[发明专利]一种入侵检测方法、装置、电子设备及存储介质

说明书

本发明实施例提供了一种入侵检测方法、装置、电子设备及存储介质，该方法包括：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；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；按所述排序结果，在所述通用模型的基础上依次结合各所述特征进行训练以得到各所述特征对应的入侵检测模型。该方法及装置在利用深度信念网络提取特征的基础上，提前对获取到的数据按优先级分类，以进一步训练深度信念网络，使异常检测结果更加有针对性，检测结果更加准确快速。

技术领域

本发明涉及入侵检测技术领域，具体而言，涉及一种入侵检测方法、装置、电子设备及存储介质。

背景技术

在车载网络中，车载通信单元(OBU)和路边基础设施(RSU)组成了一种移动自组织网络，车辆的运行会不断产生实时数据，大量的数据给特征提取带来了困难：在海量数据中提取能够表达车辆运行状态的本质特征意味着从高维特征中寻找最起作用的低维特征。深度信念网络的引入为数据特征降维提供了帮助。现有的基于深度信念网络的入侵检测多采用深度信念网络——分类器方案实现，即使用多个受限玻尔兹曼机构成深度信念网络，进行数据特征降维，然后使用反向传播对学习到的参数进行微调，最后使用分类器对运行数据进行分类，以确定网络是否有入侵。但是由于存在自身的多样性和复杂性，因此现有的深度信念网络入侵检测方法存在检测结果不准确、检测过程较慢、缺乏针对性的问题。

发明内容

有鉴于此，本申请的目的在于，提供一种入侵检测方法、装置、电子设备及存储介质以改善上述问题。

本发明提供一种入侵检测方法，应用于车载网络监测装置中，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；

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；

按所述排序结果，在所述通用模型的基础上依次结合各所述特征进行训练以得到各所述特征对应的入侵检测模型。

进一步地，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。

进一步地，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、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模型，根据所述学习率、深度、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。

进一步地，所述按所述排序结果，在所述通用模型的基础上依次结合各所述特征进行训练以得到各所述特征对应的入侵检测模型的步骤包括：

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；