CN115016433A - 一种车载can总线流量异常检测方法及系统 - Google Patents

Abstract

一种车载CAN总线流量异常检测方法及系统，其包括获取CAN总线的流量数据并进行初步预处理；将处理后的流量数据传输至若干个控制单元进行子网络学习；根据子网络学习情况识别异常流量数据，其解决了现有的异常检测方法存在的检测性能和时效性差的技术问题，且本发明有效利用了并行结构的多视界效应实现检测能力显著提升，从而达到即快速又准确的异常流量检测效果，可广泛应用于大数据处理领域。

Description

一种车载CAN总线流量异常检测方法及系统

技术领域

本发明涉及大数据处理领域，尤其是涉及一种车载CAN总线流量异常检测方法及系统。

背景技术

随着移动通信技术和物联网技术的发展，车联网通信与车载网络已广泛应用于新兴智能交通系统的关键功能中，并成为当前信息社会的一种流行趋势。

车载控制器域网(CAN)是一种基于消息广播的协议，CAN消息中没有发送者与接受者结点信息，而采用基于ID消息的优先级方案传递消息，使相关电子控制单元(ECU)之间能够实现快速、高效的数据交换，防止通信信道过于拥挤。然而，CAN消息因此缺少了身份验证信息且通信信息未被加密，使得攻击者很容易对CAN流量进行攻击与入侵。因此，CAN流量的异常检测技术对于车辆和乘客来说是至关重要的安全保障。

通过调研，现有车载网的各种异常检测技术关注点主要在于提高检测效果，例如提高检测准确率、精确率、召回率，降低误报率等。已有车载CAN总线流量异常检测方法大多基于深度卷积神经网络或循环神经网络模型，神经网络层数众多、参数繁多、模型体量大，对计算设备的资源消耗巨大。若直接将上述方法应用于网联车的车载CAN总线系统中，运行上述方法的ECU设备将不堪重负甚至完全失去功能，即在车内ECU有限的计算资源上运行上述方法不仅会大大降低模型的检测性能，甚至会导致车载CAN总线系统的功能异常。因此，现有技术方法没有有效利用车载CAN总线本身装配有上百个ECU的并行资源天然优势，且难以满足运行中的车辆对于CAN流量异常检测技术时效性的要求。

发明内容

本申请的目的在于提供一种车载CAN总线流量异常检测方法及系统，旨在解决传统的异常检测方法存在的检测性能和时效性差的技术问题。

本申请实施例的第一方面提供了一种车载CAN总线流量异常检测方法，其包括：

获取CAN总线的流量数据并进行初步预处理；

将处理后的所述流量数据传输至若干个控制单元进行子网络学习；

根据子网络学习情况识别异常流量数据。

优选的，获取CAN总线的流量数据并进行初步预处理，具体包括步骤：

读取CAN总线的流量数据；

对流量数据进行预处理；

初步提取流量数据的数据特征。

优选的，将处理后的所述流量数据传输至若干个控制单元，采用系统资源适配算法将若干个浅层子神经网络结构分配到若干个控制单元中运行。

优选的，所述系统资源适配算法，具体通过以下方式实现：

构建数学模型：设第i

个控制单元正常运行时的处理器空闲率为C_i，内存空闲率为M_i，综合评估该ECU的资源空闲率为S_i，定义如下：

以风险指数作为模块的重要度指数，设为R_i(R_i为不超过10的正整数)，指数越高说明重要度越高，不宜分配分支神经网络模块；因此，定义第i个控制单元的综合可用性指数U_i如下：

其中，α为正整数系数，用于调整重要度与资源空闲率两者间的平衡；

根据上述建模结果，给定一个阈值H，来判断控制单元是否有足够的可用性用来安装分支浅层神经网络模块；如果U_i≥H，则可以选择第i个控制单元安装分支浅层神经网络模块，否则任何分支网络模块都不选择安装到该控制单元上。

优选的，所述子网络学习，先经过不同维度的下采样处理，再使用神经网络结构来提取特征。

优选的，采用深度可分卷积操作来进行神经网络结构的特征提取。

优选的，根据子网络学习情况识别异常流量数据，包括以下步骤：

对子网络学习得到的各数据特征进行特征融合；

对融合后的特征进行特征分类；

进行异常检测处理，识别异常流量数据。

本申请的第二方面提供了一种车载CAN总线流量异常检测系统，包括：

流量获取模块：用于获取CAN总线的流量数据并进行初步预处理；

流量学习模块：用于将处理后的所述流量数据传输至若干个控制单元进行子网络学习；

流量识别模块：用于根据子网络学习情况识别异常流量数据。

本发明充分利用了车载CAN总线本身装配有上百个ECU的天然资源优势，通过动态适配到多个ECU上并行化运行特征学习子结构，实现对CAN总线流量数据的多维度特征学习并综合学习结果，即有效利用了并行结构的多视界效应实现检测能力显著提升，从而达到即快速又准确的异常流量检测效果。本申请具有较强的泛化能力，可用于各种流量异常检测的类似场景中，克服了特征学习模型深度过大、计算复杂度过高、运行速度过慢等方面的缺陷。

附图说明

图1为本申请一实施例提供的一种车载CAN总线流量异常检测方法的流程示意图；

图2为本申请一实施例提供的一种车载CAN总线流量异常检测方法的检测原理示意图。

具体实施方式

为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

需要说明的是，术语“上”、“下”、“内”、“外”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不能理解为指示或暗示所指的装置或元件必须具备特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

本申请通过采用并行的子神经网络结构，来代替原有技术的线性神经网络结构，其中每个子神经网络结构都是由一个数据下采样模块以及简单的、低层数(例如不超过10层)的神经网络结构构成。为了保证学习到的特征能够充分反映CAN流量的数据特点，达到高准确率的异常流量识别，本申请对于每个子网络结构都采用了不同维度的下采样处理模块，从而能够从多种数据维度、多种提取程度来全方面地获取流量数据特征。通过子神经网络不同的下采样处理，使得处理后的数据所保留的特征通道数不同，也使得各个子神经网络需要处理的数据量以及处理时间长短都会有所差异。提取程度越高，保留的通道数量越少，子神经网络所需要处理的数据量就会越少，运行时间也会越短。

本实施例具体包括车载CAN总线系统资源适配组件、基于车载CAN总线多控制单元特性的并行特征学习组件共两个主要功能组件，具体内容如下：

请参阅图1，为本申请一实施例提供的一种车载CAN总线流量异常检测方法的流程示意图，为了便于说明，仅示出了与本实施例相关的部分，详述如下：

在其中一实施例中，一种车载CAN总线流量异常检测方法，其包括：

S101、获取CAN总线的流量数据并进行初步预处理。

具体地，如图2所示，通过中央电子模块(车载自诊断系统)读取CAN总线的流量数据、对流量数据进行预处理、并初步提取流量数据的数据特征。

S102、将处理后的流量数据传输至若干个控制单元进行子网络学习。

具体地，为了充分利用车内众多的ECU资源，提高检测的运行速度，同时利用并行结构的多视界效应提升检测能力，本申请将n(n≥20)个浅层子神经网络结构分别分配到n个ECU中来运行；实际上，车内不同的ECU资源有着不同的使用率和重要程度，例如，负责控制驱动系统的ECU资源使用率与重要性明显比负责控制门窗系统的ECU资源要高。为了有效利用ECU资源且不干扰原有控制程序的运行效率，本申请设计了相应的系统资源适配算法，对各ECU模块的重要度和资源量进行了量化分析，构建了如下的数学模型：

设第i

个ECU正常运行时的处理器空闲率为C_i，内存空闲率为M_i，综合评估该ECU的资源空闲率为S_i，定义如下：

汽车厂商对于车内的模块系统会有风险评级，表示该模块如果发生故障可能会导致的风险等级，本方法以此风险指数作为模块的重要度指数，设为R_i(通常R_i为不超过10的正整数)，指数越高说明重要度越高，不宜分配分支神经网络模块。因此，定义第i个ECU的综合可用性指数U_i如下：

其中，α为正整数系数，用于调整重要度与资源空闲率两者间的平衡。

根据上述建模结果，本申请给定了一个阈值H，来判断ECU是否有足够的可用性用来安装分支浅层神经网络模块；如果U_i≥H，则可以选择第i个ECU安装分支浅层神经网络模块，否则任何分支网络模块都不选择安装到该ECU上。

本实施例采用基于车载CAN总线多ECU特性的并行特征学习组件实现异常检测：

各子网络中先经过了不同维度的下采样处理，再使用神经网络结构来提取特征；为了保证子网络结构的轻量化、减少对ECU资源的占用以及提高模型运行速度，本申请采用了具有代表性的深度可分卷积(DW)操作来提取特征，该卷积网络结构相较于常规卷积操作具有较低的参数量和运算成本；实际上，每个分支神经网络模块均可根据其所在ECU资源情况、特征提取的性能需求等现实状况适配各种神经网络结构，且不仅仅局限于DW卷积操作；例如，某个分支可以采用传统卷积操作来提取数据的空间特征，与此同时另一个分支也可以使用循环神经网络结构来考虑数据的时间序列特征，从而达到多视界的提取效果。

S103、根据子网络学习情况识别异常流量数据。

具体地，各子网络学习到的数据特征传输回中央电子模块进行特征融合，并对融合后的特征进行分类；若识别出异常流量数据，中央电子模块可以立刻发出警报、进行异常处理。

本申请将系统负载依据车载ECU的实时资源占用情况动态分摊到多个ECU上进行多个分支并行计算，且每个分支均采用浅层神经网络结构，降低每个ECU的异常检测模块运行负载，解决现有方法运行速度慢、计算复杂度高、无法充分利用车内ECU资源等问题，实现对CAN总线流量的异常检测。

本申请的第二方面提供了一种车载CAN总线流量异常检测系统，包括流量获取模块、流量学习模块和流量识别模块。

流量获取模块：用于获取CAN总线的流量数据并进行初步预处理；

流量学习模块：用于将处理后的所述流量数据传输至若干个控制单元进行子网络学习；

流量识别模块：用于根据子网络学习情况识别异常流量数据。

需要说明的是，本实施例中的一种车载CAN总线流量异常检测系统，是上述一种车载CAN总线流量异常检测方法对应的系统的实施例，因此关于流量异常检测系统的各模块中软件方法的具体实现，可参照图1-图2的实施例，此处不再详细赘述。

本发明实施例中上述的一种车载CAN总线流量异常检测方法及系统，充分利用了车载CAN总线本身装配有上百个ECU的天然资源优势，通过动态适配到多个ECU上并行化运行特征学习子结构，实现对CAN总线流量数据的多维度特征学习并综合学习结果，即有效利用了并行结构的多视界效应实现检测能力显著提升，从而达到即快速又准确的异常流量检测效果。本申请具有较强的泛化能力，可用于各种流量异常检测的类似场景中，克服了特征学习模型深度过大、计算复杂度过高、运行速度过慢等方面的缺陷。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (8)

1.一种车载CAN总线流量异常检测方法，其特征在于，包括以下步骤：

获取CAN总线的流量数据并进行初步预处理；

将处理后的所述流量数据传输至若干个控制单元进行子网络学习；

根据子网络学习情况识别异常流量数据。

2.根据权利要求1所述的一种车载CAN总线流量异常检测方法，其特征在于，获取CAN总线的流量数据并进行初步预处理，具体包括步骤：

读取CAN总线的流量数据；

对流量数据进行预处理；

初步提取流量数据的数据特征。

3.根据权利要求1所述的一种车载CAN总线流量异常检测方法，其特征在于，将处理后的所述流量数据传输至若干个控制单元，采用系统资源适配算法将若干个浅层子神经网络结构分配到若干个控制单元中运行。

4.根据权利要求3所述的一种车载CAN总线流量异常检测方法，其特征在于，所述系统资源适配算法，具体通过以下方式实现：

构建数学模型：设第

个控制单元正常运行时的处理器空闲率为C_i，内存空闲率为M_i，综合评估该ECU的资源空闲率为S_i，定义如下：

以风险指数作为模块的重要度指数，设为R_i(R_i为不超过10的正整数)，指数越高说明重要度越高，不宜分配分支神经网络模块；因此，定义第i个控制单元的综合可用性指数U_i如下：

其中，α为正整数系数，用于调整重要度与资源空闲率两者间的平衡；

根据上述建模结果，给定一个阈值H，来判断控制单元是否有足够的可用性用来安装分支浅层神经网络模块；如果U_i≥H，则可以选择第i个控制单元安装分支浅层神经网络模块，否则任何分支网络模块都不选择安装到该控制单元上。

5.根据权利要求1所述的一种车载CAN总线流量异常检测方法，其特征在于，所述子网络学习，先经过不同维度的下采样处理，再使用神经网络结构来提取特征。

6.根据权利要求5所述的一种车载CAN总线流量异常检测方法，其特征在于，采用深度可分卷积操作来进行神经网络结构的特征提取。

7.根据权利要求1所述的一种车载CAN总线流量异常检测方法，其特征在于，根据子网络学习情况识别异常流量数据，包括以下步骤：

对子网络学习得到的各数据特征进行特征融合；

对融合后的特征进行特征分类；

进行异常检测处理，识别异常流量数据。

8.一种车载CAN总线流量异常检测系统，其特征在于，包括：

流量获取模块：用于获取CAN总线的流量数据并进行初步预处理；

流量学习模块：用于将处理后的所述流量数据传输至若干个控制单元进行子网络学习；

流量识别模块：用于根据子网络学习情况识别异常流量数据。

Images