姜明宇，張翠平，金子瀟

（北京信息科技大學 計算機學院，北京 100101）

0 引 言

隨著交通智能化、自動化的快速發(fā)展，自動駕駛已經(jīng)是未來交通系統(tǒng)的重要組成部分，其在減少尾氣排放、交通擁堵與交通事故方面有巨大潛力。而有關(guān)自動駕駛安全性研究一直是學術(shù)界和工業(yè)界共同關(guān)注的熱點課題。實際上，交通安全與人民的生產(chǎn)生活密切相關(guān)。但是，作為一項復(fù)雜工程，自動駕駛技術(shù)嚴重依賴于移動互聯(lián)網(wǎng)，這就使其也有可能成為網(wǎng)絡(luò)攻擊的一個對象。因此，研究自動駕駛環(huán)境下的網(wǎng)絡(luò)安全預(yù)警系統(tǒng)具有重要的實際意義。

當前，針對自動駕駛環(huán)境下的安全風險方面已經(jīng)有一些研究。呂穎等人針對自動駕駛車輛項目開發(fā)特點，提出一種結(jié)合通用軟件開發(fā)過程標準與敏捷開發(fā)過程的面向汽車自動駕駛軟件安全開發(fā)的流程，并應(yīng)用在實際自主軟件開發(fā)項目中。代珊珊等人提出了一種基于動作約束的軟行動者-評論家算法對環(huán)境獎賞進行了合理限制，使無人車盡量避免陷入危險狀態(tài)。結(jié)果表明，引入安全機制的CSAC方法可以有效避開不安全動作，提高自動駕駛過程中的穩(wěn)定性。陳吉清等人基于國家車輛事故深度調(diào)查體系中的事故數(shù)據(jù)，根據(jù)交通環(huán)境要素和測試車輛基礎(chǔ)信息選取了若干場景要素，通過聚類分析方法對車輛交通事故數(shù)據(jù)進行了分析，提出并分析了危險事故特征。但是，這些內(nèi)容都是針對自動駕駛車輛在常規(guī)行駛過程中遇到的安全風險展開研究。實際上，黑客攻擊一直都是網(wǎng)聯(lián)環(huán)境安全的重要風險因素。對于自動駕駛環(huán)境下黑客攻擊的交通流演化特性，研究者們從數(shù)值模擬和解析分析的角度進行了研究，但是卻并未根據(jù)這些特性進行系統(tǒng)設(shè)計與開發(fā)?；诖耍疚膭t是在自動駕駛環(huán)境下針對黑客攻擊來進行安全預(yù)警研究，并進一步就系統(tǒng)設(shè)計與開發(fā)給出了有效解決方案。以期從實際應(yīng)用的角度為國內(nèi)無人駕駛安全風險研究提供有益參考。

1 車輛跟馳模型

在Li等人的研究中，使用了PATH模型。為使得論文具有更好的完整性和可讀性，簡要介紹PATH模型如下：

其中，e表示目標車輛間隙誤差；e′表示間隙誤差導數(shù)；x表示前面1車的位置；x表示目標車輛位置；L表示1車的長度；t表示當前設(shè)置的時間間隔；v表示目標車輛的速度；v表示前一次迭代中目標車輛的速度；k和k為模型系數(shù)，在研究中分別為0.45，0.25；表示迭代時間步長。

該模型有物理學理論依據(jù)，有一定的參考價值。但是，在實際情況中，可能還有其他因素會對數(shù)據(jù)造成影響。

2 風險識別

指標RCRI（Rear-end collision risk indexes）建立了縱向安全與車輛動態(tài)行駛軌跡數(shù)據(jù)間的關(guān)系。在Ye等人的研究中，使用了基于安全停止距離的指標，此處需用到的數(shù)學公式如下：

其中，SSD表示前車停車距離；表示前車與后車間隙距離；v表示前車速度；d表示減速率；SSD表示后車停車距離；v表示后車速度；t表示延時。

基于此，在生成IDM模型的模擬數(shù)據(jù)中，可根據(jù)車輛類型標記，帶入不同的延時參數(shù)，計算各個迭代周期內(nèi)的，即各個迭代周期內(nèi)的碰撞風險指數(shù)。

3 安全預(yù)警

本文的研究目標就是采用基于的預(yù)警。與傳統(tǒng)的基于閾值的預(yù)警方式不同，基于的預(yù)警可能對針對位置數(shù)據(jù)的攻擊以及攻擊程度較輕、但受攻擊車輛較多的情況有更可靠的表現(xiàn)。

根據(jù)Li等人的研究結(jié)論可知，較低嚴重程度的攻擊可能對大多數(shù)車輛造成影響，從而導致單一某一輛車的風險比例下降，因此，針對位置數(shù)據(jù)的攻擊可能比針對速度數(shù)據(jù)的攻擊影響更大。另外，在更多的車輛受到低嚴重程度的攻擊時，情況可能比更少的車輛受到較高嚴重程度的攻擊時更加嚴重。這就意味著黑客可能對多輛智能網(wǎng)聯(lián)汽車發(fā)起低嚴重程度的攻擊，其嚴重程度依然不小。但在這種情況下，傳統(tǒng)的基于閾值的預(yù)警系統(tǒng)可能無法觸發(fā)預(yù)警，因為攻擊的嚴重程度并未達到閾值。而基于的預(yù)警系統(tǒng)就可以有效應(yīng)對這種情況發(fā)出預(yù)警。

4 UI設(shè)計與實現(xiàn)

本系統(tǒng)開發(fā)基于Qt開發(fā)框架、OpenGL圖形庫與QChart圖表組件。

Qt是一個跨平臺的C++圖形用戶界面應(yīng)用程序開發(fā)框架。PyQt是Qt的Python綁定。使用PyQt5，可以在Qt Designer中通過拖動快捷的以面向?qū)ο蟮姆绞綐?gòu)建UI，再使用PyQt5提供的工具編譯為Python代碼，即可通過Python進行調(diào)用。

OpenGL是一個用于渲染2D、3D圖形的開放圖形庫，利用圖形加速硬件得以高效實現(xiàn)，支持多種平臺，傳入模型數(shù)據(jù)，使用GLSL語言編寫著色器程序，即可渲染2D/3D圖形（參見圖1）。PyOpenGL是對應(yīng)的Python綁定，支持通過Python調(diào)用接口函數(shù)來高效渲染圖形。

圖1 OpenGL渲染3D圖像示例Fig.1 An example of rendering 3D images by OpenGL

QChart是一個易用的圖表組件，可通過簡單的接口調(diào)用，就能快速實現(xiàn)如折線圖、柱狀圖、雷達圖、餅圖等圖表。

UI示例如圖2所示。在圖2的預(yù)警系統(tǒng)UI中，左邊部分使用PyOpenGL實時多線程渲染每一個模型，可視化顯示周圍行車信息。在模型渲染區(qū)域上方，疊加QPainter渲染層，顯示當前車輛的速度、轉(zhuǎn)向指示等基本信息。

圖2 UI示例Fig.2 The example of UI

UI右邊部分為數(shù)據(jù)可視化區(qū)域，包含著網(wǎng)絡(luò)狀況、車流密度、速度、跟車間隙等關(guān)乎安全的信息，在數(shù)據(jù)圖中間，放大的數(shù)據(jù)圖顯示最終計算的，這是主要的預(yù)警基礎(chǔ)，下面亦會提及。除此之外，數(shù)據(jù)圖表還支持基本的交互，如互換位置實現(xiàn)不同數(shù)據(jù)的放大顯示、某一個數(shù)據(jù)圖表的單獨放大顯示。

在UI設(shè)計中，最基本的實現(xiàn)預(yù)警的方法就是視覺預(yù)警。在數(shù)據(jù)圖表部分，通過簡單的顏色變換，實現(xiàn)了基本的視覺預(yù)警，以滿足研究階段驗證系統(tǒng)可行性的需求。在實際應(yīng)用中，還可以根據(jù)硬件條件，結(jié)合其他領(lǐng)域的方法，實現(xiàn)聲音預(yù)警、觸覺預(yù)警等。

5 結(jié)束語

在本次的研究中，設(shè)計了一個自動駕駛環(huán)境下的網(wǎng)絡(luò)安全預(yù)警系統(tǒng)，并實現(xiàn)了基本的視覺預(yù)警以測試系統(tǒng)基本可行性。但實際應(yīng)用中，僅研發(fā)出視覺預(yù)警還遠遠不夠，預(yù)警方式也并非本次研究的重點，論文在研究中主要是進行了跟馳模型的建立、以及從識別風險到發(fā)出預(yù)警的技術(shù)實現(xiàn)。將來，還要結(jié)合人機交互學、生物學、生理學等方面的經(jīng)驗對預(yù)警方式進行研究。