[发明专利]在基于控制器域网的通信网络中检测信号的方法及其装置

说明书

一种通信网络中的通信节点的操作方法可以包括：从多个控制器域网(CAN)通信节点接收CAN信号；通过基于前向采样时刻而对接收到的CAN信号执行前向预处理来生成前向输入数据；根据前向采样时刻而生成前向时间间隔数据和针对前向输入数据的前向掩蔽数据；通过基于后向采样时刻而对CAN信号执行后向预处理来生成后向输入数据；根据后向采样时刻而生成后向时间间隔数据和针对后向输入数据的后向掩蔽数据；以及通过将前向输入数据、前向掩蔽数据、前向时间间隔数据、后向输入数据、后向掩蔽数据和后向时间间隔数据输入到门控循环单元‑衰减(GRU‑D)神经网络中来检测CAN信号之中的异常信号。

相关申请的交叉引用

本申请要求于2019年8月14日向韩国知识产权局(KIPO)提交的申请号为10-2019-0099372的韩国专利申请的优先权，其整体内容通过引用合并于此。

技术领域

本公开内容涉及用于在基于控制器域网(CAN，controller area network)的通信网络中检测信号的方法和装置，更具体地，涉及用于在基于CAN的车辆网络中通过使用门控循环单元-衰减(GRU-D，gated recurrent unit-decay)神经网络来检测异常信号的方法和装置。

背景技术

机器学习是一种用于人工智能(AI)的技术，指的是根据由计算机基于数据而训练的参数来执行预测任务，诸如回归、分类和聚类。此外，深度学习是机器学习的一个领域，其向计算机传授人的思维方式，并且可以被定义为一组机器学习算法，该一组机器学习算法通过各种非线性变换技术的组合来尝试进行高级抽象(即，用于从大量的数据或者复杂的数据得到核心内容或者汇总功能的任务)。

这种深度学习架构是基于人工神经网络(ANN)设计的构思。人工神经网络是在对虚拟神经元建模之后模拟虚拟神经元以具有与人脑相同的学习能力的算法，并且主要用于模式识别。用在深度学习中的ANN模型具有通过迭代线性拟合和非线性变换或激活而构造的结构。深度学习中使用的神经网络模型可以包括深度神经网络(DNN)、卷积神经网络(CNN)、循环神经网络(RNN)、受限玻尔兹曼机(RBM)、深度信念网络(DBN)、深度Q网络等。

随着近来车辆零部件的数字化，安装在车辆中的电子设备的数量和种类已显著增加。通常，可以遍及车辆各处使用电子设备，例如，动力传动控制系统(例如，引擎控制系统、自动变速器控制系统等)、车身控制系统(例如，车身电子装备控制系统、便利设备控制系统、灯控制系统等)、底盘控制系统(例如，转向设备控制系统、制动控制系统、悬挂控制系统等)、车辆网络(例如，控制器域网(CAN)、基于FlexRay的网络、基于媒体导向系统传输(MOST)的网络等)、多媒体系统(例如，导航装置系统、车联网系统、休闲娱乐系统等)等。

这些系统中的每个中使用的电子装置经由车辆网络连接，该车辆网络支持电子装置的功能。例如，CAN可以支持高达1Mbps的传输速率并且支持冲突消息的自动重传、基于循环冗余接口(CRC)的错误检测等。

另外，在基于CAN的车辆网络中，可以使用内插(interpolation)对接收到的车辆网络的信号进行预处理。然而，如果使用内插对接收到的信号进行预处理，则车辆网络的性能可能基于根据内插的分辨率(resolution)而劣化。

发明内容

因此，本公开内容的示例性实施方式涉及提供用于在基于CAN的通信网络中通过使用GRU-D神经网络来检测异常信号的方法和装置。