基于深度學習的軌道交通通信系統數據異常智能檢測

摘 要：為了防止黑客利用技術漏洞攻擊軌道交通通信系統，導致嚴重的軌道交通事故。研究了基于深度學習的神經網絡算法軌道交通車輛通信系統入侵檢測系統（IDS），并利用梯度下降動量（GDM）和自適應增益（GDM/AG）來提高IDS的效率和準確性，并通過使用真實的軌道車輛對所提出模型的準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更快的收斂，并且可以檢測到毫秒級的異常數據。同時，提出的模型可以自適應檢測未知的攻擊，在面對未知攻擊類型時，其準確率及精度均達到98%以上。

關鍵詞：深度學習；軌道交通；通信系統；智能檢測

中圖分類號：

TP272

文獻標志碼：

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

軌道交通通信系統可以實現軌道車輛的高效運行和多種綜合信息服務。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網安全技術。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合的入侵檢測系統［2］。提出了一個新想法，即用PSO生成權重來創建分類器集合，可以進一步提高入侵檢測系統效率［3］。為了解決傳統軌道交通車輛通信系統入侵檢測系統的技術缺陷，需要提高對軌道交通車輛系統未知攻擊的有效檢測。利用深度學習的啟發式搜索特性和強自適應特性，可以實現較高的檢測率，以及較低的異常情況假陽性率［4］。

基于此，將深度神經網絡應用于軌道交通車輛的通信系統。訓練傳統的深度神經網絡模型來提取來自主機的軌道車輛行為數據包的相關特征，并將相應的反向傳播算法與GDM算法和GDM/AG算法相結合來實現網絡的迭代更新過程，進一步提高軌道交通通信系統入侵智能檢測。

1 軌道交通通信系統入侵檢測研究

1.1 通信系統入侵檢測系統（IDS）特點

在實驗環境中設置特定的規則來實現車輛未知攻擊的檢測。規則如下：使用訓練數據集生成相應的入侵檢測模型［5］，然后將測試數據集作為網絡模型的輸入數據，以同樣的方式進行迭代運算，得到相應的誤差值。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置的閾值進行比較，如果相應的錯誤超過了相應的閾值范圍，會將其行為分類為異常類別，并將相應的行為通知通信系統管理員。否則，會進一步認為合法授權的用戶產生了行為，并將其歸類為相應的正常類別。

1.2 深度神經網絡中GDM算法研究

與傳統的神經網絡算法相比，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地改變與其連接的每個節點的增益來改變尋找最優全局解方向，從而提高算法的效率。在傳統的神經網絡中，與目標函數相對應的數學問題通常是找到一組合適的權重向量，這樣在這些權重向量的作用下，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，可以表達為：

minw∈RnE（w）

（1）

在深度神經網絡中，通常使用式（2）來定義誤差函數：

E=12∑K0（y^-y）2

（2）

式中：y為實際值；y^為實驗估計值。在傳統神經網絡中，y^值的計算可以用式（3）表達：

y^=σ（z）=σ（wTX+b）

（3）

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

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）計算權重的梯度下降規則：

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

（6）

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

ΔwLij=ηδLjcLjσL-1j=ηEwLij

（7）

Wnew=Wold+αΔwLj

（8）

1.3 深度神經網絡中的GDM/AG算法研究

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

E=12∑K0（y-ok（oj，ck））2

（9）

ok（z）=11+e-z

（10）

式中：y是實值；ok是網絡第k層節點對應的激活函數的輸出值；wij是連接第i層和第j層對應節點的權重值。

完成前向傳播后，需要對生成的網絡模型進行反向傳播計算［8-9］。利用偏導數ECk計算輸出層K對應的節點，并且利用ECj計算相應的隱藏層J。用于計算增益和更新結果的表達式分別在式（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 仿真結果及討論

2.1 數據集描述

為了驗證所提出的算法能夠加快反向傳播網絡的收斂速度并實現較高的通信系統入侵檢測效率，在某軌道交通車輛CAN總線上收集數據。采集數據的方法是將CAN適配器直接連接到CAN總線上。CAN總線的數據采集設備為KvaserCAN Leaf Light V2。計算機模擬攻擊者對軌道交通車輛發起入侵性的命令攻擊，如欺騙攻擊、總線關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的交通數據。攻擊數據集的構建：

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

（2）總線關閉攻擊：當對一個ID發起總線關閉攻擊時，該ID將從通信系統上消失。通過從收集的數據集中刪除通信系統發送的所有ID1消息來構建攻擊數據集［12-14］。可以進一步模擬對軌道交通通信系統的ID1發起總線關閉攻擊的場景；

（3）偽裝攻擊：由于這種攻擊不改變軌道交通通信系統流量中的ID序列，因此可以用ID2的到達時間來修改ID1的到達時間。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中GDM與GDM/AG算法性能比較結果。

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據的特征，并有效地進行入侵檢測，并且GDM/AG檢測時間可以達到毫秒級別，最快檢測時間為2.87 ms，較GDM算法快11.42%。GDM算法的檢測準確率、召回率、精度和F1分數分別為97.692%、98.22%、98.23%和98.18%。而GDM/AG算法的檢測準確率、召回率、精度和F1分數分別為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據集進行了實驗。在A和B車輛中，依次發起欺騙攻擊、總線關閉攻擊和偽裝攻擊，并將它們組合成3個不同攻擊類型的數據集。評價指標主要包括準確率、精確率、假陽性率（FPR）和假陰性率（FNR）。

表2為深度學習中的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算法的準確率可以達到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。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%，表明很難有未被發現的攻擊信息。對于總線關閉攻擊，準確率可以達到99.84%，精度可以達到99.89%以上，FPR不超過0.11%，FNR只有0.68%。對于偽裝攻擊，GDM/AG算法的準確率為99.17%，精度為99.69%，FPR為0.31%，FNR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流量特征差異（見圖2），進一步反映出入侵攻擊出現時更新入侵檢測系統的重要性。其中 “dis”表示2個數據集之間的MMD距離，dis1及dis2分別表征系統欺騙入侵攻擊及數據欺騙入侵攻擊，dis3及dis4分別表征系統偽裝入侵攻擊及數據偽裝入侵攻擊。圖2的實驗結果表明，屬于同一數據集的2個采樣數據的MMD距離非常小，而不同數據集之間的采樣數據的距離則非常大。因此，當網絡領域的入侵攻擊類型相同時，數據的分布是相似的。但，在不同的網絡領域內，由于入侵攻擊種類的不同，其數據特性在各領域內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，所產生的數據流也會發生變化，從而對軌道車輛的IDS產生影響。

3 結語

隨著互聯網技術與軌道交通的不斷結合，軌道交通通信系統智能入侵檢測關乎軌道交通安全運行。因此鑒于當前軌道交通通信系統面臨的安全問題，提出基于深度神經網絡的方法，以實現對軌道車輛更好的入侵檢測，增強模型的收斂性。通過使用

神經網絡和相應的自適應增益（GDM/AG）算法，可以實現對軌道車輛系統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.基于物聯網的城軌車輛輪對溫度與振動狀態智能監控系統研究［J］.科技風，2023（4）：53-55.

［2］ 張云峰，魏星，諸駿豪，等.基于電力通信動靜態資源的光纜數據監測系統設計［J］.粘接，2022，49（2）：92-96.

［3］ 榮少華，王松浩，歐陽波，濤.基于蜂窩車聯網通信技術的智軌電車車路協同系統設計［J］.控制與信息技術，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錯誤數據注入檢測法［J］.粘接，2023，50（2）：188-192.

［5］ 賀莉娜，郭澤闊.基于人工智能和大數據的城市軌道交通智能化運維生態系統研究［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劃設計研究［J］.網絡安全技術與應用，2022（4）：118-121.

［7］ 蘇菠，姜軍，張志偉，等.基于連續視頻分析的化學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設計與實現［J］.粘接，2021，46（6）：187-190.

［9］ 拓應全.基于網絡技術的井下無軌膠輪車交通管控系統設計優化［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無線通信方案研究［J］.鐵道通信信號，2022，58（1）：66-70.

［11］ 廖云.基于大數據平臺的城市軌道交通多專業智能運維系統構建探討［J］.控制與信息技術，2021（5）：1-5.

［12］ 白廣爭，馮浩楠，滕達，等.城市軌道交通CBTC智能故障分析系統設計［J］.鐵道運輸與經濟，2021，43（8）：112-118.

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

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

［15］ 田新宇，魏世斌，趙延峰，等.城市軌道交通基礎設施綜合檢測列車創新技術［J］.現代城市軌道交通，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設計與實現［J］.粘接，2021，45（1）：90-92.