【技术实现步骤摘要】
一种ECU异常识别方法
[0001]本专利技术属于车载安全领域,尤其涉及一种ECU异常识别方法。
技术介绍
[0002]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。
[0003]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。
[0004]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 ...
【技术保护点】
【技术特征摘要】
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;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: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。2.如权利要求1所述的一种ECU异常识别方法,其特征在于,所述的Enhanced LSTM神经网络模型按顺序分为输入层、隐藏层和输出层。3.如权利要求2所述的一种ECU异常识别方法,其特征在于,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:当给定的多维时序数据集(X,y):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:,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...
【专利技术属性】
技术研发人员:卢继武,许鹤,刘平,孟锦豪,刘义,张景哲,
申请(专利权)人:长沙德壹科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。