[发明专利]基于改进SOM的车载网络入侵检测数据集丰富度评估方法

说明书

本发明公开了一种基于改进SOM的车载网络入侵检测数据集丰富度评估方法，本方法包括：第一步，给定车载网络入侵数据集，按照数据包的标签将数据包分割为正常和攻击类型；第二步，根据不同协议类型将数据包分成报头和负载；第三步，对不同特征、负载和数据包进行SOM聚类，获得特定阈值下部分特征、负载和整体的类别数，进而获得数据集丰富度矩阵；第四步，处理不同的数据集，然后对比每个数据集丰富度矩阵，从而实现从不同角度对比不同车载网络入侵数据集丰富度。本方法可以从不同角度评价数据集的丰富度，实现了不同真实和虚拟数据集的横向对比，同时克服了单一角度评价结果不够准确的难题。

技术领域

本发明属于车辆联网信息安全测试技术领域，具体涉及一种基于改进SOM的车载网络入侵检测数据集丰富度评估方法。

背景技术

目前，随着汽车智能化、网联化的发展，汽车与外界的接口逐渐增多，同时对于通信和感知数据的依赖程度也逐步增加，一旦汽车遭遇黑客的信息安全攻击，可能会对汽车的功能造成影响，危害驾驶员和乘客的生命和财产安全。车载网络入侵检测技术就是为了检测车载网络中的恶意入侵，但是入侵检测模型的训练通常需要大量的数据作为支撑，现有的数据集通常是由电脑模拟或者实车提取，有些数据集中的恶意攻击也是人为插入，而这些数据集的涉及的汽车型号、工作状态、场景、攻击类型、插入攻击的类型有所不同，所以基于不同数据集训练和测试的入侵检测模型往往很难通过表面的精确性等指标进行直接比较。因此，对数据集的丰富度进行评估会有很重要的意义，通常来说，丰富度越大的数据集包含的场景等越全，基于这种数据集训练出来的模型达到一定精度后，在实际应用中的鲁棒性越高。但是，现有技术中对于数据集的丰富度的检测通常是基于单一的信息进行评价，导致覆盖的评价维度有限，评价结果不准确。

发明内容

鉴于上述分析，本发明提供了一种基于改进SOM的车载网络入侵检测数据集丰富度评估方法，解决了现有技术中的评估方法进行丰富度评估时覆盖的评估维度有限，评估结果不准确的问题。

本发明的一种基于改进SOM的车载网络入侵检测数据集丰富度评估方法，其特征在于，包括以下具体步骤：

步骤1、获取车载网络数据集；根据车载网络协议特点逐层拆分数据集中的数据包；按照数据标签类型分隔数据包；

步骤2、获得数据包的多层报头和负载；根据数据包类型提取所有报头的数据特征；

步骤3、设定SOM聚类参数；基于SOM聚类参数分别对数据集、正常类型和所有攻击类型的数据包、报头的数据特征和负载进行SOM聚类；获取车载网络数据集的聚类结果；基于聚类结果获得车载网络数据集丰富度评估矩阵。

可选地，数据标签类型包括正常标签和攻击标签；基于数据标签类型将车载网络数据集的数据包类型分为正常类型和第i类攻击类型，i＝0,1,2,…,m，m为攻击的总类数。

可选地，步骤3的具体步骤为：

设定SOM聚类参数；

设置初始神经元数量n*n，n*n表示SOM初始类别数量，n＝1,2,3…；

初始化每个神经元的权重向量；

获取数据集、数据包、报头和负载的各自的第t条数据的输入向量D(t)；

获取第v个神经元的第s次迭代权重向量W_v(s)，v＝0,1,2,3…n*n，s＝0,1,2,3…S，S为迭代的总次数；

初始化迭代权重向量W_v(0)；

基于SOM聚类参数获取数据集、数据包、报头和负载的各自的第t条数据的输入向量D(t)与每个SOM神经元权重向量W_v(s)之间的距离和相关性；

获取获胜神经元u；基于获胜神经元u更新迭代权重向量；