1.一种针对车联网执行器攻击和传感器攻击的估计方法,其特征在于包括如下步骤：

1)对车辆建立系统状态方程，进一步对车联网建立状态方程和输出方程；

2)对车联网系统状态方程扩阶；

3)构建中间变量估计器；

4)设计并通过矩阵不等式求解中间变量估计器增益。

2.根据权利要求1所述的一种针对车联网执行器攻击和传感器攻击的估计方法,其特征在于步骤1)中，对车辆建立系统状态方程，进一步对车联网建立状态方程和输出方程，具体包括以下步骤：

1.1)考虑复杂环境下的扰动，建立车辆系统状态方程如式(1)所示x(k+1)＝Ax(k)+g(k)+Bu(k)   (1)其中k表示当前离散时刻，k+1表示下一离散时刻，x表示状态量，包括车辆行驶的距离Txs，车辆的速度xv和道路坡度xθ，即x＝[xs xv xθ] ，上标"T"表示矩阵的转置，A表示状态转移矩阵，g表示扰动，u表示车辆得到的控制数据，B表示输入矩阵；

1.2)在车联网中，自动驾驶仪通过输出控制数据υ来远程操纵车辆，黑客向网络中注入恶意攻击au将自动驾驶仪输出的控制数据篡改为υ+au，因此建立车联网系统状态方程如式(2)所示：x(k+1)＝Ax(k)+g(k)+Bυ(k)+Bau(k)   (2)其中k表示当前离散时刻，k+1表示下一离散时刻，x表示状态量，A表示状态转移矩阵，g表示扰动，υ表示自动驾驶仪输出的控制数据，B表示输入矩阵，au表示执行器攻击；

1.3)考虑传感器攻击ay，车联网输出方程如式(3)所示：y(k)＝Cx(k)+Day(k)   (3)

其中k表示当前离散时刻，y表示输出量，x表示状态量,C表示输出矩阵，ay表示传感器攻击，D表示通道矩阵。

3.根据权利要求1所述的一种针对车联网执行器攻击和传感器攻击的估计方法,其特征在于步骤2)中，对车联网系统状态方程扩阶，具体包括以下步骤：

2.1)对车联网系统状态方程扩阶如式(4)所示：

ζ(k+1)＝Aaζ(k)+ga(k)+Baυ(k)+Baau(k)+May(k+1)   (4)其中k表示当前离散时刻，k+1表示下一离散时刻，扩阶后状态量ζ表示状态量x和传感器攻击ay，即ζ＝[x ay]T，上标"T"表示矩阵的转置，扩阶后状态转移矩阵为 A表T示状态转移矩阵，扩阶后扰动为ga＝[g 0] ，g表示扰动，υ表示自动驾驶仪输出的控制数据，扩阶后输入矩阵为Ba＝[B 0]T，B表示输入矩阵，au表示执行器攻击，ay表示传感器攻击，扩阶后中间矩阵M＝[0I]T，I表示单位阵；

2.2)扩阶后车联网输出方程如式(5)所示：

y(k)＝Caζ(k)   (5)

其中k表示当前离散时刻，y表示输出量，ζ表示扩阶后状态量，扩阶后输出矩阵为Ca＝[C D]，C表示输出矩阵，D表示通道矩阵。

4.根据权利要求1所述的一种针对车联网执行器攻击和传感器攻击的估计方法,其特征在于步骤3)中，构建中间变量估计器，具体包括以下步骤：

3.1)设计中间变量如式(6)所示：

其中k表示当前离散时刻，上标"T"表示矩阵的转置，τ表示中间变量，au表示执行器攻击，ζ表示扩阶后状态量，Ba表示扩阶后输入矩阵；

3.2)基于中间变量，设计中间变量估计器如式(7)所示：其中k表示当前离散时刻，k+1表示下一离散时刻，上标"T"表示矩阵的转置，表示扩阶后状态量ζ的估计值，表示中间变量τ的估计值， 表示执行器攻击au的估计值， 表示扩阶后扰动ga的估计值，Aa表示扩阶后状态转移矩阵，υ表示自动驾驶仪输出的控制数据，Ba表示扩阶后输入矩阵，M表示扩阶后中间矩阵，S表示传感器攻击ay与扩阶后状态量ζ的关系矩阵，L表示需要设计的中间变量估计器增益，Ca表示扩阶后输出矩阵。

5.根据权利要求1所述的一种针对车联网执行器攻击和传感器攻击的估计方法,其特征在于步骤4)中，设计并通过矩阵不等式求解中间变量估计器增益，具体包括以下步骤：

4.1)构建矩阵，如式(8)所示：

其中上标"T"表示矩阵的转置，*表示对称元素，P1，P2表示待求解的正定矩阵，ε表示待求解的常数,H表示待求解的矩阵，Ca表示扩阶后输出矩阵，表示相邻时刻扩阶后扰动ga的差值上界，Ba表示扩阶后输入矩阵，I表示单位阵，Π11、Π12和Π22均为中间矩阵：其中上标"T"表示矩阵的转置，Aa表示扩阶后状态转移矩阵，M表示扩阶后中间矩阵，S表示传感器攻击ay与扩阶后状态量ζ的关系矩阵；

4.2)求解矩阵不等式Π＜0，得到P1，P2，H和ε，估计器增益L如式(9)所示：L＝P1-1H   (9)

其中上标"-1"表示矩阵的逆，从而由中间变量估计器(7)实现对执行器攻击au和传感器攻击ay的实时估计。