[发明专利]一种基于深度学习的低时延、安全的车载入侵检测方法

说明书

本发明提供一种基于深度学习的低时延、安全的车载入侵检测方法。该方法主要包括编码器、处理器、和解码器。该方法首先是对CAN流量的仲裁位以独热向量编码为2‑D图像；编码器通过生成式对抗网络提取CAN图像特征，且引入随机相位θ和虚数b隐藏和混淆真实特征；处理器在云端采用卷积神经网络和注意力机制提取深度特征；解码器对深度特征解码并利用浅层网络识别异常流量。该方法不仅解决车载计算资源受限的问题，实现了轻量级，并且保证车载入侵检测模型的安全性。此外，在异常流量识别上具有高报警率和低误报率。

技术领域

本发明应用于车载网络检测异常流量领域，涉及到车载流量的采集，深度学习，隐私保护等技术，尤其运用深度学习模型构建编码器，处理器及解码器，不仅实现了低时延检测，而且保证了深度学习模型的安全性，进一步提高车联网入侵检测模型的分类能力。

背景技术

如今，智能车(IntelligentConnectedVehicle，即ICV)正发展走向智能化，现代化，互联化。随着计算机计算能力的不断提高，通信技术的快速发展，车联网(InternetofVehicle,即IoV)领域正是科研者研究的兴趣之一。

随着车辆的数量不断增长，传统的Vehicle Ad-hoc Networks(VANETs)网络已无法满足当前的响应需求，而IoV则在ICV的发展中起到关键作用。主要是IoV具有车辆网络、智能通信、远程以及移动通信等优点。人工智能、边缘计算、云计算等技术的不断成熟，使IoV的发展也逐渐趋向稳定。因此，IoV在未来智能车的发展路上将能对车、人、路、终端身边、环境的智能整合，为人类的出行特供更方便的方式。

然而，目前汽车的智能性同样带来了例如互联网一样的一些安全隐患。从技术层次讲，CAN总线作为车载主要通信总线，由于起初没有考虑信息安全问题，是没有任何防范措施的明文传输，即无加密、无身份认证。随着IoV的越来越复杂，车内控制单元ECUs的数量越来越多，使得攻击者的攻击途径越来越多，驾驶者的生命和财产都受到了很大程度的威胁。从管理层次讲，各大汽车厂商仅考虑车辆自身安全性，即指定不公开的车辆通信协议。然而，他们没考虑黑客远程攻击的问题，即实施常见网络攻击中的DoS,重放，中间人攻击等。因此，车载入侵检测对保护车辆安全通信是非常有必要的，而低时延，安全性高的车载入侵检测则是科研者一直待解决的挑战。

发明内容

本发明的目的在于，提出基于深度学习的车载入侵检测方法，实现智能车通信过程中流量的低时延、安全的异常流量检测。

为了实现上述目的，本发明实施提供的技术方案如下：

一种基于深度学习的低时延、安全的车载入侵检测方法，所述方法实现包括以下步骤：

S1：首先是通过连接车载OBD-II端口收集汽车正常行驶过程中实时通信流量，构建正常流量数据库；此外，利用模拟攻击来获取相应的异常特征，并构建异常流量数据库；

S2：对采集的流量的仲裁位实现编码，将连续十六进制的CAN帧编码成CAN图像，由于仲裁位决定CAN总线的通信优先级，因此基于深度学习的车载入侵检测主要检测仲裁位；该方法通过独热向量编码将十六进制的仲裁位编码成2-D图像，以获取时空相关性特征，提高入侵检测的准确率；

S3:基于深度学习训练异常流量分类模型，包括编码器、处理器、解码器，编码器与解码器被安装在车载端，而处理器将放置在云端，编码器的目的是编码和提取浅层特征；处理器在云端主要提取深度特征，解码器为浅层分类网络实现车载异常检测，整个模型同时训练，以优化编码器、处理器、解码器的参数，保证模型的性能；

S4:异常流量识别与报警，利用训练好的深度学习模型检测测试的流量，并计算异常流量的报警率和误报率，衡量模型的性能。

进一步，构建异常流量数据库过程中，采用丢弃数据帧、篡改数据帧、重放数据帧方式生成异常流量，具体设置如下：