基于混淆的自动驾驶仿真测试场景数据保护方法

doi:10.11772/j.issn.1001-9081.2025050548

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (4): 1104-1114.DOI: 10.11772/j.issn.1001-9081.2025050548

基于混淆的自动驾驶仿真测试场景数据保护方法

彭海洋¹, 刘天阳¹, 计卫星²(), 刘法旺³

^1.北京理工大学计算机学院，北京 100081
^2.北京师范大学人工智能学院，北京 100875
^3.工业和信息化部装备工业发展中心，北京 100846

收稿日期:2025-05-19 修回日期:2025-07-18 接受日期:2025-07-25 发布日期:2025-08-01 出版日期:2026-04-10
通讯作者: 计卫星
作者简介:彭海洋（2000—），男，重庆人，硕士研究生，主要研究方向：自动驾驶仿真测试
刘天阳（1995—），女，河北保定人，博士研究生，主要研究方向：程序分析与优化、软件缺陷库构建
刘法旺（1981—），男，河南信阳人，正高级工程师，博士，主要研究方向：智能网联汽车。
基金资助:
新一代人工智能国家科技重大专项(2022ZD0116311)

Obfuscation-based protection method for scenario data in autonomous driving simulation testing

Haiyang PENG¹, Tianyang LIU¹, Weixing JI²(), Fawang LIU³

^1.School of Computer Science and Technology，Beijing Institute of Technology，Beijing 100081，China
^2.School of Artificial Intelligence，Beijing Normal University，Beijing 100875，China
^3.Equipment Industry Development Center，Ministry of Industry and Information Technology，Beijing 100846，China

Received:2025-05-19 Revised:2025-07-18 Accepted:2025-07-25 Online:2025-08-01 Published:2026-04-10
Contact: Weixing JI
About author:PENG Haiyang， born in 2000， M. S. candidate. His research interests include autonomous driving simulation testing.
LIU Tianyang， born in 1995， Ph. D. candidate. Her research interests include program analysis and optimization， software defect repository construction.
LIU Fawang， born in 1981， Ph. D.， senior engineer. His research interests include intelligent connected vehicles.
Supported by:
New Generation Artificial Intelligence National Science and Technology Major Project(2022ZD0116311)

摘要/Abstract

摘要：

仿真测试是验证自动驾驶系统安全性和可靠性的重要技术之一。针对该过程中由场景数据明文共享使用导致的数据泄漏问题，提出一种针对场景数据的混淆保护方法。该方法包括数据重编码、命名替换、顺序扰乱、标签重构、触发条件混淆及事件混淆等混淆方法，并按混淆强度划分3个混淆等级，从而在不影响仿真测试结果的情况下提高场景数据的安全性。实验结果表明，混淆后的场景数据在仿真结果上与原始数据基本一致，误差在合理范围内，且随着混淆等级的提高，数据保护程度逐渐增强。一级和二级混淆方法对仿真效率无显著影响，三级混淆方法虽引入了一定的额外计算开销，但仍保持在合理范围内。整体上，三级混淆方法体系能够在保持合理的仿真性能的基础上，有效防止数据泄漏，为自动驾驶仿真测试场景数据保护提供可行的解决方案。

关键词: 自动驾驶, 仿真测试, OpenScenario, 数据安全, 数据混淆

Abstract:

Simulation testing is a critical technology for verifying the safety and reliability of autonomous driving systems. To address the data leakage caused by plaintext shared use of scenario data during this process， an obfuscation protection method for simulation testing scenario data was proposed， along with a corresponding three-tier obfuscation strategy. In this method， a series of obfuscation techniques were covered， including data re-encoding， name replacement， sequence scrambling， label reconstruction， trigger condition obfuscation， and event obfuscation， and it was divided into three obfuscation levels according to obfuscation intensity， thereby enhancing scenario data security significantly without influencing simulation testing results. Experimental results demonstrate that the simulation results for obfuscated scenario data are consistent with simulation results for the original data， and the error of the method is within a reasonable range. As the obfuscation level increases， the degree of data protection also improves progressively. The first and second-level obfuscation methods have no significant impact on simulation efficiency， whereas the third-level method introduces a slight delay in simulation execution time within a reasonable range. Overall， three-level obfuscation method system maintains reasonable simulation performance while preventing data leakage effectively， providing a practical solution for the protection of autonomous driving simulation testing scenario data.

Key words: autonomous driving, simulation testing, OpenScenario, data security, data obfuscation

中图分类号:

TP309.2

彭海洋, 刘天阳, 计卫星, 刘法旺. 基于混淆的自动驾驶仿真测试场景数据保护方法[J]. 计算机应用, 2026, 46(4): 1104-1114.

Haiyang PENG, Tianyang LIU, Weixing JI, Fawang LIU. Obfuscation-based protection method for scenario data in autonomous driving simulation testing[J]. Journal of Computer Applications, 2026, 46(4): 1104-1114.

图/表 17

参考文献 27

[1]	CHIB P S， SINGH P. Recent advancements in end-to-end autonomous driving using deep learning： a survey［J］. IEEE Transactions on Intelligent Vehicles， 2024， 9（1）： 103-118.
[2]	KIRAN B R， SOBH I， TALPAERT V， et al. Deep reinforcement learning for autonomous driving： a survey［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（6）： 4909-4926.
[3]	朱向雷，王海弛，尤翰墨，等. 自动驾驶智能系统测试研究综述［J］. 软件学报， 2021， 32（7）： 2056-2077.
	ZHU X L， WANG H C， YOU H M， et al. Survey on testing of intelligent systems in autonomous vehicles［J］. Journal of Software， 2021， 32（7）： 2056-2077.
[4]	赵祥模国家重点研发计划（ 2021 YFB2501200）团队. 自动驾驶测试与评价技术研究进展［J］. 交通运输工程学报， 2023， 23（6）： 10-77.
	ZHAO Xiang-mo’s team supported by the National Key Research and Development Program of China （2021 YFB2501200）. Research progress in testing and evaluation technologies for autonomous driving［J］. Journal of Traffic and Transportation Engineering， 2023， 23（6）： 10-77.
[5]	冯洋，夏志龙，郭安，等. 自动驾驶软件测试技术研究综述［J］. 中国图象图形学报， 2021， 26（1）： 13-27.
	FENG Y， XIA Z L， GUO A， et al. Survey of testing techniques of autonomous driving software［J］. Journal of Image and Graphics， 2021， 26（1）： 13-27.
[6]	SHAH S， DEY D， LOVETT C， et al. AirSim： high-fidelity visual and physical simulation for autonomous vehicles［C］// Field and Service Robotics： Results of the 11th International Conference， SPAR 5. Cham： Springer， 2018： 621-635.
[7]	RONG G， SHIN B H， TABATABAEE H， et al. LGSVL Simulator： a high fidelity simulator for autonomous driving［C］// Proceedings of the IEEE 23rd International Conference on Intelligent Transportation Systems. Piscataway： IEEE， 2020： 1-6.
[8]	Inc Baidu. Apollo autonomous driving platform［EB/OL］. ［2025-03-20］..
[9]	NYAKUNDI N B N， REYNOLDS S M， REZA H. Scenario-based approach to systematically derive test cases for systems［C］// Proceedings of the 2023 IEEE International Conference on Electro-Information Technology. Piscataway： IEEE， 2023： 51-58.
[10]	朱冰，张培兴，赵健，等. 基于场景的自动驾驶汽车虚拟测试研究进展［J］. 中国公路学报， 2019， 32（6）： 1-19.
	ZHU B， ZHANG P X， ZHAO J， et al. Review of scenario-based virtual validation methods for automated vehicles［J］. China Journal of Highway and Transport， 2019， 32（6）： 1-19.
[11]	廖瑗，褚观耀，程前. 自动驾驶仿真测试场景库体系建设方法综述［J］. 机械制造与自动化， 2024， 53（4）： 271-275.
	LIAO Y， CHU G Y， CHENG Q. Summary of construction method of scene library system based on automatic driving simulation test［J］. Machine Building and Automation， 2024， 53（4）： 271-275.
[12]	FENG S， FENG Y， YU C， et al. Testing scenario library generation for connected and automated vehicles， part Ⅰ： methodology［J］. IEEE Transactions on Intelligent Transportation Systems， 2021， 22（3）： 1573-1582.
[13]	FENG S， FENG Y， SUN H， et al. Testing scenario library generation for connected and automated vehicles， part Ⅱ： case studies［J］. IEEE Transactions on Intelligent Transportation Systems， 2021， 22（9）： 5635-5647.
[14]	邓伟文，李江坤，任秉韬，等. 面向自动驾驶的仿真场景自动生成方法综述［J］. 中国公路学报， 2022， 35（1）： 316-333.
	DENG W W， LI J K， REN B T， et al. A survey on automatic simulation scenario generation methods for autonomous driving［J］. China Journal of Highway and Transport， 2022， 35（1）： 316-333.
[15]	ARIEF M， GLYNN P， ZHAO D. An accelerated approach to safely and efficiently test pre-production autonomous vehicles on public streets［C］// Proceedings of the 21st International Conference on Intelligent Transportation Systems. Piscataway： IEEE， 2018： 2006-2011.
[16]	TAN S， WONG K， WANG S， et al. SceneGen： learning to generate realistic traffic scenes［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 892-901.
[17]	中汽数据研究中心有限公司. 中国交通事故危险工况场景［DB/OL］.［2025-03-20］..
	China Automotive Technology and Research Center. China Typical Scenario Library［DB/OL］.［2025-03-20］..
[18]	中国汽车工程研究院股份有限公司. 中国典型场景库［DB/OL］. ［2025-03-20］..
	China Automotive Engineering Research Institute Co.Ltd. China typical scenario library［DB/OL］. ［2025-03-20］..
[19]	Waymo LLC. Waymo Open Dataset［DB/OL］. ［2025-03-20］..
[20]	DOSOVITSKIY A， ROS G， CODEVILLA F， et al. CARLA： an open urban driving simulator［C］// Proceedings of the 1st Annual Conference on Robot Learning. New York： JMLR.org， 2017： 1-16.
[21]	CARLA. ROS bridge for CARLA simulator［EB/OL］. ［2025-03-20］..
[22]	张宇嘉，张啸川，庞建民. 代码混淆技术研究综述［J］. 信息工程大学学报， 2017， 18（5）： 635-640.
	ZHANG Y J， ZHANG X C， PANG J M. Survey on code obfuscation research［J］. Journal of Information Engineering University， 2017， 18（5）： 635-640.
[23]	王建民，余志伟，王朝坤，等. Java程序混淆技术综述［J］. 计算机学报， 2011， 34（9）： 1578-1588.
	WANG J M， YU Z W， WANG C K， et al. A survey on Java program obfuscation techniques［J］. Chinese Journal of Computers， 2011， 34（9）： 1578-1588.
[24]	JULLIEN J M， MARTEL C， VIGNOLLET L， et al. OpenScenario： a flexible integrated environment to develop educational activities based on pedagogical scenarios［C］// Proceedings of the 9th IEEE International Conference on Advanced Learning Technologies. Piscataway： IEEE， 2009： 509-513.
[25]	FREMONT D J， DREOSSI T， GHOSH S， et al. Scenic： a language for scenario specification and scene generation［C］// Proceedings of the 40th ACM SIGPLAN Conference on Programming Language Design and Implementation. New York： ACM， 2019： 63-78.
[26]	QUEIROZ R， BERGER T， CZARNECKI K. GeoScenario： an open DSL for autonomous driving scenario representation［C］// Proceedings of the 2019 IEEE Intelligent Vehicles Symposium. Piscataway： IEEE， 2019： 287-294.
[27]	openMSL. sl-3-1-osc-alks-scenarios［DB/OL］. ［2025-03-20］. .

混淆强度	适用敏感性	适用复杂度	适用执行效率要求
低（一级/二级）	一般或中等敏感度场景	高复杂度但安全要求不高的场景	实时性要求高的仿真任务
高（三级）	高敏感度、关键功能相关场景	简单结构但需高安全保障的场景	可容忍一定延迟的仿真测试任务

混淆强度	适用敏感性	适用复杂度	适用执行效率要求
低（一级/二级）	一般或中等敏感度场景	高复杂度但安全要求不高的场景	实时性要求高的仿真任务
高（三级）	高敏感度、关键功能相关场景	简单结构但需高安全保障的场景	可容忍一定延迟的仿真测试任务

场景类型	推荐混淆组合	适用目标
普通测试场景	命名替换+数据重编码	基础保护，轻量混淆
城市道路交互场景	命名替换+顺序扰乱+标签重构	弱化结构语义，增强解析困难
极端场景	命名替换+标签重构+条件混淆+事件混淆	全流程混淆，难以逆向还原

场景类型	推荐混淆组合	适用目标
普通测试场景	命名替换+数据重编码	基础保护，轻量混淆
城市道路交互场景	命名替换+顺序扰乱+标签重构	弱化结构语义，增强解析困难
极端场景	命名替换+标签重构+条件混淆+事件混淆	全流程混淆，难以逆向还原

混淆方法	文本差异度	关键词相似度	结构相似度
数据重编码	28.51	91.18	100.00
命名替换	10.47	93.06	100.00
顺序扰乱	31.15	100.00	76.73
标签重构	69.02	99.35	71.01

基于混淆的自动驾驶仿真测试场景数据保护方法

Obfuscation-based protection method for scenario data in autonomous driving simulation testing

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 27

相关文章 15

编辑推荐

Metrics

车辆实体	平均位置	平均速度/（m·s^-1）	最大位置差/m	最大速度差/（m·s^-1）	平均帧数
NPC1	［-27.69， 201.57， 1.02］	7.74	2.02	0.04	15 076.04
NPC2	［-118.13， 208.62， 8.31］	7.91	0.37	0.00
NPC3	［-166.77， 201.90， 8.82］	5.93	0.59	0.01
NPC4	［-118.02， 202.10， 8.31］	5.93	0.36	0.01

混淆方法	最大实体位置差/m	最大实体速度差/（m·s^-1）
数据重编码	0.97	0.02
命名替换	0.64	0.01
顺序扰乱	0.43	0.01
标签重构	1.10	0.02
触发条件混淆	0.49	0.01
顺序混淆	0.53	0.01

测试用例	最大位置误差
测试用例	数据重编码	命名替换	顺序扰乱	标签重构	触发条件混淆	事件混淆
alks_scenario_4_1_1_free_driving_template	0.11	0.09	0.14	0.22	0.17	0.19
alks_scenario_4_2_1_swerve_lead_vehicle_template	0.08	0.06	0.12	0.20	0.21	0.23
alks_scenario_4_2_2_swerve_side_vehicle_template	0.13	0.11	0.09	0.16	0.24	0.27
alks_scenario_4_2_4_swerve_partial_occlusion_template	0.07	0.05	0.10	0.18	0.15	0.16
alks_scenario_4_3_1_follow_lead_vehicle_template	0.09	0.08	0.11	0.15	0.12	0.14
alks_scenario_4_3_2_follow_braking_lead_vehicle_template	0.10	0.09	0.07	0.14	0.19	0.21
alks_scenario_4_4_1_cut_in_no_collision_template	0.06	0.04	0.13	0.17	0.18	0.20
alks_scenario_4_4_2_cut_in_collision_template	0.12	0.07	0.09	0.19	0.22	0.25
alks_scenario_4_5_1_cut_out_no_collision_template	0.14	0.13	0.16	0.23	0.26	0.29
alks_scenario_4_5_2_cut_out_collision_template	0.05	0.03	0.08	0.12	0.14	0.15
alks_scenario_4_6_1_sensor_visibility_template	0.11	0.09	0.14	0.22	0.17	0.19
alks_scenario_4_6_2_sensor_visibility_lane_change_template	0.08	0.06	0.12	0.20	0.21	0.23
alks_scenario_4_6_3_sensor_visibility_adverse_weather_template	0.13	0.11	0.09	0.16	0.24	0.27
alks_scenario_4_6_4_sensor_visibility_low_light_template	0.07	0.05	0.10	0.18	0.15	0.16
alks_scenario_4_6_5_sensor_visibility_high_speed_template	0.09	0.08	0.11	0.15	0.12	0.14

混淆方法	平均仿真时间	混淆方法	平均仿真时间
无混淆	88.46	标签重构	89.87
数据重编码	89.02	触发条件混淆	91.12
命名替换	90.52	事件混淆	92.56
顺序扰乱	90.11

[1]	于银山, 唐旭, 丁明鉴, 黄文凯, 毕嘉文, 谭国辰. 基于YOLOv10的实时车辆检测算法[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 950-958.
[2]	李明光, 陶重犇. 基于Mamba模型的分级跨模态融合三维目标检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 572-579.
[3]	彭海洋, 计卫星, 刘法旺. 基于区块链的自动驾驶仿真测试数据存证模型[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2421-2427.
[4]	苏锦涛, 葛丽娜, 肖礼广, 邹经, 王哲. 联邦学习中针对后门攻击的检测与防御方案[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2399-2408.
[5]	魏境烽, 姚中原, 马硕森, 王超, 郭尚坤, 朱自强, 斯雪明. 区块链技术在碳排放交易系统中的应用综述[J]. 《计算机应用》唯一官方网站, 2025, 45(12): 3872-3880.
[6]	邓亚平, 李迎江. YOLO算法及其在自动驾驶场景中目标检测综述[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1949-1958.
[7]	葛超, 张嘉滨, 王蕾, 伦志新. 基于模型预测控制的自动驾驶车辆轨迹规划[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1959-1964.
[8]	陈美宏, 袁凌云, 夏桐. 基于主从多链的数据分类分级访问控制模型[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1148-1157.
[9]	廖存燚, 郑毅, 刘玮瑾, 于欢, 刘守印. 自动驾驶环境感知多任务去耦-融合算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 424-431.
[10]	冯睿琪, 王雷蕾, 林翔, 熊金波. 基于软件防护扩展的车联网路况监测安全数据处理框架[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1870-1877.
[11]	张京, 朱爱红. 基于遗传算法和粒子群优化的列车自动驾驶速度曲线优化方法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 599-605.
[12]	申玉民, 王金龙, 胡殿凯, 刘星宇. 基于区块链的建筑信息模型图纸多人协同创作系统[J]. 计算机应用, 2021, 41(8): 2338-2345.
[13]	李朝, 兰海, 魏宪. 基于注意力的毫米波-激光雷达融合目标检测[J]. 计算机应用, 2021, 41(7): 2137-2144.
[14]	秦静, 安雯, 季长清, 汪祖民. 无线体域网隐私保护机制研究综述[J]. 计算机应用, 2021, 41(4): 970-975.
[15]	高昊昱, 李雷孝, 林浩, 李杰, 邓丹, 李少旭. 区块链在数据完整性保护领域的研究与应用进展[J]. 计算机应用, 2021, 41(3): 745-755.