[发明专利]一种基于灰度图像深度学习的车内网络报文异常检测方法

说明书

本发明公开了一种基于灰度图像深度学习的车内网络报文异常检测方法，该方法包括下述步骤：获取CAN总线的网络报文数据集；采用位反转算法从CAN帧的数据域提取信号特征值；将信号特征值按照总线读取顺序排列，将排列后的数据设定多条报文一组，创建像素矩阵，转化成灰度图像数据集；构建深度学习网络模型，以灰度图像为媒介学习车内网络报文流量的空间特征；训练深度学习网络模型，学习不同车内网络报文信号输出的值调整输出值域；将待检测的CAN报文转成灰度图像，输入训练后的深度学习网络模型进行空间特征识别，通过计算未标记报文的输出值判断报文为正常报文或攻击报文。本发明满足在车内计算资源受限环境中实时报文异常检测的要求。

技术领域

本发明涉及车内网络安全技术领域，具体涉及一种基于灰度图像深度学习的车内网络报文异常检测方法。

背景技术

控制器局域网络(Controller Area Network，CAN)是目前最常用的车载网络协议。近年来，智能汽车已成为汽车领域的热点。由于CAN的设计缺乏安全机制，随着车内电子控制单元(ECU)与外界之间的连接不断增加，车内网络越来越容易受到网络攻击。

目前常见的车辆报文异常检测方法多为黑名单形式，检测结果准确性较低，且各家车企的CAN报文格式通常为加密形式，缺乏适用于不同车企的检测方法。

发明内容

为了克服现有技术存在的缺陷与不足，本发明提供一种基于灰度图像深度学习的车内网络报文异常检测方法，目的是对报文格式不同类型的车辆进行入侵检测识别。

本发明的第二目的在于提供一种基于灰度图像深度学习的车内网络报文异常检测系统。

本发明的第三目的在于提供一种存储介质。

本发明的第四目的在于提供一种计算设备。

为了达到上述目的，本发明采用以下技术方案：

一种基于灰度图像深度学习的车内网络报文异常检测方法，包括下述步骤：

获取CAN总线的网络报文数据集；

采用位反转算法从CAN帧的数据域提取信号特征值；

将所述信号特征值按照总线读取顺序排列，将排列后的数据设定多条报文一组，提取连续报文信号特征值预设位数的内容，创建像素矩阵，转化成灰度图像数据集；

构建深度学习网络模型，提取灰度图像的特征，以灰度图像为媒介学习车内网络报文流量的空间特征；

输入灰度图像数据集训练深度学习网络模型，通过学习不同车内网络报文信号输出的值调整输出值域；

将待检测的CAN报文转成灰度图像，输入训练后的深度学习网络模型进行空间特征识别，通过计算未标记报文的输出值判断报文为正常报文或攻击报文。

作为优选的技术方案，所述获取CAN总线的网络报文数据集，所述网络报文数据集包括正常报文、Dos攻击报文、Fuzzy攻击报文和Spoofing攻击报文，且按攻击类型进行标记。

作为优选的技术方案，所述采用位反转算法从CAN帧的数据域提取信号特征值，具体步骤包括：

按位计算特定CAN ID的连续报文中数据域的位反转次数，除以数据帧数量，得到位反转率，利用位反转率的数量级标识CAN帧信号特征值；

利用位反转率计算数据域每一位的反转率的数量级其中M_i表示数组M的第i个成员，数组M代表数据域每一位的位反转率数量级；