一种车辆软件运行异常检测方法与流程

1.本发明属于对汽车软件或者软件模块运行情况进行检测技术领域，具体涉及车辆软件运行异常检测方法。


背景技术：

2.在车辆自动驾驶领域，对软件或者软件模块运行情况，如cpu占用率、堆栈使用率、关键输出变量等指标进行实时监测，并判断是否处于异常运行，具有非常重要的作用，能预防车辆因软件运行异常引起的车辆行驶异常，很大程度上提高车辆运行的安全性。
3.现有技术中，如cn113176771a 公开的名称为“车辆域控器运行状态监控方法”的专利申请中，公开的监控方法，包括监控有关重要事件和异常事件的发生，并将事件发生时间和事件信息通过日志的形式缓存到内存中。通过将微控制器单元和微处理器单元作为域控制器的核心芯片，利用微控制器单元处理对于实时性能和/或安全性能有预定要求的软件功能，利用微处理器单元处理对于计算性能和/或通讯性能有预定要求的软件功能，基于微控制器单元和微处理器单元的合理分配和冗余备份，使车用域控制器兼顾实时性、安全性能、计算性能和通讯性能，满足车辆网络管理中不同软件功能对于各个性能的需求，有效提高了车辆的体验效果。
4.但是以上描述多是对域控器整体运行情况进行监控记录，并不是对某个单一软件或者软件模块进行检测，无法针对于某个软件或软件模块的功能是否异常运行进行判断，更多的是一种异常事件日志管理，且对异常事件的定义较为模糊；其不能通过大数据的分析方法判断某个软件或软件模块在某一时刻是否处于异常运行状态，也就不能预防因软件或软件模块运行异常引起的车辆行驶异常，不能及时发现或消除因软件运行异常存在的安全风险。


技术实现要素：

5.针对现有技术存在的上述不足，本发明的目的是提供一种车辆软件运行异常检测方法，以通过大数据的分析方法判断某个软件或软件模块在某一时刻是否处于异常运行状态，及时发现因软件或软件模块运行异常引起的车辆行驶异常，进而能及时发现或消除因软件运行异常存在的安全风险。
6.本发明的技术方案是这样实现的：一种车辆软件运行异常检测方法，其特征在于包括如下步骤：1）从blf文件中，解析出感知融合程序的输入数据和cpu占用率；2）对感知融合程序的输入数据进行筛选，找出cpu占用率输出时刻对应的所有感知融合程序的输入值；3）通过分类的方法，预测所有情况下的感知融合程序的输入数据对应的每一项cpu占用率；4）将感知融合程序的输入数据作为特征变量，首先对特征变量进行标准化；目前
5）对cpu输入项进行正则化，以去除对cpu占用率影响较小的项；6）利用cpu输入项作为特征变量，将这些特征变量二维化，转换为图片，将图片格式的数据输入到场景预测模型mobilenet中，对模型进行训练，当模型最终开始收敛时视为一次训练完成；不断的向模型中输入图片格式的数据，对模型进行优化，直到最终的模型分类准确率达到设定指标n，终止模型训练；7）模型验证阶段，程序与模型同时运行，将感知融合程序的输入与场景预测模型输入一致，若场景预测模型与实际控制器发出的cpu占用率相差高于设定值m时，则判定异常。这样，本发明通过大数据的分析方法判断某个软件或软件模块在某一时刻是否处于异常运行状态，及时发现因软件或软件模块运行异常引起的车辆行驶异常，进而能及时发现或消除因软件运行异常存在的安全风险。
7.进一步的：步骤3）所述的分类方法，设置参数d为cpu占用率的间隔，将cpu占用率人工分为100/d个种类，利用感知融合程序的输入项作为特征，将对应输出的输入数据分类到对应的cpu占用率种类中，根据分类效果逐渐减小参数d，直至将参数d降为1，就可以通过分类的方法，将输出项对应的感知融合程序的输入项分类到每1%的cpu占用率中，即可以预测所有情况下的感知融合程序的输入数据对应的每一项cpu占用率，通过分类的方法实现了对cpu占用率的预测。这样，由于本发明的cpu占用率与程序输入项之间为间接关联，用一般的回归方法做并不能取得较好效果，需要将回归问题转换为分类问题，通过分类的方法实现了对cpu占用率的预测。
8.进一步的：步骤4）所述的对特征变量进行标准化，是标准特征缩放或最大最小值特征缩放。
9.进一步的：步骤6）所述的n为90%。这个数据n根据具体情况了设定，便于根据不同的模型进行调整。
10.进一步的：步骤7）所述的m为10%。这个数据m根据具体情况了设定，便于根据不同的模型进行调整。
11.进一步的：将判定异常的结果保存或者输出显示到车机端。便于后续的回放或监控。
12.进一步的：所述的场景预测模型采用mobilenet轻量型分类网络。
13.进一步的：感知融合程序的输入数据来源为传感器数据，至少包括目标数据、车道线数据。
14.总之，本发明具有如下有益效果：1、通过大数据的分析方法判断某个软件或软件模块在某一时刻是否处于异常运行状态，及时发现因软件或软件模块运行异常引起的车辆行驶异常，进而能及时发现或消除因软件运行异常存在的安全风险。
15.2、本发明能够指导开发人员定位问题原因，能够起到软件异常运行警告等功能。
附图说明
16.图1为本实施例的处理流程图；图2为本实施例的预测模型系统流程图；图3为本实施例中验证流程图。
具体实施方式
17.以下结合附图对本发明的具体实施方案做详细描述。
18.本发明所述的异常：本发明通过场景模拟的方式来对异常进行界定，而不是单纯的给一个标准，超出或下降到某一标准即判为异常。一个软件功能模块（这里我们以l3项目中运行在mpu的感知模块进行说明）对于不同的输入就是不同的场景，不同的场景对应不同的指标，该指标可能是该输入或者说该场景下的cpu占用率或者某条车道线的长度、曲率等特征；如果在相似场景下若检测指标偏差过大就说明软件运行异常。
19.预测模型：预测模型采用mobilenet轻量型分类网络，本发明以l3的感知融合程序为例，感知融合程序的输入来源为传感器数据，至少包括目标数据、车道线数据；检测目标则为该感知融合程序在控制器中mpu端的cpu占用率。本发明选定cpu占用率这个参数作为检测的指标。
20.参见图1—3所示，本发明一种车辆软件运行异常检测方法，其步骤如下：1.从blf文件中（blf是binary logging format 的简称，即二进制数据文件，是由车上数据采集设备存储数据报文的一种格式。在这里解析的blf文件就是包含车上控制器运行时的相关数据），也就是can报文和以太网中间变量中，解析出感知融合程序的输入数据和检测指标，即cpu占用率；2.对感知融合程序的输入数据进行筛选，找出cpu占用率输出时刻对应的所有感知融合程序的输入值；3. 通过分类的方法，预测所有情况下的感知融合程序的输入数据对应的每一项cpu占用率；在传统回归预测问题中，一般视被解释量为可预测值，但在该项目中，cpu占用率与程序输入项之间的关联性并不直接，或者说为间接关联，因此，用一般的回归方法做并不能取得较好效果。为了解决问题，需要将回归问题转换为分类问题，设置参数d为cpu占用率的间隔，将cpu占用率人工分为100/d个种类，利用感知融合程序的输入项作为特征，将对应输出的输入数据分类到对应的cpu占用率种类中，根据分类效果逐渐减小参数d，如果分类效果理想，最终可将d参数降为1，那么就可以通过分类的方法，将输出项对应的感知融合程序的输入项分类到每1%的cpu占用率中，即可以预测所有情况下的感知融合程序的输入数据对应的每一项cpu占用率，通过分类的方法实现了对cpu占用率的预测。
21.4.将感知融合程序的输入数据作为特征变量，首先对特征变量进行标准化；目前通用方案是标准特征缩放或最大最小值特征缩放。
22.5. 对cpu输入项进行正则化，去除对cpu占用率影响较小的项；因为cpu输入项众多，因此需要对cpu输入项进行正则化，去除对cpu占用率影响较小的项。
23.6.利用cpu输入项作为特征变量，将这些特征变量二维化，转换为图片，将图片格式的数据输入到场景预测模型（一个现有技术的常用模型，因为输入的数据是场景相关的特征变量，所以命名为场景预测模型）mobilenet中，对模型进行训练，当模型最终开始收敛时视为一次训练完成。不断的向模型中输入数据，对模型进行优化，直到最终的模型分类准确率达到设定指标n,如90%或 以上,终止模型训练。
24.7. 场景预测模型验证阶段，程序与模型同时运行，将感知融合程序的输入与场景预测模型输入一致，若预测模型与实际控制器发出的cpu占用率相差高于设定值m，如设定为10%、12%等，则判定异常。将判定异常的结果保存或者输出显示到车机端，提供给开发人
员定位问题。
25.本发明提供的一种软件运行异常检测方法，就是基于大数据的软件异常检测方法；概括为主要的三个步骤：确定软件模块的输入和检测指标、通过ai训练模型将输入和检测指标建立预测模型、软件运行过程中检测指标的对比。
26.本发明，根据感知融合程序cpu的输入数据与感知融合对应时刻的cpu占用率，分析cpu占用率与感知融合程序的输入数据之间的关系，最终利用感知融合程序的输入数据对其cpu占用率进行预测，若程序实际运行输出与模型预测输出的结果偏差过大即可判为运行异常。
27.最后需要说明的是，本发明的上述实例仅仅是为说明本发明所作的举例，而并非是对本发明的实施方式的限定。尽管申请人参照较佳实施例对本发明进行了详细说明，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化和变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引申出的显而易见的变化或变动仍处于本发明的保护范围之列。