[发明专利]智能网联汽车异常智能检测方法、装置及可读存储介质

说明书

本发明公开了智能网联汽车异常智能检测方法、装置及可读存储介质，所述检测方法包括：根据根不同车辆数据类型间的关系确定样本特征的数据类型，获取所述样本特征对应的车辆数据，对所述车辆数据预处理后得到用于训练的样本数据；用所述样本数据训练车辆异常检测决策树模型，生成泛化能力达到预设目标的决策树模型；将所述决策树模型部署到车载终端，获取实时车辆数据，得到车辆数据是否异常的结果。本发明实施例利用大数据和人工智能技术构建了基于数据驱动的智能网联汽车异常智能检测模型，有效解决了传统检测方法依赖先验规则难以感知未知异常的不足。

技术领域

本发明属于智能网联汽车领域，具体涉及一种用于智能网联汽车的裁决技术。

背景技术

随着汽车技术的快速发展，传统汽车正朝向具有网联化、智能化特征的智能网联汽车演变。智能网联汽车是未来智能交通的核心技术，给人类生活带来了极大便利，例如对车辆进行实时监控、对驾驶员进行交通诱导等。但智能网联汽车自身安全问题也逐渐显现，各类汽车安全事件频发。其安全威胁来自多个方面，既有因车辆自身传感器、数据分析处理缺陷而带有内生安全问题的认知系统，也可能来自针对车辆自身漏洞的网络攻击。由于汽车运行环境的特殊性，在受到网络攻击时驾驶员将失去对汽车的控制权，甚至造成生命或财产损失，开展智能网联汽车数据异常感知、提升内生安全至关重要。如何网络通信、大数据、人工智能等技术敏捷感知智能网联车隐藏的异常与威胁问题，是智能网联车安全研究领域需要攻克的难题。

长期以来，针对智能网联汽车状态异常感知的研究主要聚焦在基于先验知识的异常检测方向，重点开展CAN总线传输数据的内容字段校验、内容格式正确性检查、以及对配置与控制指令数值范围合理性检查等研究及功能实现，此类异常检测方法能够对CAN总线传输数据的协议类型、数据格式与边界阈值等方面的进行有效检测，在一定程度上提升了智能网联汽车的安全可靠性，但难以检测到那些不依赖先验知识的未知类型异常。近年来，随着大数据、人工智能等技术在通信领域的融合发展，也有部分研究将基于大数据统计的关联分析引入到智能网联汽车状态安全威胁感知领域，这种方法能够通过统计状态发生的频次、以及不同状态间的依赖关系，来预测未知异常发生概率，但对于智能网联汽车海量数据中噪声数据、以及不平衡的异常数据，都难以通过关联分析准确预测出异常结果。此外，还有研究人员将复杂的神经网络算法应用到智能网联汽车状态异常检测中，但这类方法提出的算法模型复杂度高、消耗资源大，无法满足车载终端计算、存储资源有限的约束条件，难以在智能网联汽车控制终端中得到实际部署与应用。

发明内容

为了解决上述难题，本发明的目的在于一种提供智能网联汽车异常智能检测方法、装置及可读存储介质，效缓解噪声数据和不平衡数据影响威胁感知精度的问题，满足了车载终端有限资源约束条件下的轻量化部署要求。

为达到上述发明创造目的，本发明采用如下技术方案：

一种智能网联汽车异常智能检测方法，所述检测方法包括：

根据根不同车辆数据类型间的关系确定样本特征的数据类型，获取所述样本特征对应的车辆数据，对所述车辆数据预处理后得到用于训练的样本数据；

用所述样本数据训练车辆异常检测决策树模型，生成泛化能力达到预设目标的决策树模型；

将所述决策树模型部署到车载终端，获取实时车辆数据，得到车辆数据是否异常的结果。

进一步的，所述样本数据包含多种不同的样本特征，各类型样本数据之间互不关联。

进一步的，用所述样本数据训练决策树模型，生成泛化能力达到预设目标的决策树模型具体过程为：

根据信息增益率计算方法得到特征分裂点序，生成车辆异常检测初始决策树模型，采用后剪枝方式对所述初始决策树模型进行精剪，生成优化的决策树模型。

进一步的，所述根据信息增益率计算生成初始决策树模型具体为：