本發(fā)明屬于車載網(wǎng)絡(luò)安全領(lǐng)域，具體涉及基于cnn和transformer的網(wǎng)聯(lián)車can總線異常檢測方法(dm-cbct)。

背景技術(shù)：

1、隨著車聯(lián)網(wǎng)的實(shí)施，車輛與外界萬物(如基礎(chǔ)設(shè)施和車輛)的交互將導(dǎo)致車載can網(wǎng)絡(luò)面臨更高的安全風(fēng)險(xiǎn)。早期異常檢測可以最大化保證車輛和人員的安全。

2、網(wǎng)聯(lián)車can異常檢測方法一般分為兩類：基于模型的異常檢測方法和基于數(shù)據(jù)驅(qū)動(dòng)的異常檢測方法。基于模型的方法依賴于較強(qiáng)的專業(yè)知識建立異常檢測模型。can協(xié)議由于其本身的復(fù)雜性，對專業(yè)知識要求高，因此很難建立精確的模型。目前，數(shù)據(jù)驅(qū)動(dòng)方法由于能夠自動(dòng)提取特征，且對專業(yè)知識的要求較低，在網(wǎng)聯(lián)車can異常檢測中得到了廣泛的應(yīng)用。

3、近年來，深度學(xué)習(xí)的發(fā)展為數(shù)據(jù)驅(qū)動(dòng)的異常檢測提供了機(jī)遇。常用的深度學(xué)習(xí)方法包括自動(dòng)編碼器、卷積神經(jīng)網(wǎng)絡(luò)、長短期記憶網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)。數(shù)據(jù)驅(qū)動(dòng)的異常檢測方法雖然效果顯著，但在實(shí)際場景中，采集到的can數(shù)據(jù)有很多冗余信息，會(huì)嚴(yán)重影響異常檢測精度。因此，如何從can數(shù)據(jù)中提取id和數(shù)據(jù)字段特征準(zhǔn)確地估計(jì)網(wǎng)聯(lián)車can異常類型仍是一個(gè)挑戰(zhàn)。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)中存在的上述問題，本發(fā)明的目的在于提供一種基于cnn和transformer的網(wǎng)聯(lián)車can總線異常檢測方法，應(yīng)用于網(wǎng)聯(lián)車中，解決其內(nèi)部can網(wǎng)絡(luò)異常檢測問題的異常檢測方法。

2、本發(fā)明提供如下技術(shù)方案：基于cnn和transformer的網(wǎng)聯(lián)車can總線異常方法，包括以下步驟：

3、1)通過車輛的obd-ii端口，獲取can總線數(shù)據(jù)。使用滑動(dòng)窗口分割can數(shù)據(jù)，構(gòu)建固定長度的can消息序列。將分割后的數(shù)據(jù)分為訓(xùn)練集和測試集；

4、2)采用min-max標(biāo)準(zhǔn)化方法對訓(xùn)練集的can序列和測試集的can序列進(jìn)行比例縮放，生成符合深度學(xué)習(xí)模型訓(xùn)練的數(shù)據(jù)輸入格式；

5、3)確定基于cnn和transformer的網(wǎng)聯(lián)車can網(wǎng)絡(luò)異常檢測模型dm-cbct的整體結(jié)構(gòu)和參數(shù)，將訓(xùn)練集輸入到dm-cbct中進(jìn)行訓(xùn)練，得到一個(gè)用于網(wǎng)聯(lián)車can流量的異常檢測模型，訓(xùn)練集在dm-cbct中的具體處理過程如下：

6、3.1)通過卷積層自動(dòng)學(xué)習(xí)輸入訓(xùn)練集can序列中的id和數(shù)據(jù)字段特征，捕捉can序列中的局部依賴關(guān)系；

7、3.2)輸入的訓(xùn)練集can序列首先通過dm-cbct中的蟻獅優(yōu)化算法自適應(yīng)調(diào)節(jié)cnn的感受野大小，然后經(jīng)過異常檢測模型中的transformer模塊，獲取can序列的全局特征關(guān)系；

8、3.3)將步驟3.2)中經(jīng)過調(diào)整感受野后的卷積神經(jīng)網(wǎng)絡(luò)和transformer模塊獲取的can序列特征輸入到softmax激活函數(shù)中，獲取異常檢測結(jié)果；

9、4)將測試集的can序列輸入到訓(xùn)練好的dm-cbct中進(jìn)行異常檢測。

10、進(jìn)一步的，將蟻獅優(yōu)化算法引入卷積層中，自適應(yīng)調(diào)節(jié)卷積神經(jīng)網(wǎng)絡(luò)感受野大小，卷積層后加入transformer模塊。

11、進(jìn)一步的，所述步驟3.3)中，輸入的訓(xùn)練集can序列經(jīng)過調(diào)整感受野后的卷積神經(jīng)網(wǎng)絡(luò)和transformer模塊，分別自適應(yīng)can序列特性和獲取can序列全局依賴關(guān)系的具體過程如下：

12、3.2.1)輸入can序列首先經(jīng)過蟻獅優(yōu)化算法調(diào)整感受野后的卷積神經(jīng)網(wǎng)絡(luò)。在蟻獅優(yōu)化算法中，利用螞蟻模擬卷積神經(jīng)網(wǎng)絡(luò)的感受野集合，蟻獅模擬最優(yōu)感受野。

13、3.2.1.1)螞蟻個(gè)體在解空間內(nèi)進(jìn)行隨機(jī)搜索來尋找食物，即：

14、x(t)＝[0,cussum(2r(t1)-1),...,cussum(2r(tn)-1)]

15、式中：x(t)為螞蟻隨機(jī)游走的步數(shù)集，cumsum為計(jì)算累加和，t為隨機(jī)游走的步數(shù)，r(t)為一個(gè)隨機(jī)函數(shù)，定義為：

16、

17、式中：rand的取值范圍為[0,1]；

18、3.2.1.2)由于可行域存在邊界，對螞蟻隨機(jī)游走進(jìn)行歸一化來進(jìn)行位置更新：

19、

20、其中，ai為第i維變量隨機(jī)游走的最小值，bi為第i維變量隨機(jī)游走的最大值，為第i維變量在第t次迭代的最小值，ci為第i維所有變量的最小值，為第i維變量在第t次迭代最大值；

21、3.2.1.3)蟻獅設(shè)置陷阱來影響螞蟻隨機(jī)游走的路線:

22、

23、其中，ct為所有變量在第t次迭代的最小值，dt為所有變量在第t次迭代的最大值，為第j只蟻獅在第t次迭代的位置；螞蟻一旦落入蟻獅制造的陷阱，蟻獅就會(huì)向陷阱邊緣拋沙以防止螞蟻逃脫：

24、

25、其中i為比例系數(shù)；

26、3.2.1.4)當(dāng)螞蟻的適應(yīng)度值比蟻獅大時(shí)，則認(rèn)為蟻獅將其捕獲，此時(shí)蟻獅會(huì)根據(jù)螞蟻的位置來更新陷阱：

27、

28、其中，表示第i只螞蟻在第t次迭代的位置；f為適應(yīng)度函數(shù)。經(jīng)過多次迭代后確定最佳感受野大小。

29、3.2.2)在cnn中使用蟻獅優(yōu)化算法自適應(yīng)得到的最佳感受野大小，通過transformer模塊捕獲can序列中的全局依賴關(guān)系；具體如下：

30、3.2.2.1)令demb，dk，dv，n分別表示詞嵌入向量的維度、鍵向量的維度、值向量的維度和平行注意力層的數(shù)量；對于每一平行注意力層，使用第i個(gè)位置對應(yīng)的前一個(gè)解碼器的輸出查詢向量并將所有位置的編碼器輸出打包成一個(gè)值為鍵為的矩陣；

31、3.2.2.2)為計(jì)算輸出每一組注意力層將輸入映射到不同的子表示空間，使得模型能夠在不同子表示空間中關(guān)注不同的位置；即:

32、

33、

34、

35、其中，投影矩陣和wo是第n個(gè)平行注意力層的學(xué)習(xí)參數(shù)；每個(gè)平行注意力層采用縮放點(diǎn)積注意力:

36、

37、向量代表所有源上第i個(gè)目標(biāo)令牌對應(yīng)的注意力概率向量，由第j個(gè)注意力頭部計(jì)算；

38、對于所有的注意力頭部，通過將所有目標(biāo)標(biāo)記的注意力概率向量組合在一起能夠構(gòu)造出一個(gè)注意力矩陣ai×j；注意力矩陣ai×j展示了在生成整個(gè)目標(biāo)序列時(shí)，模型在每個(gè)特定位置上對源序列各個(gè)位置的關(guān)注程度。

39、進(jìn)一步的，所述的步驟3中基于cnn和transformer的網(wǎng)聯(lián)車can網(wǎng)絡(luò)異常檢測模型dm-cbct采用交叉熵?fù)p失函數(shù)調(diào)整策略進(jìn)行網(wǎng)絡(luò)訓(xùn)練，并采用交叉熵?fù)p失函數(shù)來評估網(wǎng)絡(luò)的訓(xùn)練和驗(yàn)證損失。

40、通過采用上述技術(shù)，與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果如下：

41、本發(fā)明方法利用卷積神經(jīng)網(wǎng)絡(luò)結(jié)合蟻獅優(yōu)化算法和transformer模塊來學(xué)習(xí)和獲取輸入can序列中的重要特征。通過引入蟻獅優(yōu)化算法來自適應(yīng)調(diào)節(jié)感受野大小，并引入transformer模塊用于捕獲can流量中的長距離依賴關(guān)系，能夠顯著提高異常檢測模型在多種攻擊場景下的異常檢測精度。

技術(shù)特征：

1.基于cnn和transformer的網(wǎng)聯(lián)車can總線異常檢測方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于網(wǎng)聯(lián)車can總線異常檢測模型的構(gòu)建方法，其特征在于，dm-cbct模型的卷積層中引入蟻獅優(yōu)化算法，自適應(yīng)調(diào)節(jié)卷積神經(jīng)網(wǎng)絡(luò)感受野大小，卷積層后加入transformer模塊。

3.根據(jù)權(quán)利要求2所述的基于網(wǎng)聯(lián)車can總線異常檢測模型的構(gòu)建方法，其特征在于，所述步驟3.2)中，輸入的訓(xùn)練集can序列經(jīng)過調(diào)整感受野后的卷積神經(jīng)網(wǎng)絡(luò)和transformer模塊，分別自適應(yīng)can序列特性和獲取can序列全局依賴關(guān)系，其具體過程如下：

4.根據(jù)權(quán)利要求1所述的基于cnn和transformer的網(wǎng)聯(lián)車can總線異常檢測方法，其特征在于，所述的步驟3中基于cnn和transformer的can網(wǎng)絡(luò)異常檢測模型dm-cbct采用交叉熵?fù)p失函數(shù)調(diào)整策略進(jìn)行網(wǎng)絡(luò)訓(xùn)練，并采用交叉熵?fù)p失函數(shù)來評估網(wǎng)絡(luò)的訓(xùn)練和驗(yàn)證損失。

技術(shù)總結(jié)
基于CNN和Transformer的網(wǎng)聯(lián)車CAN總線異常檢測方法，屬于車載網(wǎng)絡(luò)安全領(lǐng)域。它包括以下步驟：1)收集車輛CAN數(shù)據(jù)作為數(shù)據(jù)集，并對其進(jìn)行分割，將分割后的數(shù)據(jù)分為訓(xùn)練集和測試集；2)將訓(xùn)練集和測試集的CAN數(shù)據(jù)進(jìn)行預(yù)處理；3)將訓(xùn)練集輸入到DM?CBCT網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到一個(gè)用于網(wǎng)聯(lián)車CAN數(shù)據(jù)流量的異常檢測模型，4)將測試集的CAN數(shù)據(jù)輸入到訓(xùn)練好的DM?CBCT模型中進(jìn)行異常檢測。本發(fā)明引入蟻獅優(yōu)化算法來自適應(yīng)調(diào)節(jié)感受野大小，并引入transformer模塊捕獲CAN流量中的長程依賴關(guān)系，能夠顯著提高網(wǎng)聯(lián)車異常檢測模型在多種攻擊場景下的異常檢測精度。

技術(shù)研發(fā)人員：張丹,陳安康,何志濤
受保護(hù)的技術(shù)使用者：浙江工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/4/24