[发明专利]车载网络虚假信息注入异常行为检测方法

权利要求书

1.一种车载网络虚假信息注入异常行为检测方法，其特征在于：包括如下步骤：

步骤1，根据CNN网络的基本结构，结合车载网络检测数据的特征，建立基于车载网络异常检测的CNN网络，

步骤2，通过CNN网络提取车载网络检测数据的特征；

步骤3，通过车载网络攻击实验平台，借助数据采集设备对实车进行数据采集，并通过仿真测试软件对采集的正常数据进行分析，从而得到车载网络虚假信息注入的异常数据集，完成车载网络虚假信息注入异常行为检测；

其中，对CNN算法超参数进行模型训练，选择车载网络中固定周期发送的报文及其字段内容，通过构建车载网络异常模型进行分类算法分析，按照实际报文变化规则构建异常数据集。

2.根据权利要求1所述的车载网络虚假信息注入异常行为检测方法，其特征在于：所述步骤2中提取车载网络检测数据特征的方式为结合汽车电子元器件、车载网络通信协议、驾驶场景的信息，分析车载网络通信数据存在的部分特征。

3.根据权利要求1或2所述的车载网络虚假信息注入异常行为检测方法，其特征在于：所述步骤2中的部分特征的提取的过程中先根据报文时序的信号特征选择汉明距离与CNN网络进行异常行为的分类与检测。

4.根据权利要求1或2所述的车载网络虚假信息注入异常行为检测方法，其特征在于：所述步骤1中的CNN网络包括5个层级结构：输入层、卷积层、激活层、池化层和输出层，并且采用CNN网络进行数据特征的自学习和分类的具体步骤如下：

步骤11，在输入层对数据进行预处理，将输入数据的二维矩阵转化为三维矩阵；

步骤12，通过卷积层进行局部感知，提取数据特征；

步骤13，在激励层利用ReLU函数对卷积层的输出结果做非线性映射；

步骤14，在池化层进行特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性；

步骤15，在全连接层将前面从不同角度生成的网络流量特征综合到一起，将学习到的多个特征映射到样本标记空间；

步骤16，采用softmax函数输出最终分类，判断输出的二维测试集标识矩阵是否异常，实现对车载网络中数据特征的自学习和分类。

5.根据权利要求1或2所述的车载网络虚假信息注入异常行为检测方法，其特征在于：所述CNN算法超参数包括epoch、迭代次数、时间开销、小批量损失、小批量精度和基本学习率。

6.根据权利要求5所述的车载网络虚假信息注入异常行为检测方法，其特征在于：所述按照实际报文变化规则构建异常数据集的步骤如下：

步骤4，首先选择字段内容为某一固定周期变化的报文，通过构建异常模型进行分类算法分析；

步骤5，然后将单精度数值的时间戳转化为二进制数列，转化方式为将整数部分整除2，依次取余数，然后从高位到低依次排列，小数部分乘以2，依次取整数部分，然后按倒序排列；

步骤6，最后根据预处理的数列矩阵进行不同分类算法的异常检测与分析对比，构建异常数据集。