[发明专利]一种入侵检测方法、装置、电子设备及存储介质

权利要求书

1.一种入侵检测方法，应用于车载网络监测设备中，其特征在于，包括：

获取车载网络中的数据包，对所述数据包中的待检测数据进行预处理，获得预处理后的数据，所述预处理后的数据包括第一类数据和第二类数据；其中，所述第一类数据表征车辆的动态特征，所述第二类数据表征车辆的静态特征；

利用所述第一类数据训练深度信念网络，得到通用模型；

对所述第二类数据中包含的多个特征进行优先级排序，以得到所述多个特征的排序结果；

根据所述排序结果得到各所述特征的优先级；

将最高优先级的特征添加至所述通用模型中进行训练以得到新的目标模型；

按优先级高低依次将除所述最高优先级之外的其他特征添加至上一个新的目标模型中以得到下一个新的目标模型直至所述多个特征添加完为止，以得到包含多个目标模型的各所述特征对应的入侵检测模型。

2.根据权利要求1所述的入侵检测方法，其特征在于，所述获取车载网络中的数据包，对所述数据包中的待检测数据进行预处理，获得预处理后的数据，所述预处理后的数据包括第一类数据和第二类数据的步骤包括：

获取车辆内部网络总线上传送的数据包，所述数据包包括多个子数据包；

提取出各所述子数据包的表征该子数据包的类型的类型字段；

根据各所述子数据包的类型字段将所属于同一类型的子数据包划分至同一类，以构成第一类数据和第二类数据。

3.根据权利要求1所述的入侵检测方法，其特征在于，所述深度信念网络包括至少一个数据层，利用所述第一类数据训练深度信念网络，得到通用模型的步骤包括：

初始化深度信念网络的模型参数，所述深度信念网络的模型参数包括学习率、深度和各所述数据层的神经元个数；

将所述第一类数据输入所述深度信念网络，根据所述学习率、深度和各所述数据层的神经元个数确定所述深度信念网络的框架并调整深度信念网络模型神经元之间的连接权重，得到所述通用模型。

4.根据权利要求1所述的入侵检测方法，其特征在于，所述第一类数据包括车辆行驶速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位和发动机进气歧管压力。

5.根据权利要求1所述的入侵检测方法，其特征在于，所述第二类数据包括车辆品牌、车系、生产厂家、出厂年份、型号和使用年限。

6.根据权利要求1所述的入侵检测方法，其特征在于，利用多个所述入侵检测模型构成入侵检测模型库，所述按优先级高低依次将除所述最高优先级之外的其他特征添加至上一个新的目标模型中以得到下一个新的目标模型直至所述多个特征添加完为止，以得到包含多个目标模型的各所述特征对应的入侵检测模型的步骤之后，所述方法还包括:

收集待检测车辆的待检测第一类数据和待检测第二类数据；

对所述待检测第二类数据中的包括的多个待检测特征进行优先级排序，在所述入侵检测模型库中沿所述优先级顺序查找到各所述待检测特征对应的入侵检测模型；

输入所述待检测第一类数据至查找到的入侵检测模型，进行所述待检测车辆的入侵状态判断。

7.一种入侵检测装置，应用于车载网络监测设备中，其特征在于，包括：

数据获取预处理模块，用于获取车载网络中的数据包，对数据包中的待检测数据进行预处理，获得预处理后的数据，所述预处理后的数据包括第一类数据和第二类数据；

通用模型获得模块，用于利用所述第一类数据训练深度信念网络，得到通用模型；

优先级排序模块，用于对所述第二类数据中包含的多个特征进行优先级排序，以得到所述多个特征的排序结果；

入侵检测模型获得模块，用于根据所述排序结果得到各所述特征的优先级；还用于将最高优先级的特征添加至所述通用模型中进行训练以得到新的目标模型；还用于按优先级高低依次将除所述最高优先级之外的其他特征添加至上一个新的目标模型中以得到下一个新的目标模型直至所述多个特征添加完为止，以得到包含多个目标模型的各所述特征对应的入侵检测模型。