1. 定义行为模式

正常的小车的行为模式和错误小车的行为模式；

思路：我们将模型的输出分为两类——预测值和分类概率分布，两者同时决定设备身份验证结果

预测值：我们每隔k时刻取${t_{1},t_{2},t_{3},...,t_{n}}$时刻的小车数据时空位置和电量。我们用$t_{1},t_{2},t_{3},...,t_{n-1}$时刻的数据进行训练，预测第$t_{n}$时刻的数据

分类概率：我们将五种状态进行one-hot编码：

• 运行 10000
• 待料 01000
• 封存 00100
• 检修 00010
• 没电 00001

要求:

正样本状态是运行状态和待料状态(等待6秒)

负样本产生三种错误状态: 封存 、检修 、没电三种错误状态.同时三种错误状态对应不同的错误数据，封存状态数据是不同时刻位置状态和初始状态相同，检修状态是位移到某个随即时刻后不再移动，有电量，没电状态是某个时刻后不再移动，电量为0.

2. 生成数据用于迁移学习

2.1. Dataset.py

由于无人机数据新增z轴坐标，因此我们生成的数据应该是四个维度：X, Y, Z, Power，为此我们需要将生成数据的函数进行重写：

generate_car_data: 新增z轴始终为0
generate_forklift_data: 新增z轴始终为0
generate_uav_data：新增z轴不为0

同时Model 也需要改变输入input_size=4

2.2 route.py

同时为了叉车和无人机的数据，我们为其设计了新的路线:

• 无人车的路线代号1-3:
• 智能叉车路线代号4-8:
• 无人机的路线代号9-12:

3. 代码介绍

3.1 Dataset.py

本文档解释了如何生成不同类型车辆（如小车、叉车、无人机）的模拟数据，并展示它们在不同状态下的操作情况。代码能够生成用于训练和测试的数据集，并输出不同状态的样本。

3.1.1. generate_car_data()

该函数生成小车的模拟数据，包括“运行”、“待料”、“封存”、“检修”和“没电”等多种操作状态。每辆车的轨迹基于随机选择的路线进行计算，具体步骤如下：

1. 数据初始化：为每辆小车初始化位置、速度、状态和电量等参数。

2. 状态生成：

   • 正样本（运行或待料状态）：
     • 运行状态：小车根据恒定速度移动，电量随位移消耗逐渐减少。
     • 待料状态：小车在随机时间段内停止移动，等待装车后继续行驶。
   • 负样本（封存、检修、没电状态）：
     • 封存状态：小车停止移动，电量保持不变。
     • 检修状态：小车在某一随机时刻停止运行，并保持在停止位置。
     • 没电状态：小车在电量耗尽时停止运行，电量逐渐归零。

3. 返回结果：函数返回包含车辆位置、电量等信息的数据集，以及车辆设备指纹等信息。

3.1.2. generate_forklift_data() 和 generate_uav_data()

与 generate_car_data() 类似，generate_forklift_data() 和 generate_uav_data() 分别用于生成叉车和无人机的模拟数据，流程基本相同，但路线和速度的计算有所不同。

3.2 device.py

本项目的主要目标是生成包含静态和动态信息的无人车数据，并基于设备指纹生成公私钥对。以下是项目的详细介绍：

主要功能

• 生成设备指纹
• 生成RSA密钥对
• 生成无人车数据
• 获取特定属性
• 修改特定属性

属性分类：

静态属性、动态属性、设备指纹、公私钥

• 静态属性：

属性名	类型	描述
id	字符串	唯一标识符，由UUID生成
name	字符串	无人车的名称
manufacturer	字符串	制造商名称
device_type	字符串	设备类型，例如：car
warranty_period	整数	保修期，以月为单位
os	字符串	操作系统
os_version	字符串	操作系统版本
machine	字符串	机器类型（硬件信息）
processor	字符串	处理器信息
hostname	字符串	主机名
ip_address	字符串	IP 地址
mac_address	字符串	MAC 地址

示例：

{
    "id": "f47ac10b-58cc-4372-a567-0e02b2c3d479",
    "name": "car_123",
    "manufacturer": "manufacturer_456",
    "device_type": "car",
    "warranty_period": 12,
    "os": "Linux",
    "os_version": "5.4.0-74-generic",
    "machine": "x86_64",
    "processor": "Intel(R) Core(TM) i7-8650U CPU @ 1.90GHz",
    "hostname": "car-hostname",
    "ip_address": "192.168.1.10",
    "mac_address": "00:1A:2B:3C:4D:5E"
}

• 动态属性

属性名	类型	描述
position	元组 (浮点数, 浮点数)	无人车的当前位置
speed	浮点数	无人车的速度
power	整数	无人车的电量
route	整数	无人车当前的路线编号
permissions	列表（字符串）	无人车的权限，例如：['admin', 'operator']
frequence	整数	无人车数据更新的频率，以秒为单位

示例：

{
    "position": [52.3765, 4.8945],
    "speed": 8.5,
    "power": 85,
    "route": 2,
    "permissions": ["admin", "viewer"],
    "frequence": 10
}

全部属性完整示例：

{
    "static_info": {
        "id": "f47ac10b-58cc-4372-a567-0e02b2c3d479",
        "name": "car_123",
        "manufacturer": "manufacturer_456",
        "device_type": "car",
        "warranty_period": 12,
        "os": "Linux",
        "os_version": "5.4.0-74-generic",
        "machine": "x86_64",
        "processor": "Intel(R) Core(TM) i7-8650U CPU @ 1.90GHz",
        "hostname": "car-hostname",
        "ip_address": "192.168.1.10",
        "mac_address": "00:1A:2B:3C:4D:5E"
    },
    "dynamic_info": {
        "position": [52.3765, 4.8945],
        "speed": 8.5,
        "power": 85,
        "route": 2,
        "permissions": ["admin", "viewer"],
        "frequence": 10
    },
    "fingerprint": "a9b7ba70783b617e9998dc4dd82eb3c5",
    "private_key": "-----BEGIN PRIVATE KEY-----\nMIIE... (省略) ...QAB\n-----END PRIVATE KEY-----",
    "public_key": "-----BEGIN PUBLIC KEY-----\nMIIBIj... (省略) ...wIDAQAB\n-----END PUBLIC KEY-----"
}

3.3 train_test_model.py

利用无人车数据对初始化的LSTM进行训练和预测

3.4 devicefinger_test.py

和设备指纹进行对比

3.5 cloud_edge_client.py

该项目基于LSTM模型实现了云端、边端和小车设备的协同工作流程。通过不同的进程分别模拟云端、边端和小车的行为，演示了如何在分布式环境中进行模型训练、微调、测试及设备验证。

该系统包含三个主要的进程：

1. 云端进程：负责模型的初始化、训练以及微调，并与边端设备进行数据交换。
2. 边端进程：接收云端的模型数据，使用接收到的小车数据进行模型测试，并将结果传回云端。
3. 小车进程：生成测试数据并将其发送给边端设备进行模型测试。

系统通过Socket通信实现各进程之间的数据传输，模拟了云端和边端之间的协同工作流程。

云端-边端-小车 三进程通信流程图

graph TD
    subgraph 云端进程
    A1[初始化LSTM模型] --> A2[训练数据]
    A2 --> A3[训练模型]
    A3 --> A4[等待边端连接]
    A4 --> A5[发送模型到边端]
    A5 --> A6[接收边端的测试数据]
    A6 --> A7[微调模型并保存]
    A7 --> A8[继续测试]
    end

    subgraph 边端进程
    B1[连接云端] --> B2[接收LSTM模型]
    B2 --> B3[等待小车发送测试数据]
    B3[等待小车发送测试数据] --> B4[接收测试数据]
    B4 --> B5[使用模型进行测试]
    B5 --> B6[将测试数据发送回云端]
    end

    subgraph 小车进程
    C1[生成测试数据] --> C2[等待连接边端]
    C2 --> C3[发送测试数据到边端]
    end

    B1 -->|连接成功| A4
    A5 -->|开始发送| B2
    C2 -->|连接成功| B3
    B6 -->|发送测试结果| A6
    C3 -->|发送测试数据| B4

Loading

3.6 transfer_learning.py

本项目通过LSTM模型进行不同类型设备（如叉车和无人机）的智能控制模型训练、微调和测试。系统采用迁移学习的方式，首先训练小车模型，然后将其用于叉车和无人机，并通过微调进行性能优化。

项目包含以下主要步骤：

1. 生成叉车和无人机的数据集：训练集、测试集、微调数据集
2. 重新训练叉车和无人机的模型进行测试
3. 直接使用小车模型测试叉车和无人机
4. 微调小车模型用于叉车和无人机进行测试

3.7 package

时间:2024.11.6

当来一个输入是0时，表明是身份真实的设备，然后给它生成真实设备的属性，并通过封装的模型，输出验证结果0或1；当来一个输入是1时，表明是身份不真实的设备，然后给它生成不真实设备的属性，并通过封装的模型，输出验证结果0或1。