原文传递
基于增量学习的动态驾驶员身份认证技术研究
| 论文题名： | 基于增量学习的动态驾驶员身份认证技术研究 |
| 关键词： | 智能网联汽车;身份认证;驾驶员身份认证;驾驶员行为特征;增量学习 |
| 摘要： | 在过去的几十年中，人工智能，5G通信，边缘计算等技术的飞速发展极大地丰富了智能网联汽车(IntelligentandConnectedVehicles，ICVs)的功能，为人们带来了舒适的出行体验。然而，多样化的功能离不开大量的接入设备和频繁的数据交换，ICVs与外部设备联系更加紧密的同时，攻击者也有更多途径入侵ICVs，进而远程控制或盗取汽车。为此，研究人员提出了基于驾驶员行为的身份认证方案，确保ICVs在行驶时由指定的驾驶员驾驶，在保护车主行车安全、财产安全等方面具有重要意义。 目前，学术界对于驾驶员身份认证的研究主要分为两大部分，一部分研究驾驶员行为特征数据提取，从数据来源方面提高驾驶员身份认证结果的准确率和实用性。另一部分研究驾驶员身份认证模型构建，使用更加高效的算法提升认证结果的精度。然而，这些现有的研究大多基于驾驶员数量固定的静态场景，并且只关注驾驶员身份认证方案的认证准确率，在待认证驾驶员不断加入认证模型的动态场景中，这些方案不仅需要额外空间存储模型内已有驾驶员的行为数据，还需在新驾驶员加入模型时重新训练整个认证模型，耗费大量空间和时间资源。本文从现有驾驶员身份认证方案的局限性出发，研究动态场景下的驾驶员身份认证问题，并首次提出一种基于增量学习的动态驾驶员身份认证方案。本文的主要研究内容概括如下: (1)本文提出了一种可靠的驾驶员行为识别和行为特征提取方法，并设计实验进行了验证。现有方案大多从汽车模拟器、外接传感器或固定汽车厂商提供的文档中获取驾驶员行为数据，与这些方案不同，本文从两辆真实的汽车中获取CAN总线数据，通过逆向工程解析CAN帧，识别驾驶员行为，根据识别结果构建可靠的驾驶员行为特征数据组。 (2)基于对动态场景下驾驶员身份认证工作的分析，本文首次提出了一种基于增量学习的动态驾驶员身份认证方案:D-DriverID，认证驾驶员是否为授权驾驶员并进一步识别授权驾驶员身份。D-DriverID不需要存储已在认证模型中的驾驶员的数据，在新驾驶员加入模型时，动态调整模型结构，高效完成模型重训练过程。 (3)为了验证D-DriverID在动态场景中的优势，本文使用两种经典驾驶员身份认证方案和两种动态驾驶员身份认证方案与D-DriverID进行对比实验。实验结果表明，D-DriverID在空间和时间利用率上显著优于现有驾驶员身份认证方案，与同类动态认证方案相比可以更好地对抗灾难性遗忘问题，更适合在现实动态场景中应用。 |
| 作者： | 郭威 |
| 专业： | 计算机技术 |
| 导师： | 郭鸿志;杨剑征 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西安电子科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
