[发明专利]基于轻量化网络MobileViT的车载CAN总线异常检测方法

说明书

本发明提供一种基于轻量化网络MobileViT的车载CAN总线异常检测方法，涉及网络与信息安全领域。通过对原始数据集进行数据清洗以及维度转化，得到行为样本图片数据集；构建并训练得到一个改进的轻量级网络模型MobileViT来实现对生成的行为样本图片分类，以此将车载CAN总线异常检测问题转换为图片分类问题。使用GELU作为轻量化MobileViT网络模型中MV2模块的激活函数，有效解决神经元死亡问题，提升了模型收敛速度；在模型的训练过程中，使用指数衰减自动更新学习率，防止模型陷入局部最优的同时还减少了训练时间。本发明首次将轻量化网络MobileViT应用到车载CAN总线的异常检测上，在消耗较少硬件资源的情景下，能够对车载CAN总线的异常进行高效的检测。

技术领域

本发明属于网络与信息安全领域，具体涉及一种基于轻量化网络MobileViT的车载CAN总线异常检测方法。

背景技术

当前，车载CAN(Controller Area Network，控制器局域网)总线异常是车联网安全重大威胁之一。车载CAN总线异常是指在车辆正常行驶中，黑客在驾驶员未知或者未经驾驶员许可的情况下，使用非法的技术手段，攻击车载CAN总线，导致车载CAN总线出现异常的情况。车载CAN总线异常检测，旨在对车载CAN总线中经过的全部数据进行识别，以防止车载CAN总线异常从而对行车安全产生更大的危害。

传统车载CAN总线异常检测方法有基于信息熵的车载CAN总线异常检测方法和基于信息特征分类的车载CAN总线异常检测方法。基于信息熵的车载CAN总线异常检测方法是指计算出正常情况下车载CAN总线的信息熵，并将其标定为异常检测的基准线，再对每个时间片上的车载CAN总线的信息熵进行计算，将计算得到的车载CAN总线的信息熵与基准线进行对比，从而判断车载CAN总线是否出现异常。基于信息熵的车载CAN总线异常检测的缺点是基准线难以界定，稍高或稍低的基准线对检测结果准确性影响极大。基于信息特征分类的车载CAN总线异常检测方法是针对车载CAN总线被攻击后产生的异常行为，选取易于计算的异常行为的关键特征，作为车载CAN总线异常检测的依据，此种方法的缺点是难以计算出某些异常行为的关键特征，从而不能检测出车载CAN总线全部异常。此外，无论是基于信息熵还是基于信息特征分类的车载CAN总线异常检测方法，都需要进行复杂的计算，将消耗大量的硬件资源。

鉴于深度学习在图像处理、语音识别、自然语言处理等各个领域的成功应用，基于深度学习的车载CAN总线异常检测方法研究也成为了现今网络与信息安全领域的研究热点。Javed等将卷积神经网络与融合了注意力机制的门控循环单元相结合，构建了车载CAN总线异常检测模型，并在收集的真实车载CAN总线上进行测试，最终能够识别出异常行为。这种方法仍旧存在明显的不足就是模型复杂庞大，难以在车载CAN总线上部署。Lo等提出一种基于卷积神经网络和长短期记忆网络的入侵检测方法，利用卷积神经网络对特征提取的能力以及长短期记忆网络对时序性数据的适用性，在实际车载CAN总线上进行实验，实验表明该方法相比传统的机器学习方法，在检测精度和误报率指标上都有大幅度提升。但是存在模型训练的收敛速度过慢以及响应时间过长的问题。

综上所述，现有的这些基于深度学习的车载CAN总线异常检测方法都具有一定的检测能力，但是往往存在模型臃肿，参数众多，收敛速度较慢以及响应时间过长等问题。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于轻量化网络MobileViT的车载CAN总线异常检测方法。

为解决上述技术问题，本发明所采取的技术方案是：

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；