[发明专利]CAN信号异常检测方法、装置、车辆及存储介质

说明书

本申请涉及车辆技术领域，特别涉及一种CAN信号异常检测方法、装置、车辆及存储介质，其中，方法包括：采集车辆在多个不同形式状态下的CAN数据，并按照预设格式对每个CAN数据进行封装，得到多个封装CAN数据；基于预设的身份标识白名单，筛选出满足预设合法条件的封装CAN数据，得到待检测数据；根据待检测数据的标识信息从预设的异常信号检测模型中匹配最优检测模型，并通过最优检测模型预测待检测数据的异常概率值，在异常概率值小于或等于预设阈值时，判定待检测数据为异常数据，其中，预设的异常信号检测模型由目标CAN数据训练得到。由此，解决了异常数据识别率低，且依赖大量人工特征工程构建工作的问题，提高识别效率。

技术领域

本申请涉及车辆技术领域，特别涉及一种CAN(Controller Area Network，控制器域网)信号异常检测方法、装置、车辆及存储介质。

背景技术

近年来，随着汽车智能化、车联网技术的高速发展，智能网联汽车为人们出行带来了更加舒适便捷的体验。车联网让我们可以将汽车内各个硬件连接在一起，并且在云端运行，比如，通过车联网对汽车进行远程解锁、开窗、启动发动机和打开空调等。此外，汽车的行驶路线、地理位置和用户的驾驶习惯等数据也可通过网络同步到云端，为优化车机功能、提高自动驾驶准确度和用户体验感等提供数据支撑，但这也让网络攻击者有了更多可乘之机，使智能网联汽车面临极大的信息安全威胁。

基于CAN信号是车联网数据的一个重要来源，如何识别出CAN信号遭受到的网络攻击，提高信息安全性，具有重要意义，CAN信号的网络攻击识别，实质就是对CAN数据的检测。

相关技术中，一种是针对特定类型的网络攻击进行CAN信号异常检测方法，通过提取CAN信号数据域的常值特征、循环值特征、多值特征建立检测模型，实现异常数据的检测，它主要是重放攻击、拒绝服务攻击、篡改攻击和伪造攻击进行检测。另一种是针对对多种攻击方式的CAN信号异常检测的方案，主要通过计算信息熵和孤立森林框架得到CAN信号数据的异常分数，从而实现异常数据的检测。

然而，第一种对其它类型攻击导致的异常数据的识别率较低，并且检测技术的准确性依赖于大量人工特征工程的构建工作，另一种基于孤立森林的CAN信号异常检测对于局部数据的异常不够敏感，且忽略了报文序列间的相关信息。并且CAN信号数据具有属性少、特征间相关关系不明显、数据内容与车辆状态息息相关和协议私有化等特点，导致相关技术，无法在不依赖于私有协议、自动挖掘特征间相关性和定位CAN信号异常位置的前提下，具备高实时性和高准确性的异常检测能力。

发明内容

本申请提供一种CAN信号异常检测方法、装置、车辆及存储介质，以解决了异常数据识别率低，且依赖大量人工特征工程构建工作的问题，提高识别效率。

本申请第一方面实施例提供一种CAN信号异常检测方法，包括以下步骤：采集车辆在多个不同形式状态下的CAN数据，并按照预设格式对每个CAN数据进行封装，得到多个封装CAN数据；基于预设的身份标识白名单，筛选出满足预设合法条件的封装CAN数据，得到待检测数据；以及根据所述待检测数据的标识信息从预设的异常信号检测模型中匹配最优检测模型，并通过所述最优检测模型预测所述待检测数据的异常概率值，在所述异常概率值小于或等于预设阈值时，判定所述待检测数据为异常数据，其中，所述预设的异常信号检测模型由目标CAN数据训练得到。

根据上述技术手段，本申请可以解决了异常数据识别率低，且依赖大量人工特征工程构建工作的问题，提高识别效率。

可选地，在一些实施例中，在筛选出满足所述预设合法条件的封装CAN数据之后，还包括：将所述封装CAN数据中十六进制表示的数据转化为二进制序列，得到转化CAN数据；对所述转化CAN数据中数据量小于预设值的数据进行数据扩充，得到所述待检测数据。

根据上述技术手段，本申请可以方便后续调用，将十六进制数据转化为二进制数据。