异常检测方法、装置、车辆网关和计算机可读存储介质与流程
本申请实施例涉及车载网络安全,特别涉及一种异常检测方法、装置、车辆网关和计算机可读存储介质。
背景技术:
1、随着智能网联汽车的快速发展,一辆汽车可能包含上百个电子控制单元(electronic control unit,ecu),该ecu可以通过can、canfd、以太网等车载网络协议进行通信。为保证车载网络的安全性,现有技术中存在大量车载网络异常检测方法。
2、现有技术中,基于深度学习的检测方案需要将车载网络报文上传至云端服务器,由云端服务器对车载网络报文进行分析,在隧道、偏远地区等网络不稳定场景下无法保证异常检测连续性;同时由于云端服务器的云端数据的传输会导致异常攻击扩大的风险,从而降低了车载网络的安全性。
技术实现思路
1、有鉴于此,本发明实施例提供了一种异常检测方法、装置、车辆网关和计算机可读存储介质,用于保证异常检测的连续性以及提高了车载网络的安全性。
2、第一方面提供了一种异常检测方法,所述方法应用于车辆网关,所述方法包括:
3、接收ecu发送的特定网络协议的车载网络报文;
4、对所述车载网络报文进行所述特定网络协议对应的预处理,生成预处理数据;
5、将所述预处理数据输入异常检测模型,输出检测结果,所述检测结果包括异常标签概率和至少一个攻击类型概率。
6、在一种可能的实现方式中,所述将所述预处理数据输入异常检测模型,输出检测结果之后,还包括:
7、根据所述异常标签概率和至少一个所述攻击类型概率,生成置信度;
8、判断所述置信度是否大于设置的置信度阈值;
9、若判断出所述置信度大于所述置信度阈值,确定出训练样本,所述训练样本包括所述车载网络报文、所述预处理数据、所述检测结果和所述置信度;
10、通过增量学习算法采用训练样本对所述异常检测模型进行参数更新,生成更新后的异常检测模型。
11、在一种可能的实现方式中,所述通过增量学习算法采用训练样本对所述异常检测模型进行参数更新,生成更新后的异常检测模型之后,还包括:
12、通过预先设置的验证集对更新后的异常检测模型的模型参数进行设定次数的验证,得出设定次数的验证结果;
13、若设定次数的验证结果均满足验证条件,继续执行所述接收ecu发送的特定网络协议的车载网络报文的步骤;
14、若设定次数的验证结果不是均满足验证条件,丢弃更新后的异常检测模型,恢复采用更新前的异常检测模型,继续执行所述接收ecu发送的特定网络协议的车载网络报文的步骤。
15、在一种可能的实现方式中,所述根据所述异常标签概率和至少一个所述攻击类型概率,生成置信度,包括:
16、从至少一个所述攻击类型概率中确定出最大概率;
17、将异常标签概率和最大概率的平均值确定为所述置信度。
18、在一种可能的实现方式中,所述方法还包括:
19、若判断出所述置信度大于所述置信度阈值,停止接收所述ecu发送的车载网络报文,生成告警事件并将所述告警事件发送至云端设备。
20、在一种可能的实现方式中,所述方法还包括:
21、若判断出所述置信度小于或等于所述置信度阈值,丢弃所述车载网络报文。
22、在一种可能的实现方式中,所述预处理数据包括时序特征张量和统计特征向量。
23、第二方面提供了一种异常检测装置,包括:
24、收发模块,用于接收ecu发送的特定网络协议的车载网络报文;
25、预处理模块,用于对所述车载网络报文进行所述特定网络协议对应的预处理,生成预处理数据;
26、检测模块,用于将所述预处理数据输入异常检测模型,输出检测结果,所述检测结果包括异常标签概率和至少一个攻击类型概率。
27、第三方面提供了一种车辆网关,包括:一个或多个处理器;存储器;以及一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中,所述一个或多个计算机程序包括指令,当所述指令被所述车辆网关执行时,使得所述车辆网关执行第一方面或者第一方面的任一可能的实现方式中的异常检测方法。
28、第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行第一方面或者第一方面的任一可能的实现方式中的异常检测方法。
29、本申请实施例提供的技术方案中,车辆网关接收ecu发送的特定网络协议的车载网络报文,对车载网络报文进行所述特定网络协议对应的预处理生成预处理数据,将预处理数据输入异常检测模型,输出检测结果,该检测结果包括异常标签概率和至少一个攻击类型概率。本申请实施例中车载网关执行异常检测过程,无需由云端服务器对车载网络报文执行异常检测,从而保证了异常检测的连续性;避免了云端服务器的数据传输导致的异常攻击扩大的风险,从而提高了车载网络的安全性。
1.一种异常检测方法,其特征在于,所述方法应用于车辆网关,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述将所述预处理数据输入异常检测模型,输出检测结果之后,还包括:
3.根据权利要求2所述的方法,其特征在于,所述通过增量学习算法采用训练样本对所述异常检测模型进行参数更新,生成更新后的异常检测模型之后,还包括:
4.根据权利要求2所述的方法,其特征在于,所述根据所述异常标签概率和至少一个所述攻击类型概率,生成置信度,包括:
5.根据权利要求2所述的方法,其特征在于,所述方法还包括:
6.根据权利要求2所述的方法,其特征在于,所述方法还包括:
7.根据权利要求1所述的方法,其特征在于,所述预处理数据包括时序特征张量和统计特征向量。
8.一种异常检测装置,其特征在于,包括:
9.一种车辆网关,其特征在于,包括:一个或多个处理器;存储器;以及一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中,所述一个或多个计算机程序包括指令,当所述指令被所述车辆网关执行时,使得所述车辆网关执行权利要求1至7任一项所述的异常检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任一项所述的异常检测方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com