[發明專利]一種基于深度學習的CAN總線報文異常檢測方法

在審

• 申請號: 201810641586.8
• 申請日: 2018-06-20
• 公開（公告）號: CN108958217A
• 公開（公告）日: 2018-12-07
• 發明（設計）人: 胡黃水;楊興旺;趙思遠
• 申請（專利權）人: 長春工業大學
• 主分類號: G05B23/02
• 分類號: G05B23/02;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的CAN總線報文異常檢測方法，其特征在于：包括兩部分內容：模型分析及故異常檢測方法。模型分析是對CAN總線網絡模型進行通信過程分析，并依據此建立深度學習網絡異常檢測網絡，異常檢測方法對CAN總線中的報文進行處理，分為訓練集、調優集和測試集，首先通過訓練集對網絡模型進行初始化參數，然后通過調優集利用BP算法對與訓練過程中的參數進行優化，并在BP算法中引入慣性項進行優化，最后通過報文測試集對深度置信網絡模型進行測試，從而達到提高網絡可靠性的目的。

2.根據權利要求1所述的一種基于深度學習的CAN總線報文異常檢測方法，其特征在于：所述的CAN總線網絡的模型，CAN網絡中的任意一個ECU節點與CAN總線相連接，并且CAN總線采用多主機方式工作，即網絡中節點可以再任意時刻主動地向網絡中其他節點發送報文信息。

3.根據權利要求1所述的一種基于深度學習的CAN總線報文異常檢測方法，其特征在于：所述的深度置信網絡是由多個限制玻爾茲曼機(RBM)組成的多隱含層神經網絡，由最底層接收輸入數據，通過RBM轉換輸入數據到隱含層。即高一層的RBM輸入來自其上一層RBM的輸出。深度置信網絡的核心就是運用算法逐層的去優化深度神經網絡的連接權重，即首先使用無監督逐層訓練的方式，初始化網絡中的各層之間的連接權值，將最后一個RBM的輸出層得到的結果輸入到一個傳統的監督分類器中，即可對數據進行分類。通過反向有監督微調，優化網絡中的權重參數，從而提高DBN的異常檢測能力。由于深度置信網絡中的無監督逐層訓練通過直接把數據從輸入映射到輸出，能夠學習一些非線性復雜函數，這也是其具備強大特征提取能力的關鍵所在。

4.根據權利要求3所述的一種基于深度學習的CAN總線報文異常檢測方法，其特征在于：所述的限制玻爾茲曼機(RBM)作為深度置信網絡的基本模塊，實際上是一個兩層的遞歸神經網絡，首先從可視層接收輸入數據，并通過一定的映射關系將值傳遞到隱藏層。如圖2所示，是RBM結構的簡化模型，一層RBM包含一個可視層v和一個隱含層h，假設可視層有m個節點，其中第j節點的輸入用v_j表示；隱含層有n個節點，其中第i個節點的輸出用h_i，則一個RBM的能量函數可表示為：

其中：θ＝{w_ij,a_j,b_i:1≤i≤n,1≤j≤m}，w_ij表示可是節點j與隱含節點i之間的權重函數，a_j表示可是節點j的偏置，b_i表示隱含節點i的偏置。

由此可得，RBM的聯合分布可表示為：

對上式取邊緣分布，可得到RBM的可視向量分布：

其隱含向量分布：

其中：sigm(x)＝1/(1+e^-x)

RBM本質就是使得訓練后的模型更加相符合輸入樣本分布。

5.根據權利要求4所述的一種基于深度學習的CAN總線報文異常檢測方法，其特征在于：所述的深度置信網絡模型是由若干個RBM堆疊而成，在其進行生成學習過程中分為兩部分：無監督預訓練過程及有監督調優過程。