Event-Driven Safe and Resilient Control of Automated and Human-Driven Vehicles under EU-FDI Attacks

Diese Arbeit stellt einen ereignisgesteuerten, sicheren und resilienten Regelungsrahmen vor, der auf adaptiven Angriffstoleranzmechanismen, datengesteuerten Schätzungen des Verhaltens menschlicher Fahrer und der Integration von Control Barrier Functions sowie Control Lyapunov Functions basiert, um automatisierte Fahrzeuge in gemischtem Verkehr auch unter exponentiell unbeschränkten False-Data-Injection-Angriffen kollisionsfrei und stabil zu steuern.

Das Wesentliche

Stellen Sie sich vor, Sie fahren auf einer belebten Autobahn. Neben Ihnen sind zwei Dinge:

1. Ein selbstfahrendes Auto (CAV): Ein hochmodernes Fahrzeug, das alles berechnet und perfekt fahren soll.
2. Ein menschlicher Fahrer (HDV): Ein normaler Mensch, der mal schnell bremst, mal beschleunigt und manchmal unvorhersehbar ist.

Jetzt kommt das Problem: Ein Hacker greift an.

Dieser Hacker schickt falsche Signale an das selbstfahrende Auto. Er sagt dem Auto zum Beispiel: „Drücke das Gaspedal extrem fest!" oder „Bremse sofort!", obwohl das gar nicht nötig ist. Das ist wie ein böser Geist, der die Tastatur des Computers des Autos kaputt macht. In der Fachsprache nennt man das EU-FDI-Angriffe (exponentiell unbeschränkte Falschdaten-Injektion). Das bedeutet, die falschen Signale werden mit der Zeit immer stärker und größer, wie eine Lawine.

Das Problem der bisherigen Lösungen

Bisher gab es zwei Arten, Autos zu steuern, aber beide hatten Schwächen:

• Die „Sicherheits-Experten": Diese Programme sagen: „Halte Abstand, damit wir nicht zusammenstoßen!" Aber sie gehen davon aus, dass das Auto genau das tut, was es soll. Wenn der Hacker das Gaspedal kaputt macht, verlieren diese Programme den Überblick und das Auto könnte trotzdem einen Unfall bauen.
• Die „Robustheits-Experten": Diese Programme sagen: „Ignoriere die Hacker, wir sind stark!" Aber sie kümmern sich oft nicht genug um den Abstand zu anderen Autos. Sie könnten also einen Hacker überstehen, aber dann gegen einen menschlichen Fahrer prallen.

Die neue Lösung: Der „EDSR"-Rettungsschirm

Die Autoren dieses Papiers haben eine neue Methode entwickelt, die wir EDSR nennen. Man kann sich das wie einen super-intelligenten Co-Piloten vorstellen, der zwei Hütchen gleichzeitig aufsetzt:

1. Der „Wachsame Wächter" (Sicherheit): Er schaut ständig auf den menschlichen Fahrer nebenan. Aber er ist nicht starr. Er nutzt eine Daten-Intelligenz, um zu erraten, was der menschliche Fahrer als Nächstes tut, auch wenn er verrückt fährt.
2. Der „Anti-Hacker-Filter" (Resilienz): Wenn der Hacker versucht, das Gaspedal zu manipulieren, erkennt der Filter sofort: „Hey, das Signal ist zu stark! Das ist kein normales Fahren!" Er berechnet dann eine Gegenkraft, die den Hacker-Signalen genau entgegengesetzt ist. Es ist, als würde man gegen einen starken Wind ankämpfen, indem man sich genau so stark gegen den Wind lehnt, dass man trotzdem geradeaus läuft.

Das „Event-Driven"-Geheimnis (Der sparsame Timer)

Normalerweise müssen Computer in Autos jede Millisekunde alles neu berechnen. Das ist anstrengend und verbraucht viel Energie.
Diese neue Methode nutzt einen intelligenten Timer (Event-Driven).

• Stellen Sie sich einen Wachmann vor: Ein dummer Wachmann schaut jede Sekunde auf die Uhr und kontrolliert alles. Ein smarter Wachmann (unser System) sagt: „Alles ruhig? Dann schlafe ich kurz. Aber sobald sich etwas bewegt (ein Ereignis), wache ich sofort auf und handle."
• Das spart Rechenleistung und macht das System schneller und effizienter, ohne die Sicherheit zu gefährden.

Was passiert im Test?

Die Autoren haben das in einer Simulation getestet, die wie eine schlimmstmögliche Situation aussah:

• Ein selbstfahrendes Auto will überholen.
• Ein menschlicher Fahrer daneben macht unvorhersehbare Manöver.
• Ein Hacker versucht, das Auto zu zerstören, indem er die Geschwindigkeit verrückt macht.

Das Ergebnis:

• Mit der neuen Methode (EDSR): Das Auto überholt sicher, hält den Abstand zum menschlichen Fahrer und ignoriert die Hacker-Signale. Es fährt ruhig und stabil weiter.
• Mit den alten Methoden: Das alte System geriet in Panik. Es bremste abrupt oder beschleunigte wild, weil es die Hacker-Signale nicht kompensieren konnte. Der Abstand zum anderen Auto wurde zu klein – Gefahr eines Unfalls!

Zusammenfassung für den Alltag

Stellen Sie sich vor, Sie fahren mit einem selbstfahrenden Taxi durch den Stau. Ein Hacker versucht, das Taxi zu steuern, damit es gegen Sie fährt.

• Die alte Technologie würde sagen: „Ich bin sicher, solange niemand mich hackt" -> Unfall.
• Die neue Technologie (EDSR) sagt: „Ich sehe, dass jemand versucht, mich zu steuern. Ich korrigiere das sofort, schaue mir den chaotischen Fahrer nebenan an und passe meine Geschwindigkeit so an, dass wir alle sicher bleiben."

Dieses Papier beweist also, dass wir Autos bauen können, die nicht nur „sicher" sind, sondern auch „unverwundbar" gegen digitale Angriffe, selbst wenn sie mit chaotischen menschlichen Fahrern auf der Straße interagieren.

Technische Zusammenfassung

1. Problemstellung

Das Paper adressiert die Herausforderung der sicheren und widerstandsfähigen Steuerung von vernetzten und automatisierten Fahrzeugen (CAVs), die in gemischten Verkehrsumgebungen mit menschlich geführten Fahrzeugen (HDVs) interagieren. Der Fokus liegt auf zwei kritischen Unsicherheiten:

• Unbekannte HDV-Dynamik: Das Verhalten von menschlichen Fahrern ist nichtlinear, unsicher und oft unbekannt.
• Exponentiell unbeschränkte False-Data-Injection-Angriffe (EU-FDI): Es wird angenommen, dass Angreifer die Beschleunigungseingaben der CAVs manipulieren. Diese Angriffe wachsen exponentiell an ($\eta e^{\kappa t}$) und stellen eine Worst-Case-Szenario dar, das herkömmliche Sicherheitsannahmen (die oft von beschränkten Störungen ausgehen) invalidiert.

Das Hauptproblem besteht darin, dass bestehende resiliente Kontrollstrategien oft Kollisionsvermeidung ignorieren, während sicherheitskritische Ansätze (wie Control Barrier Functions, CBFs) oft von nominalen Betriebsbedingungen ausgehen und bei EU-FDI-Angriffen ihre mathematische Gültigkeit verlieren. Insbesondere führt ein exponentiell wachsender Angriff zu einer schnellen Diskrepanz zwischen dem modellierten und dem tatsächlichen Systemverhalten, was die Lösbarkeit der quadratischen Programme (QP) für die Sicherheit gefährdet und die Vorwärtsinvarianz der sicheren Menge zerstört.

2. Methodik

Die Autoren schlagen einen Event-Driven Safe and Resilient (EDSR) Kontrollrahmen vor, der folgende Komponenten integriert:

• Adaptive Schätzung von HDV-Verhalten: Da die Dynamik der HDVs unbekannt ist, wird ein adaptives nichtlineares System verwendet, um den Zustand des menschlichen Fahrzeugs in Echtzeit zu schätzen. Die Schätzfehler werden durch adaptive Parameter korrigiert, um die Konservativität der Sicherheitsbedingungen zu minimieren.
• Event-Driven Control Barrier Functions (CBF) & Control Lyapunov Functions (CLF):
  • CBFs werden verwendet, um harte Sicherheitsbedingungen (Kollisionsvermeidung) zu garantieren. Der Rahmen wurde neu gestaltet, um auch unter EU-FDI-Angriffen gültig zu bleiben.
  • CLFs kodieren weiche Leistungsziele wie Spurhaltung und Geschwindigkeitsregelung.
  • Ein Event-Triggering-Mechanismus löst die Optimierung (QP) nur dann aus, wenn bestimmte Schwellenwerte für Schätzfehler oder Zustandsabweichungen überschritten werden. Dies reduziert die Rechenlast im Vergleich zu zeitdiskreten Ansätzen.
• Adaptive Angriffsresiliente Kompensation:
  • Um den EU-FDI-Angriff $\gamma(t)$ zu kompensieren, wird ein adaptiver Kompensationsmechanismus eingeführt.
  • Der Steuereingabe wird ein Signal $\hat{\gamma}(t)$ hinzugefügt, das auf dem Geschwindigkeitsregelungsfehler $\varepsilon(t)$ und einem adaptiven Parameter $\hat{\rho}(t)$ basiert.
  • Dieser Mechanismus schätzt und kompensiert den Angriff basierend auf beobachtbaren Größen, ohne die Angriffsstruktur explizit identifizieren zu müssen.
• Optimierungsproblem: Das Steuerungsproblem wird als quadratisches Programm (QP) formuliert, das den Energieverbrauch minimiert und gleichzeitig die CBF- und CLF-Bedingungen unter Berücksichtigung der adaptiven Kompensation erfüllt.

3. Hauptbeiträge

1. Erste Lösung für den Verlust der CBF-Gültigkeit unter EU-FDI: Das Paper ist das erste, das die spezifische Problematik identifiziert, dass herkömmliche Event-Driven-CBF-Methoden unter exponentiell unbeschränkten Angriffen ihre mathematische Gültigkeit verlieren, und bietet eine neu gestaltete Sicherheitsmechanik, die dies überwindet.
2. Integration von Sicherheit und Resilienz: Der EDSR-Rahmen kombiniert sicherheitskritische Optimierung (CBF/CLF) mit adaptiver Angriffsresilienz, um sowohl Kollisionsfreiheit als auch Stabilität in unsicheren gemischten Verkehrsszenarien zu garantieren.
3. Beweis der Uniformen Endlichen Beschränktheit (UUB): Es wird mathematisch bewiesen, dass der Geschwindigkeitsregelungsfehler unter EU-FDI-Angriffen uniformly ultimately bounded (UUB) bleibt, was Stabilität garantiert.
4. Reduzierung der Rechenlast: Durch den Event-Driven-Ansatz wird die Notwendigkeit einer kontinuierlichen QP-Lösung eliminiert, was für Echtzeitanwendungen in Fahrzeugen entscheidend ist.

4. Simulationsergebnisse

Die Ergebnisse wurden in einem Worst-Case-Szenario (Überholmanöver auf der Autobahn mit HDVs und EU-FDI-Angriffen) validiert:

• Erfolg des EDSR-Rahmens: Die CAVs konnten das Spurwechselmanöver erfolgreich und kollisionsfrei durchführen. Die Sicherheitsbedingungen ($b_{i,j} \ge 0$) blieben während des gesamten Manövers positiv, und die Geschwindigkeitsfehler blieben stabil und begrenzt, trotz exponentiell wachsender Angriffe.
• Vergleich mit herkömmlichen Methoden (Referenz [20]):
  • Ein Vergleich mit einem herkömmlichen Event-Driven-CBF-Ansatz ohne Angriffsresilienz zeigte katastrophales Versagen.
  • Ohne Kompensation führte der Angriff dazu, dass die Sicherheitsbedingungen verletzt wurden (die Distanz zum HDV wurde negativ, $b_{B,H} < 0$), was zu einem Kollisionsrisiko führte.
  • Das System reagierte mit extremen, unpraktischen Manövern (starkes Bremsen oder Beschleunigen), was die Fahrstabilität zerstörte und das Manöver vorzeitig abbrach.

5. Bedeutung und Fazit

Dieses Paper liefert einen entscheidenden Fortschritt für die Sicherheit von CAVs in realen, feindseligen Umgebungen. Es zeigt, dass reine Sicherheitsalgorithmen (CBF) ohne Resilienzmechanismen bei fortgeschrittenen Cyberangriffen versagen können. Der vorgeschlagene EDSR-Rahmen demonstriert, wie man durch die Kombination von datengestützter Schätzung, adaptiver Kompensation und Event-Triggering sowohl die Rechenkomplexität reduziert als auch mathematisch fundierte Sicherheitsgarantien auch unter extremen Angriffsbedingungen aufrechterhält. Dies ist ein wesentlicher Schritt hin zu robusten und vertrauenswürdigen autonomen Fahrsystemen in gemischtem Verkehr.