[发明专利]一种ECU异常识别方法

说明书

本发明公开了一种ECU异常识别方法，在充分研究CAN总线协议通信机制的基础上，基于FPGA的高速采集处理能力，最大程度地提高采样速率和特征计算速率，结合人工神经网络的优势，针对CAN总线时序特征数据设计了基于注意力机制的Enhanced LSTM神经网络模型，用于识别车载ECU工作状态，具有稳定可靠的性能。

技术领域

本发明属于车载安全领域，尤其涉及一种ECU异常识别方法。

背景技术

随着自动驾驶技术的不断发展，汽车内部的电子控制单元（ECU）和联网通信设备越来越繁多复杂，高档轿车上的ECU可能高达上百个，车载联网方式包括WiFi、2G、3G、4G、5G等等。现代汽车功能的日益复杂性和联网特性，使得汽车的安全性受到极大的挑战。

任何产业在网络化的发展过程中都会面临信息安全问题，车联网的发展也不例外。随着智能网联汽车的不断涌现，恶意攻击、非法控制、隐私泄露等威胁也日益增加，此外，自动驾驶辅助系统和新一代电子信息技术在汽车上的应用，使得汽车越来越智能化，可以很大程度上保障行车安全，但与此同时，这些智能辅助功能一旦在某种状况下突然失效或出现异常，将严重威胁行车安全。汽车联网使攻击者有机会通过各种有线或无线方式接入车载网络，获取车辆信息甚至远程控制车辆。无论是何种攻击形式，攻击者最终的目标都是车载CAN总线，通过发送恶意帧数据的方式，实现攻击目的，所以CAN总线安全成为车联网安全最后也是最重要的一道防线，研究CAN总线安全技术对整个车联网安全有着非常重要的意义。

一般的，CAN总线安全防护手段一般来说可以分成两种，一种是基于加密和认证的防护手段，另一种是基于入侵检测的防护手段。基于加密和认证的防护手段主要是对帧数据和ECU进行认证或者使用安全密钥对消息进行加密处理，由于CAN数据帧格式的有效载荷位数只有64位，加密势必会增加CAN总线的网络负载负担，导致通信效率降低，而且加密手段升级需要对现有固件进行升级。基于入侵检测的防护手段是通过分析帧的物理特征、统计学特征等建立一个检测模型。这种方法的特点是不会增加CAN总线的通信负担，但是其检测速度受限于采样速率和特征提取。目前大部分的入侵识别系统依然是基于统计学特征建立的检测模型，在检测精度上很难满足现代智能网联汽车对安全性的需求。

传统的异常识别系统大多是基于数据帧数据报内容检测ECU的状态，这种方法无法识别ECU窃听、伪造攻击，同时其需要在上位机中解析数据，计算处理过程存在一定的延时；而基于入侵检测的防护手段是从物理层面出发，能够从物理层提取出相关特征，并进行特征学习，然而随着车载ECU数量的增加，复杂性也随之增大，一般的机器学习模型无法获得较高的检测精度。

CAN ID通常是车辆通过电子控制单元（ECU）的信息自动生成，因此本发明采用电子控制单元（ECU）的信息与CAN ID的关联实现ECU异常的识别，提高了检测效率和精度。

发明内容

为解决上述问题，本发明公开了一种ECU异常识别方法。

为实现上述目的，本发明的技术方案为：

一种ECU异常识别方法，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；CAN ID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：