[发明专利]一种基于深度学习的低时延、安全的车载入侵检测方法

权利要求书

1.一种基于深度学习的低时延、安全的车载入侵检测方法，其特征在于，所述方法实现包括以下步骤：

S1：首先是通过连接车载OBD-II端口收集汽车正常行驶过程中实时通信流量，构建正常流量数据库；此外，利用模拟攻击来获取相应的异常特征，并构建异常流量数据库；

S2：对采集的流量的仲裁位实现编码，将连续十六进制的CAN帧编码成CAN图像，由于仲裁位决定CAN总线的通信优先级，因此基于深度学习的车载入侵检测主要检测仲裁位；该方法通过独热向量编码将十六进制的仲裁位编码成2-D图像，以获取时空相关性特征，提高入侵检测的准确率；

S3:基于深度学习训练异常流量分类模型，包括编码器、处理器、解码器，编码器与解码器被安装在车载端，而处理器将放置在云端，编码器的目的是编码和提取浅层特征；处理器在云端主要提取深度特征，解码器为浅层分类网络实现车载异常检测，整个模型同时训练，以优化编码器、处理器、解码器的参数，保证模型的性能；

S4:异常流量识别与报警，利用训练好的深度学习模型检测测试的流量，并计算异常流量的报警率和误报率，衡量模型的性能。

2.根据权利要求1所述的一种基于深度学习的低时延、安全的车载入侵检测方法，其特征在于，构建异常流量数据库过程中，采用丢弃数据帧、篡改数据帧、重放数据帧方式生成异常流量，具体设置如下：

1.1.在正常流量中注入高优先级的数据帧，构建DoS攻击数据集；

1.2.在正常流量中注入百分之二十的重复消息，构建重放攻击数据集；

1.3.在正常流量中修改百分之二十的正常数据，构造中间人攻击数据集。

3.根据权利要求1所述的一种基于深度学习的低时延、安全的车载入侵检测方法，其特征在于，所述步骤S3中，在编码器处搜寻提取真实特征a，计算公式如下：其中G代表编码器，a代表提取的浅层特征；

a＝G(i)

但是，编码器不会直接发送真实特征，而是引入随机相位θ和虚数b，其中参数b被认为构造复值特征的混淆信息，θ是在随机相位下隐藏复值特征的密钥，i为虚数单位，计算公式如下：

x＝exp(iθ)[a+b·i]

理想的参数b不包含任何真实特征信息且与真实特征大小一致，而随机相位主要通过生成式对抗网络生成，以保证真实特征在随机相位下受到保护，也就是说，如果攻击者攻击模型获取特征并恢复输入信息，则可能会得到k个与真实特征a相同分布的a′，因此，该编码器能降低恢复输入信息的可能性，保证模型的安全性，a′的计算公式如下：其中代表解码器中提取复值特征的实值部分，θ′代表攻击者猜测的角度，exp代表指数运算；

。

4.根据权利要求1所述的一种基于深度学习的低时延、安全的车载入侵检测方法，其特征在于，所述步骤S3中，处理器在云端主要提取深度特征，具体过程为：当构建处理器网络模型，编码器将复值特征发送的云端，云端会基于复值卷积神经网络和注意力机制提取深度特征h，由于神经网络是线性与非线性计算的结合，因此，为保证随机相位旋转不变性，即解码器能成功解码，处理器模块的卷积神经网络的卷积层，最大池化层，激活函数都要做相应修改，满足以下公式：其中Φ_j代表第j的特征；代表j-1层的特征；f_j-1即对j-1层的特征计算函数；

对于修改实数域上的卷积层、最大池化层及激活函数，为保证旋转不变性，对于修改卷积层，在卷积层中去掉偏置；对于修改最大池化层，选取复数模中的最大值；对于激活函数，即满足不变性和非线性化，修改公式如下：其中δ(f_ijk)代表对第k个通道的区域(i,j)的神经元的激活，c是设置的一个常数；f_ijk是代表对第k个通道的区域(i,j)的线性加权计算；

δ(f_ijk)＝||f_ijk||·f_ijk/max{||f_ijk||,c}。