一种ECU异常识别方法技术

本发明专利技术公开了一种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。具有稳定可靠的性能。具有稳定可靠的性能。

【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，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。
[0005]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。
[0006]CAN ID通常是车辆通过电子控制单元（ECU）的信息自动生成，因此本专利技术采用电子控制单元（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。

技术实现思路

[0007]为解决上述问题，本专利技术公开了一种ECU异常识别方法。
[0008]为实现上述目的，本专利技术的技术方案为：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：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。
[0009]进一步的改进，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。
[0010]进一步的改进，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）：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：，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。
[0011]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：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，通过使用本文档来自技高网...

【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：