[发明专利]基于轻量化网络MobileViT的车载CAN总线异常检测方法

权利要求书

1.一种基于轻量化网络MobileViT的车载CAN总线异常检测方法，其特征在于：包括如下过程：

步骤1：获取原始数据集，并对该原始数据集中的行为流量样本进行预处理，将行为流量样本转化为相对应的行为样本图片，得到图片数据集，将图片数据集划分为训练集和测试集；

步骤2：构建轻量级网络模型MobileViT，输入训练集，对其网络参数进行初始化，得到初始车载CAN总线异常检测模型，并进行超参数优化；

步骤3：训练初始车载CAN总线异常检测模型，得到训练好的车载CAN总线异常检测模型；

步骤4：采用F1分数F1-score、查准率Precision、召回率Recall以及准确率Accuracy作为评价指标，利用测试集评估训练好的车载CAN总线异常检测模型，将得到的指标结果与现有模型的指标进行对比，验证车载CAN总线异常检测模型的检测效果。

2.如权利要求1所述一种基于轻量化网络MobileViT的车载CAN总线异常检测方法，其特征在于：所述步骤1包括：

步骤1.1：获取Car-Hacking Dataset数据集作为原始数据集；

步骤1.2：对原始数据集中的行为流量样本进行预处理：对原始数据集进行数据清洗、维度转换，将行为流量样本转化为相对应的行为样本图片；

步骤1.3：根据预处理后得到的行为样本图片生成图片数据集，将图片数据集按8：2随机划分为训练集和测试集。

3.如权利要求1所述一种基于轻量化网络MobileViT的车载CAN总线异常检测方法，其特征在于：所述步骤2包括：

步骤2.1：构建轻量化网络模型MobileViT，其结构包括：卷积层、MV2模块、MVIT模块、全局池化层以及全连接层；

步骤2.2：输入训练集，将轻量化网络模型MobileViT初始化，获得初始的车载CAN总线异常检测模型，得到模型初始化后的超参数；

步骤2.3：使用指数衰减算法自动更新学习率，训练更新模型初始化后的超参数，对初始车载CAN总线异常检测模型进行优化，指数衰减算法原理如下所示：

lr_t＝lr×gamma^epoch

其中，lr表示初始学习率；lr_t表示当前学习率；gamma表示学习率衰减因子，即学习率调整倍数的底；epoch表示训练轮次。

4.如权利要求3所述一种基于轻量化网络MobileViT的车载CAN总线异常检测方法，其特征在于：所述步骤2.1中所述MV2模块是一个倒残差结构，包括：卷积核大小为1×1的卷积层，激活函数层为GELU函数，卷积核大小为3×3的深度可分离卷积层，激活函数层为GELU函数，卷积核大小为1×1的卷积层，激活函数层为线性激活函数；该倒残差结构只有当步幅Stride为1且输入特征矩阵与输出特征矩阵形状相同时，才能有捷径Shortcut相连。

5.如权利要求3所述一种基于轻量化网络MobileViT的车载CAN总线异常检测方法，其特征在于：所述步骤2.1中所述MVIT模块由三个功能子模块组成，分别为局部特征建模模块、全局特征建模模块、特征融合模块；其中：局部特征建模模块，包括卷积核为3×3的卷积层和卷积核大小为1×1的卷积层；全局特征建模模块为Unfold-＞Transformer-＞Fold结构；特征融合模块，包括卷积核大小为1×1的卷积层、拼接操作、卷积核大小为3×3的卷积层。

6.如权利要求1所述一种基于轻量化网络MobileViT的车载CAN总线异常检测方法，其特征在于：所述步骤3包括：

步骤3.1：将划分好的训练集输入优化后的初始车载CAN总线异常检测模型；

步骤3.2：使用随机梯度下降法根据损失函数计算的误差进行训练，在随机梯度下降的每次迭代中，对数据样本随即均匀采样一个索引m，m∈{1，...，n}，并计算梯度以更新x，得到训练好的车载CAN总线异常检测模型，公式如下：

其中，f_m(x)是关于索引m的训练样本的损失函数，其中x是参数向量，为目标函数的梯度，η为学习率。