[发明专利]一种ECU异常识别方法

权利要求书

1.一种ECU异常识别方法，其特征在于，包括如下步骤：

步骤一、得到车载ECU特征的多维时序数据，具体步骤如下：

S1：将CAN总线的两根差分数据线，通过接线端子接入ADC数据采集电路模块，所述ADC数据采集电路模块在FPGA上；

S2：所述FPGA通过有线通信协议与ADC数据采集模块之间进行数据传输，获取ADC采样数据，通过ADC波形数据时序帧ID解析和波形物理特征提取，得到CAN ID和提取特征；CANID和提取特征形成车载ECU指纹特征的多维时序数据；

S3：将所述ECU指纹特征的多维时序数据发送至上位机；

步骤二、得到用于车载CAN总线异常检测系统的异常判断逻辑的身份识别模型，具体步骤如下：

L1：将所述的ECU指纹特征的多维时序数据输入到Enhanced LSTM 神经网络模型中；

L2：所述ECU指纹特征的多维时序数据在Enhanced LSTM神经网络模型中进行编码和解码，完成ECU指纹特征的多维时序数据的识别，得到ECU指纹特征识别结果；

所述的Enhanced LSTM神经网络模型包括编码阶段和解码阶段，所述编码阶段是对输入的多维时序数据特征利用Enhanced LSTM模型的注意力机制来计算各自的权重，提取最相关的特征，编码过程如下：

a.当给定的多维时序数据集（X，y）：

其中， X表示的是一个样本的输入数据，表示的是输入的多维时序数据的维度，表示的是该样本的标识，采用one-hot编码形式， 表示识别为正常概率，表示识别为异常的概率；

b.输入的数据首先经过Enhanced LSTM的模型注意力机制的编码层，假设在t时刻对第q个输入特征进行编码，编码过程如下：

其中表示的是编码阶段输出层的参数矩阵、表示的是编码阶段中间隐藏层的权重参数矩阵、表示的是编码阶段中间隐藏层的偏斜参数矩阵、表示在时刻t隐藏状态向量与输入的多维时序数据的第q个特征的相似度、 表示的是t时刻输入样本数据的第q个特征、 表示的是t-1时刻的隐藏单元状态、表示的是t-1时刻的记忆单元状态、（）表示的是双曲正切激活函数；

c.根据所有特征的相似度，求出时刻t第q个特征的注意力权重比，公式如下：

表示归一化指数函数，其中

根据上述公式，得到所有特征在时刻t的注意力权重，如式：

，

其中表示第n个特征的权重比；

d.得到输入的多维时序数据每个特征的权重之后，将样本的原始输入X与对应的权重进行相乘，从而得到在时刻t经过编码后的输入数据，如式：

表示经过编码后的新输入样本；

e.对传统的LSTM模型进行改造，将所有堆叠的LSTM隐藏层的状态进行组合，得到Enhanced LSTM模型，t-1时刻的隐藏单元状态如式：

其中m为LSTM隐藏层的数量，表示的是第m层神经网络的隐藏单元状态；

f.同样地得到t-1时刻的记忆单元状态如式：

其中表示的是第m层神经网络的记忆单元状态；

g.将编码后的数据作为Enhanced LSTM神经网络模型的内部Enhanced LSTM单元输入，如下式：

其中p为Enhanced LSTM的输出层神经单元数目、表示的是改进后的LSTM神经网络模型、表示时刻t第p个隐藏单元状态、为t-1时刻的第p个隐藏单元状态和记忆单元状态的一个元组，如式：

；

同样地为t时刻的一个元组；

h.在解码阶段中，使用Enhanced LSTM模型的输出作为解码层的输入，首先计算隐藏单元状态在时刻t的相似性，如式：

其中p为编码阶段输出层神经单元数量与Enhanced LSTM输出层隐藏单元数量一致、表示解码阶段中间隐藏层权重系数矩阵、表示解码阶段中间隐藏层偏置系数矩阵、表示解码阶段输出层参数矩阵；

i.再根据在t时刻，解码层单个输出特征的相似性与解码层所有特征的相似性计算得到权重比：

表示Enhanced LSTM模型输出第p个隐藏层状态的权重比输出；

j.接下来，将权重比值与隐藏层状态输出相乘得到解码后的数据，如式：

；

k.最后，使用全连接层得到在时刻t的最终输出值，如式：

表示的是t时刻输入的ECU指纹特征是正常的概率以及是异常的概率。