[发明专利]车辆网络安全的评估方法、装置以及云服务器

权利要求书

1.一种车辆网络安全的评估方法，其特征在于，包括：

基于车辆网络安全的风险评估样本，构建网络损失函数，其中，所述风险评估样本中的每个样本携带有如下信息：攻击可行性信息、漏洞影响信息和风险等级信息；

利用所述风险评估样本对所述网络损失函数进行机器学习，训练得到风险评估模型，其中，所述风险评估模型的子模型包括：攻击可行性子网络模型、漏洞影响子网络模型和风险等级子网络模型；

其中，所述风险评估模型用于对待评估车辆的车辆数据集进行风险评估，得到所述待评估车辆的车辆风险等级。

2.根据权利要求1所述的方法，其特征在于：

所述攻击可行性信息包括：攻击所需时间等级、攻击者经验等级、被攻击资产的保密等级、攻击机会窗口等级和攻击工具的专业等级；

所述漏洞影响信息包括：安全影响等级、财产损失影响等级、操作损害影响等级和隐私损失影响等级。

3.根据权利要求2所述的方法，其特征在于，所述网络损失函数为多目标损失函数，基于车辆网络安全的所述风险评估样本，构建所述网络损失函数包括：

获取所述网络损失函数对应的第一权重、第二权重和第三权重，其中，所述第一权重用于表征所述攻击可行性信息对所述网络损失函数的网络参数的影响，所述第二权重用于表征所述漏洞影响信息对所述网络损失函数的网络参数的影响，所述第三权重用于表征所述风险等级信息对所述网络损失函数的网络参数的影响；

基于所述攻击可行性信息对应的所述攻击所需时间等级、所述攻击者经验等级、所述被攻击资产的保密等级、所述攻击机会窗口等级和所述攻击工具的专业等级，利用所述第一权重确定第一目标损失函数；

基于所述漏洞影响信息对应的所述安全影响等级、所述财产损失影响等级、所述操作损害影响等级和所述隐私损失影响等级，利用所述第二权重确定第二目标损失函数；

基于所述风险等级信息，利用所述第三权重确定第三目标损失函数；

根据所述第一目标损失函数、所述第二目标损失函数和所述第三目标损失函数，生成所述多目标损失函数。

4.根据权利要求3所述的方法，其特征在于，利用所述风险评估样本对所述网络损失函数进行机器学习，训练得到所述风险评估模型包括：

利用所述风险评估样本中每个样本携带的所述攻击可行性信息，对所述多目标损失函数进行机器学习，训练得到所述风险评估模型的所述攻击可行性子网络模型，其中，所述攻击可行性子网络模型的输出为车辆网络安全的攻击可行性等级；

利用所述风险评估样本中每个样本携带的所述漏洞影响信息，对所述多目标损失函数进行机器学习，训练得到所述风险评估模型的所述漏洞影响子网络模型，其中，所述漏洞影响子网络模型的输出为车辆网络安全的漏洞影响等级；

利用所述风险评估样本中每个样本携带的所述风险等级信息，对所述多目标损失函数进行机器学习，训练得到所述风险评估模型的所述风险等级子网络模型，其中，所述风险等级子网络模型的输出为车辆网络安全的车辆风险等级；

基于所述攻击可行性子网络模型、所述漏洞影响子网络模型和所述风险等级子网络模型，生成所述风险评估模型。

5.根据权利要求4所述的方法，其特征在于，利用所述风险评估样本中每个样本携带的所述攻击可行性信息，对所述多目标损失函数进行机器学习，训练得到所述风险评估模型的所述攻击可行性子网络模型包括：

确定所述攻击可行性子网络模型包括：输入层、多个隐藏层和输出层，其中，所述输入层至少包含五个神经元，所述多个隐藏层的每个隐藏层都包含多个神经元，所述输入层作为所述多个隐藏层中第一个隐藏层的输入，所述多个隐藏层中最后一个隐藏层的输出作为所述输出层的输出；

将所述攻击可行性信息中的所述攻击所需时间等级、所述攻击者经验等级、所述被攻击资产的保密等级、所述攻击机会窗口等级和所述攻击工具的专业等级，依次输入所述输入层的所述五个神经元；

利用所述多个隐藏层对所述多目标损失函数进行机器学习，确定所述多个隐藏层中每个隐藏层的层权重信息和层偏置信息，并得到所述风险评估模型的所述攻击可行性子网络模型。