一种车载网络故障检测方法、装置、可读存储介质及电子设备，该方法包括：获取CAN总线数据集，所述CAN总线数据集包括各个时刻下CAN总线上CAN帧的各类状态数据，以及对应的故障信息；构建循环神经网络模型，并利用所述CAN总线数据集对所述循环神经网络模型进行训练；将CAN总线上当前CAN帧的各类状态数据输入至训练后的所述循环神经网络模型中，并获取所述循环神经网络模型输出的当前故障发生概率。通过该方法可以对车载网络进行在线实时性防护，并可以对异常数据报进行实时性甄别，对车载网络安全防护起到了至关重要的作用。安全防护起到了至关重要的作用。安全防护起到了至关重要的作用。
【技术实现步骤摘要】
车载网络故障检测方法、装置、可读存储介质及电子设备
[0001]本专利技术涉及汽车领域，特别是涉及一种车载网络故障检测方法、装置、可读存储介质及电子设备。
技术介绍
[0002]随着物联网技术的不断发展，物物相连的理念逐渐深入人心，越来越多的行业投身于物联网的技术革新，汽车行业就是其中的典型。为了进一步提升车辆驾驶的舒适度和容易度，网联化和智能化成为车辆发展的必然方向。
[0003]车辆的网联化趋势致使车辆的开放程度大大增加，车辆与外界通信的接口包括蓝牙、Wi
‑
Fi、4G等都得到了广泛应用，这些接口增加了受到网络攻击的风险。同时，车辆智能化的趋势促使车内电子网络的复杂程度迅速增加。车辆内部作为电子系统核心元件的电子控制单元(Electronic Control Unit,ECU)的数量可达上百个，这必然性地带来网络漏洞的增加及攻击面的扩大化。车辆的开放性和车内电子网络的复杂性使得车辆遭受攻击的风险到达了一个前所未有的地步，作为车内电子网络的主要总线之一的控制器局域网络(Controller Area Network,CAN)总线，其安全性更是遭受了前所未有的考验。近年来针对CAN总线的汽车网络攻击事件，层出不穷。如何对汽车网络进行安全防护，成为当前亟待解决的问题。
技术实现思路
[0004]鉴于上述状况，有必要提供一种车载网络故障检测方法、装置、可读存储介质及电子设备，以对汽车网络进行安全防护。
[0005]一种车载网络故障检测方法，包括：
[0006]获取CAN总线数据集，所述CAN总线数据集包括各个时刻下CAN总线上CAN帧的各类状态数据，以及对应的故障信息；
[0007]构建循环神经网络模型，并利用所述CAN总线数据集对所述循环神经网络模型进行训练；
[0008]将CAN总线上当前CAN帧的各类状态数据输入至训练后的所述循环神经网络模型中，并获取所述循环神经网络模型输出的当前故障发生概率。
[0009]进一步的，上述车载网络故障检测方法，其中，所述获取CAN总线数据集的步骤包括：
[0010]获取各个时刻下CAN总线上CAN帧，并按照帧类型分别进行序列化，以得到各类状态数据，各类所述状态数据包括帧起始数据，仲裁场数据，控制场数据，数据场数据，CRC场数据，ACK场数据和帧结束数据。
[0011]进一步的，上述车载网络故障检测方法，其中，所述利用所述CAN总线数据集对所述循环神经网络模型进行训练的步骤包括：
[0012]将所述CAN总线数据集按照K
‑
Fold方法随机划分为训练集数据和验证集数据；
[0013]利用所述训练集数据对所述循环神经网络模型进行训练，并自适应调整所述循环神经网络模型中的超参数；
[0014]利用所述验证集数据对训练后的循环神经网络模型进行验证。
[0015]进一步的，上述车载网络故障检测方法，其中，所述利用所述训练集数据对所述循环神经网络模型进行训练的步骤包括：
[0016]分别将所述训练集数据中的各类状态数据和对应的时间序列输入至所述循环神经网络模型中，并输出对应的故障发生概率；
[0017]根据所述训练集数据中的各个时刻的故障信息以及所述故障发生概率，自适应调整所述神经网络模型的超参数。
[0018]进一步的，上述车载网络故障检测方法，其中，所述获取所述循环神经网络模型输出的当前故障发生概率的步骤之后还包括：
[0019]判断所述故障发生概率是否大于阈值；
[0020]若是，向预设的订阅源推送报警信息。
[0021]进一步的，上述车载网络故障检测方法，其中，所述循环神经网络模型采用logistics回归函数作为输出层，且采用Adam算法作为模型参数的优化算法。
[0022]进一步的，上述车载网络故障检测方法，其中，所述循环神经网络模型采用GRU循环神经网络模型。
[0023]本专利技术还提供了一种车载网络故障检测装置，包括：
[0024]获取模块，用于获取CAN总线数据集，所述CAN总线数据集包括各个时刻下CAN总线上CAN帧的各类状态数据，以及对应的故障信息；
[0025]模型训练模块，用于构建循环神经网络模型，并利用所述CAN总线数据集对所述循环神经网络模型进行训练；
[0026]模型测试模块，用于将CAN总线上当前CAN帧的各类状态数据输入至训练后的所述循环神经网络模型中，并获取所述循环神经网络模型输出的当前故障发生概率。
[0027]进一步的，上述车载网络故障检测装置，其中，所述获取模块用于：
[0028]获取各个时刻下CAN总线上CAN帧，并按照帧类型分别进行序列化，以得到各类状态数据，各类所述状态数据包括帧起始数据，仲裁场数据，控制场数据，数据场数据，CRC场数据，ACK场数据和帧结束数据。
[0029]进一步的，上述车载网络故障检测装置，其中，所述模型训练模块包括：
[0030]数据划分单元，用于将所述CAN总线数据集按照K
‑
Fold方法随机划分为训练集数据和验证集数据；
[0031]模型训练单元，利用所述训练集数据对所述循环神经网络模型进行训练，并自适应调整所述循环神经网络模型中的超参数；
[0032]模型验证单元，用于利用所述验证集数据对训练后的循环神经网络模型进行验证。
[0033]进一步的，上述车载网络故障检测装置，其中，所述模型训练单元具体用于：
[0034]分别将所述训练集数据中的各类状态数据和对应的时间序列输入至所述循环神经网络模型中，并输出对应的故障发生概率；
[0035]根据所述训练集数据中的各个时刻的故障信息以及所述故障发生概率，自适应调
整所述神经网络模型的超参数。
[0036]进一步的，上述车载网络故障检测装置，还包括：
[0037]判断模块，用于判断所述故障发生概率是否大于阈值；
[0038]信息推送模块，用于当所述故障发生概率大于阈值时，向预设的订阅源推送报警信息。
[0039]本专利技术还公开了一种可读存储介质，其上存储有程序，所述程序被处理器执行时实现上述任一所述的方法。
[0040]本专利技术还公开了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现上述任意一项所述的方法。
[0041]本专利技术可以通过获取车载网络总线上的数据，结合经训练好的循环神经网络模型，根据车载CAN总线上的数据按照时序进行障测预故。本实施例中，采用循环神经网络的方式，能够针对每一帧CAN帧数据进行及时高效的反馈，并予以量化。通过该方法可以对车载网络进行在线实时性防护，并可以对异常数据报进行实时性甄别，对车载网络安全防护起到了至关重要的作用。
附图说明
[0042]图1为本专利技术第一实施例提供的车载网络故障检测方法的流程图；
[0043]图2为本专利技术第二实施例本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车载网络故障检测方法，其特征在于，包括：获取CAN总线数据集，所述CAN总线数据集包括各个时刻下CAN总线上CAN帧的各类状态数据，以及对应的故障信息；构建循环神经网络模型，并利用所述CAN总线数据集对所述循环神经网络模型进行训练；将CAN总线上当前CAN帧的各类状态数据输入至训练后的所述循环神经网络模型中，并获取所述循环神经网络模型输出的当前故障发生概率。2.根据权利要求1所述的车载网络故障检测方法，其特征在于，所述获取CAN总线数据集的步骤包括：获取各个时刻下CAN总线上CAN帧，并按照帧类型分别进行序列化，以得到各类状态数据，各类所述状态数据包括帧起始数据，仲裁场数据，控制场数据，数据场数据，CRC场数据，ACK场数据和帧结束数据。3.根据权利要求1所述的车载网络故障检测方法，其特征在于，所述利用所述CAN总线数据集对所述循环神经网络模型进行训练的步骤包括：将所述CAN总线数据集按照K
‑
Fold方法随机划分为训练集数据和验证集数据；利用所述训练集数据对所述循环神经网络模型进行训练，并自适应调整所述循环神经网络模型中的超参数；利用所述验证集数据对训练后的循环神经网络模型进行验证。4.根据权利要求3所述的车载网络故障检测方法，其特征在于，所述利用所述训练集数据对所述循环神经网络模型进行训练的步骤包括：分别将所述训练集数据中的各类状态数据和对应的时间序列输入至所述循环神经网络模型中，并输出对应的故障发生概率；根据...
【专利技术属性】
技术研发人员：姜淑琴，范渊，黄进，
申请(专利权)人：杭州安恒信息技术股份有限公司，
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。