[发明专利]基于物理层特征指纹的CAN总线识别方法及装置

权利要求书

1.一种基于物理层特征指纹的CAN总线识别方法，其特征在于，包括以下步骤：

获取闭集的CAN总线信号，并对所述闭集的CAN总线信号进行预处理，以得到预处理后的训练信号；

采用时频统计特征识别算法对所述预处理后的训练信号进行处理以提取所述预处理后的训练信号的多维统计特征；

将所述多维统计特征输入到多类监督学习的分类器中，以对所述闭集的CAN总线进行识别；

采用多层深度卷积神经网络、改进的三元组损失函数和梯度剪裁模块建立SigTLNet网络模型；

将所述预处理后的训练信号输入到所述SigTLNet网络模型以对所述SigTLNet网络模型进行训练，以得到训练好的SigTLNet网络模型；

获取开放集的CAN总线，并将所述开放集的CAN总线输入到所述训练好的SigTLNet网络模型，以对所述开放集的CAN总线进行识别；

其中，采用时频统计特征识别算法对所述预处理后的训练信号进行处理以提取所述预处理后的训练信号的多维统计特征，包括：

分别截取预处理后的训练信号的上升沿、下降沿和剩余显著信号的中间平稳信号，并将截取的所有上升沿进行拼接以得到上升沿信号、将截取的所有下降沿进行拼接以得到下降沿信号，将截取的所有剩余显著信号的中间平稳信号进行拼接以得到显著平稳信号；

计算所述上升沿信号、下降沿信号和显著平稳信号的多维统计特征。

2.如权利要求1所述的基于物理层特征指纹的CAN总线识别方法，其特征在于，对所述闭集的CAN总线信号进行预处理，包括：

采用相位法获取所述闭集的CAN总线信号的起点，并对所述闭集的CAN总线信号进行归一化处理。

3.如权利要求1所述的基于物理层特征指纹的CAN总线识别方法，其特征在于，将所述多维统计特征输入到多类监督学习的分类器中，以对所述闭集的CAN总线进行识别，包括：

将所述多维统计特征输入到多类监督学习的分类器中以获取对应的识别率，并根据所述识别率判断所述多维统计特征在对应的多类监督学习的分类器中的识别效果。

4.一种计算机可读存储介质，其特征在于，其上存储有基于物理层特征指纹的CAN总线识别程序，该基于物理层特征指纹的CAN总线识别程序被处理器执行时实现如权利要求1-3中任一项所述的基于物理层特征指纹的CAN总线识别方法。

5.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-3中任一项所述的基于物理层特征指纹的CAN总线识别方法。

6.一种基于物理层特征指纹的CAN总线识别装置，其特征在于，包括：

获取模块，所述获取模块用于获取闭集的CAN总线信号，并对所述闭集的CAN总线信号进行预处理，以得到预处理后的训练信号；

处理模块，所述处理模块用于采用时频统计特征识别算法对所述预处理后的训练信号进行处理以提取所述预处理后的训练信号的多维统计特征；

第一识别模块，所述第一识别模块用于将所述多维统计特征输入到多类监督学习的分类器中，以对所述闭集的CAN总线进行识别；

建立模块，所述建立模块用于采用多层深度卷积神经网络、改进的三元组损失函数和梯度剪裁模块建立SigTLNet网络模型；

训练模块，所述训练模块用于将所述预处理后的训练信号输入到所述SigTLNet网络模型以对所述SigTLNet网络模型进行训练，以得到训练好的SigTLNet网络模型；

第二识别模块，所述第二识别模块用于获取开放集的CAN总线，并将所述开放集的CAN总线输入到所述训练好的SigTLNet网络模型，以对所述开放集的CAN总线进行识别；

其中，所述处理模块还用于分别截取预处理后的训练信号的上升沿、下降沿和剩余显著信号的中间平稳信号，并将截取的所有上升沿进行拼接以得到上升沿信号、将截取的所有下降沿进行拼接以得到下降沿信号，将截取的所有剩余显著信号的中间平稳信号进行拼接以得到显著平稳信号；计算所述上升沿信号、下降沿信号和显著平稳信号的多维统计特征。