[发明专利]一种基于深度神经网络的车载CAN总线入侵检测方法及系统

说明书

本发明公开了一种基于深度神经网络的车载CAN总线入侵检测方法及系统，具体步骤：步骤1，获取CAN报文数据集并对其进行标注处理，得到标注的报文数据集；步骤2，对所述标注后的报文数据集进行预处理，将报文转化为特征向量，并基于自编码器进行特征处理，得到各报文对应的高维特征向量；步骤3，搭建分类器，基于自编码器与分类器共同构成报文分类识别模型，训练报文分类识别模型；步骤4，导出训练后的报文分类识别模型，使用训练后的报文分类识别模型对实时报文数据进行入侵检测。本发明提供的基于深度神经网络的车载CAN总线入侵检测方法，可以有效检测出CAN总线的恶意报文，特别是针对拒绝服务攻击DoS、重放攻击和模糊攻击的恶意报文检测准确度高。

技术领域

本发明属于车载安全的技术领域，尤其涉及一种基于深度神经网络的车载CAN总线入侵检测方法及系统。

背景技术

智能网联汽车内部的数据主要通过CAN总线在各ECU(电子控制单元)之间进行传输，然而CAN总线缺乏加密和访问控制机制，存在安全风险。例如拒绝服务攻击DoS使得CAN总线过载直至瘫痪，模糊攻击通过向CAN报文中注入随机或欺骗性信息，使得各ECU收到大量虚假功能性信息，重放攻击在特定的时间和环境下对报文进行重放，这些攻击导致正常的车辆控制指令无法执行，干扰车主对汽车的正常控制，极大地影响汽车驾驶安全，车载CAN总线安全成为车载安全领域的重要研究问题之一。同时，与传统网络环境的不同，CAN总线入侵检测对检测的准确率及实时性提出了较高要求。因此，对CAN总线报文数据的实时、高精度监测对于保护CAN总线的正常通信和智能网联汽车的安全驾驶具有重要意义。

针对CAN总线的主要攻击方法包括拒绝服务攻击DoS、模糊攻击、重放攻击等。这些攻击的报文在时间周期、发送频率、CAN ID、报文数据段都与正常报文存在不同。目前CAN总线中入侵检测技术主要包括基于机器学习和深度学习的方法。基于机器学习算法的检测方法对于单一恶意报文的检测有较好的效果，但是在多样的攻击报文流检测中误报、漏报率较高；而现有的深度学习检测方法忽略报文的时序周期特征，并分别对CAN ID段和数据段进行训练，忽略了攻击报文中CAN ID与数据之间的关联性。

发明内容

本发明的目的在于提供一种基于深度神经网络的车载CAN总线入侵检测方法，以实现在复杂驾驶环境下，通过此方法有效的检测出CAN总线报文异常并及时预警。

一方面，本发明实施例提供了基于自编码器的CAN报文的特征处理方法，包括以下步骤：

步骤1，获取CAN报文数据集并对其进行标注处理，得到标注的报文数据集；

步骤2，对所述标注后的报文数据集进行预处理，将报文转化为特征向量，并基于自编码器进行特征处理，得到各报文对应的高维特征向量；

步骤3，搭建分类器，基于自编码器与分类器共同构成报文分类识别模型，训练报文分类识别模型；

步骤4，导出训练后的报文分类识别模型，使用训练后的报文分类识别模型对实时报文数据进行入侵检测。

进一步优选地，所述步骤1中包括以下步骤：

步骤1.1、通过CAN总线分析工具can-utils获取真实CAN日志报文数据，构建报文数据集R；

步骤1.2、对报文数据集R进行标注，得到标注的报文数据集；标注标签包括{0,1,2,3}，0表示正常报文，1表示拒绝服务攻击DoS报文，2表示重放攻击报文，3表示模糊攻击报文。

进一步优选地，所述步骤2包括以下步骤：

步骤2.1，对步骤1得到的标注报文数据集中的CAN报文进行预处理，得到各报文数据的特征空间d；

步骤2.2，处理报文时序特征，并结合各报文数据的特征空间d，将报文转化为特征向量T；