[发明专利]基于自编码器和递归神经网络的车载系统入侵检测方法

权利要求书

1.一种基于自编码器和递归神经网络的车载系统入侵检测方法，其特征在于，所述基于自编码器和递归神经网络的车载系统入侵检测方法包括：

第一步，通过利用USB转CAN线连接至OBD-II端口收集车辆相关CAN总线数据；

第二步，将所收集的车辆相关CAN总线数据结果进行标准化操作后作为自编码器的输入，利用自编码器对输入的标准化操作数据进行数据特征的自主学习和特征降维；

通过加入L1正则项约束来对隐层神经元的输出进行抑制操作，自编码器的训练过程如下面算法所示：

1)、输入样本x_i，i＝1，2，3，…，n；

2)、对于每个结点进行相应的编码操作：h＝Wx_i+b，其中b为偏置项参数；

3)、只要当前的迭代次数t小于总需求的迭代次数T；

4)、只要当前的结点编号i小于每层的结点总数n；

5)、对权重进行相应的残差更新计算操作：对应J(W，b)为传统自编码器损失函数，其表达式为对应为KL散度约束，其KL散度约束表达式为其中为隐层节点输出值的平均值，β为控制稀疏项的惩罚系数，ρ为预期目标值；

6)、对于偏置项参数的残差更新计算操作，利用以下等式进行相应的更新操作：

7)、对重构矩阵进行相应的更新操作：

8)、对偏置项参数进行相应的更新操作：

9)、对相应的结点数i和迭代次数t进行分别自增的操作，然后进行下次的权重参数更新操作；

10)、在得到了优化后的重构矩阵后，需要对每个结点进行相应的解码操作：x′_i＝g(W^Th+b)；

对自动编码器进行多次迭代训练后，得到最优约束权重矩阵和重构矩阵，利用这两个矩阵能够使得降维后所得到的数据和原始数据之间的损失误差值降到最低，同时能够得到高维数据特征的低维表达，并将此数据作为后续递归神经网络分类器的输入数据；

第三步，随后对特征的自主学习和特征降维的数据，自编码器进行输出，并作为递归神经网络的输入对车辆的行为进行相应的分类学习，再利用SoftMax分类器对车辆行为异常与否进行分类；

递归神经网络对车辆的行为进行相应的分类学习方法包括：

利用前向传播计算出在对应的权重矩阵下在给定样本下对应的预测样本值，利用反向传播通过利用微分计算对应的累计残差对相应的权重进行更新操作；

前向传播算法包括：

1)、输入样本x_i，i＝1，2，3，…，n；

2)、对一个每一个结点x_i，进行如下的前向传播计算；

3)、计算每项结点的映射值：

4)、计算每项结点的激活函数值：h_i＝σ(s_i)，σ为双曲正切激活函数；

6)、计算每项结点的分类输出值：z_i＝Vh_i+c；

7)、对每项结点进行分类计算：y_i＝softmax(z_i)；

反向传播算法包括：

1)、输入样本：(i＝1，2，…，n)；

2)、对于每个结点，计算对应的残差项；

3)、计算隐层单元和输出层单元权重的残差值，并对权重值进行更新：

4)、计算分类输出函数所对应的偏置项参数所对应的残差值，并对偏置项进行更新：

5)、对于输出层单元与隐层单元之间的连接权重W，前一隐层单元与当前时刻隐层单元的连接权重U以及样本映射函数的误差偏置项b，这三个参数更新与当前时刻t和下一时刻t+1相关联，对以下三个参数进行步骤6)、步骤7)、步骤8)更新；

6)、对于输出层单元与隐层单元之间的连接权重W的残差值计算和更新：

7)、对于前一隐层单元与当前时刻隐层单元的连接权重U的残差值计算和更新：

8)、对于样本映射函数的误差偏置项b的计算和更新：