[发明专利]基于神经网络集群的车内网入侵检测方法和终端设备

说明书

本发明公开了一种神经网络集群的车内网入侵检测方法和终端设备，其中检测方法包括：建立神经网络集群，所述神经网络集群包括N个不重复的神经网络，其中每个神经网络都是设置为W个浮点数值输入，单个浮点数值输出的结构；输入车内网信号，进行神经网络集群训练，选取出所有已训练收敛的网络中最优神经网络，其中所述车内网信号为一维数据流信号；利用已训练好的最优神经网络对车内网信号进行入侵检测。本发明的方法充分利用车内网络信号要符合车辆运行规律具有可预测的特点，利用神经网络进行预测训练，判断车内网信号是否异常；本方法不用事先收集入侵数据做人工的样本标记来进行训练，可针对车内网信号实现全自动的最优神经网络入侵检测。

技术领域

本发明涉及车内网入侵检测领域，尤其涉及一种基于神经网络集群的车内网入侵检测方法和终端设备。

背景技术

现代车辆电子化程度越来越高，汽车由内部几十甚至上百个ECU(电子控制单元)协同控制，这些ECU通过车内网络交互信息。车内网络，一般由CAN、LIN、MOST等现场总线组成，这类总线组成的车内网络具有低延时、高实时性特征，但是由于总线通信协议在最初设计时，只考虑到了解决实时性问题，协议本身是一种广播协议，在实现高实时性的同时，并没有考虑到信息安全性能。过去的汽车是一个相对封闭的信息孤岛，并没有信息安全问题，但是随着车辆联网化趋势的来临，越来越多的汽车接入了车联网，这就使得通过网络攻击到车内总线成为可能。一旦总线被人注入恶意攻击数据，在总线上的相关ECU没有办法识别这些异常数据，可能会造成恶意控制或控制失效，引起车辆行驶安全问题，损害人生财产安全。

为了能从总线上有效检测出被入侵注入的异常数据，出现了如信号相关性检测的方法(如专利201510404032.2)，利用一些车辆信号前后有高相关性，检测那些跳变的异常数据，但是该方法只能针对例如车速、轮速等一些信号前后有较强相关性的数据，因此应用范围有限。利用神经网络检测入侵(CN201710856697.6，CN201811052892.4)是另一类方法，由于神经网络具有更智能的识别能力，因此会是一种更为有效的识别方法。但是常规的基于神经网络识别入侵的方法有如下缺点：

1、需要进行分类标识式的训练，训练结论是分类结果。即要先标识出的正常数据和各种异常入侵数据，再把多类标识数据输入神经网络进行分类训练，训练出神经网络参数之后才能对未知的、无标识的数据进行神经网络处理，处理结果得到的是分类结果，即该数据是正常数据或是某类异常入侵数据。这种方法依赖于已发现的入侵模式，无法主动发现各种尚未发现的入侵模式。

2、单一神经网络处理，效果有限。常见的方法，通常只采用一种神经网络来识别，由于车内ECU众多，信号多种多样，信号的类型特性也纷繁复杂，很难说有一种神经网络能有效应对车内网里所有的信号的入侵检测。

发明内容

本发明的目的在于提供一种基于神经网络集群的车内网入侵检测方法，不需要预先分类标识式的训练，可针对车内网信号实现全自动的最优的神经网络入侵检测。

为实现上述目的，本发明提供了以下技术方案：

一种基于神经网络集群的车内网入侵检测方法，包括以下步骤：

步骤S10，建立神经网络集群，所述神经网络集群包括N个不重复的神经网络，其中每个神经网络ANN_i(i＝1，2，...，N)都是设置为W个浮点数值输入，单个浮点数值输出的结构；

步骤S20，输入车内网信号，进行神经网络集群训练，选取出所有已训练收敛的网络中最优神经网络，其中所述车内网信号为一维数据流信号；

步骤S30，利用已训练好的最优神经网络对车内网信号进行入侵检测。

进一步的，所述步骤S20包括：