[發(fā)明專利]一種基于深度學(xué)習(xí)的CAN總線報(bào)文異常檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810641586.8
• 申請(qǐng)日: 2018-06-20
• 公開（公告）號(hào): CN108958217A
• 公開（公告）日: 2018-12-07
• 發(fā)明（設(shè)計(jì)）人: 胡黃水;楊興旺;趙思遠(yuǎn)
• 申請(qǐng)（專利權(quán)）人: 長(zhǎng)春工業(yè)大學(xué)
• 主分類號(hào): G05B23/02
• 分類號(hào): G05B23/02;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明涉及一種CAN總線報(bào)文異常檢測(cè)方法，特別是一種基于深度學(xué)習(xí)的CAN總線報(bào)文異常檢測(cè)方法。本發(fā)明主要應(yīng)用于汽車CAN網(wǎng)絡(luò)通信系統(tǒng)，包括模型分析及異常檢測(cè)方法。在CAN總線拓?fù)淠Ｐ偷幕A(chǔ)上，建立深度學(xué)習(xí)網(wǎng)絡(luò)，異常檢測(cè)方法根據(jù)對(duì)CAN總線中的報(bào)文進(jìn)行處理，分為訓(xùn)練集、調(diào)優(yōu)集和測(cè)試集，首先通過訓(xùn)練集對(duì)網(wǎng)絡(luò)模型進(jìn)行初始化參數(shù)，然后通過調(diào)優(yōu)集利用BP算法對(duì)與訓(xùn)練過程中的參數(shù)進(jìn)行優(yōu)化，并在BP算法中引入慣性項(xiàng)進(jìn)行優(yōu)化，最后通過報(bào)文測(cè)試集對(duì)深度置信網(wǎng)絡(luò)模型進(jìn)行測(cè)試，從而達(dá)到提高CAN總線網(wǎng)絡(luò)可靠性的目的。

技術(shù)領(lǐng)域

本發(fā)明涉及一種CAN總線報(bào)文異常檢測(cè)方法，特別是一種基于深度學(xué)習(xí)的CAN總線報(bào)文異常檢測(cè)方法，該方法能有效檢測(cè)CAN總線中傳輸?shù)膱?bào)文是否是異常狀態(tài)，從而提高網(wǎng)絡(luò)的可靠性。

背景技術(shù)

控制器局域網(wǎng)CAN(Controller Area Network)是一種面向汽車的國(guó)際標(biāo)準(zhǔn)化串行通信協(xié)議，目前已經(jīng)是汽車網(wǎng)絡(luò)的標(biāo)準(zhǔn)協(xié)議。由于其高性能和可靠性也廣泛應(yīng)用于工業(yè)自動(dòng)化、船舶、醫(yī)療設(shè)備汽車以及其它工業(yè)場(chǎng)合，為分布式控制系統(tǒng)實(shí)現(xiàn)各節(jié)點(diǎn)之間實(shí)時(shí)、可靠的數(shù)據(jù)通信提供強(qiáng)有力支持。

隨著汽車搭載的功能性、娛樂性設(shè)備的增加，CAN總線網(wǎng)絡(luò)規(guī)模變得愈加復(fù)雜，網(wǎng)絡(luò)遭受干擾的可能性增大。并且現(xiàn)代的汽車行業(yè)趨于智能化發(fā)展，易被黑客攻擊，從而降低CAN網(wǎng)絡(luò)的可靠性，易造成安全問題。

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)領(lǐng)域的一種新興方法，能夠從復(fù)雜的數(shù)據(jù)分布中自動(dòng)提取故障特征。深度置信網(wǎng)絡(luò)作為深度學(xué)習(xí)的經(jīng)典算法之一，能夠通過逐層的網(wǎng)絡(luò)結(jié)構(gòu)從原始數(shù)據(jù)中提取高層次特征。將深度置信網(wǎng)絡(luò)應(yīng)用到異常檢測(cè)領(lǐng)域避免了傳統(tǒng)方法由于人工參與和需要大量信號(hào)處理技術(shù)等造成的特征提取方法的不確定性和復(fù)雜性。

因此，如何對(duì)CAN總線網(wǎng)絡(luò)中的報(bào)文進(jìn)行有效的異常檢測(cè)，準(zhǔn)確判斷報(bào)文是否存在異常，提高總線中報(bào)文檢測(cè)的準(zhǔn)確率，成為車載網(wǎng)絡(luò)所要解決的問題。

發(fā)明內(nèi)容

為了解決上述問題，本發(fā)明一種基于深度學(xué)習(xí)的CAN總線報(bào)文異常檢測(cè)方法包括兩部分內(nèi)容：模型分析及異常檢測(cè)方法。模型分析是對(duì)CAN總線網(wǎng)絡(luò)模型進(jìn)行通信過程分析，并依據(jù)此模型建立深度學(xué)習(xí)網(wǎng)絡(luò)，異常檢測(cè)方法根據(jù)對(duì)CAN總線中的報(bào)文進(jìn)行處理，分為訓(xùn)練集、調(diào)優(yōu)集和測(cè)試集，首先通過訓(xùn)練集對(duì)網(wǎng)絡(luò)模型進(jìn)行初始化參數(shù)，然后通過調(diào)優(yōu)集利用BP算法對(duì)與訓(xùn)練過程中的參數(shù)進(jìn)行優(yōu)化，并在BP算法中引入慣性項(xiàng)進(jìn)行優(yōu)化，最后通過報(bào)文測(cè)試集對(duì)深度置信網(wǎng)絡(luò)模型進(jìn)行測(cè)試，從而達(dá)到提高網(wǎng)絡(luò)可靠性的目的。

所述的CAN總線網(wǎng)絡(luò)的模型，CAN網(wǎng)絡(luò)中的任意一個(gè)ECU節(jié)點(diǎn)與CAN總線相連接，并且CAN總線采用多主機(jī)方式工作，即網(wǎng)絡(luò)中節(jié)點(diǎn)可以再任意時(shí)刻主動(dòng)地向網(wǎng)絡(luò)中其他節(jié)點(diǎn)發(fā)送報(bào)文信息。

所述的深度置信網(wǎng)絡(luò)是由多個(gè)限制玻爾茲曼機(jī)(Restricted BoltzmannMachine，RBM)組成的多隱含層神經(jīng)網(wǎng)絡(luò)，由最底層接收輸入數(shù)據(jù)，通過RBM轉(zhuǎn)換輸入數(shù)據(jù)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(wǎng)絡(luò)的核心就是運(yùn)用算法逐層的去優(yōu)化深度神經(jīng)網(wǎng)絡(luò)的連接權(quán)重，即首先使用無監(jiān)督逐層訓(xùn)練的方式，初始化網(wǎng)絡(luò)中的各層之間的連接權(quán)值，將最后一個(gè)RBM的輸出層得到的結(jié)果輸入到一個(gè)傳統(tǒng)的監(jiān)督分類器中，即可對(duì)數(shù)據(jù)進(jìn)行分類。通過反向有監(jiān)督微調(diào)，優(yōu)化網(wǎng)絡(luò)中的權(quán)重參數(shù)，從而提高DBN的異常檢測(cè)能力。由于深度置信網(wǎng)絡(luò)中的無監(jiān)督逐層訓(xùn)練通過直接把數(shù)據(jù)從輸入映射到輸出，能夠?qū)W習(xí)一些非線性復(fù)雜函數(shù)，這也是其具備強(qiáng)大特征提取能力的關(guān)鍵所在。

RBM作為深度置信網(wǎng)絡(luò)的基本模塊，實(shí)際上是一個(gè)兩層的遞歸神經(jīng)網(wǎng)絡(luò)，RBM從可視層接收輸入數(shù)據(jù)，并通過一定的映射關(guān)系將值傳遞到隱藏層。一層RBM包含一個(gè)可視層v和一個(gè)隱含層h，假設(shè)可視層有m個(gè)節(jié)點(diǎn)，其中第j節(jié)點(diǎn)的輸入用v_j表示；隱含層有n個(gè)節(jié)點(diǎn)，其中第i個(gè)節(jié)點(diǎn)的輸出用h_i，則一個(gè)RBM的能量函數(shù)可表示為：