数即表示满足终止条件，输出当前适应度值(R

S3、利用S1获得的训练集训练S2获得的SSA-LSTM网络，训练好的SSA—LSTM网络：

本步骤，考虑编队尺度不超过50m且编队成员均搭载了较为先进的中央处理器的小型编队，水声声速取1497m/s。超短基线定位系统的询问与应答信号均为脉冲信号，该部分时延忽略不计。领航UUV通过水声信道向跟随UUV传播已编码调制好的声信号，该部分时延与通信数据量、编码调制机制和水声声速有关。此外，两次水声信息交互需要间隔一段时间，以便跟随UUV能够准确地完成信息解码。

基于UUV编队的水下信息交互模式对领航UUV和跟随UUV之间的通信时延进行定量分析，如领航UUV和跟随UUV存在5秒固定的通信时延，即从领航UUV发出询问信号到跟随UUV完成信号解码需要耗费5秒。发生DoS攻击时，领航UUV和跟随UUV之间的通信链路中断，跟随UUV无法正常获取整个编队的信息状态。

假设从t

其中，t

假设在t

其中，t

将

S4、利用验证集对训练好的SSA-LSTM网络进行验证，若验证通过，则将当前训练好的SSA-LSTM网络作为通信预测模型，若验证没有通过，则返回S2重新对LSTM进行优化：

本步骤，选取均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R

其中，a

本例中，若满足：RMSE,MAE<1且R

具体实施方式三：如图2所示，所述领航UUV的控制器，通过以下方式获得：

A1、建立领航UUV的动力学方程：

其中，M

A2、设计控制变量：

其中，η

A3、设置控制输入协议，如下：

其中，N是跟随UUV总数，η

A4、定义系统误差e

其中，t是当前时刻，T

A5、利用控制输入协议、系统误差设计领航UUV的时间触发函数，从而判断控制器何时更新：

其中，0＜ε

控制输入协议τ

T

基于事件触发函数，获取最小事件触发间隔以避免Zeno行为的产生，最小事件触发间隔T

其中，f

A6、基于A5设计的事件触发函数，利用李雅普诺夫稳定性原理对UUV系统的稳定性进行分析，从而证明领航UUV控制器的稳定性，得到以下分析结果：

其中，λ