[發(fā)明專利]一種基于膠囊神經網(wǎng)絡的車內網(wǎng)入侵檢測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201910588118.3
• 申請日: 2019-07-02
• 公開（公告）號: CN110324337B
• 公開（公告）日: 2020-08-04
• 發(fā)明（設計）人: 石磊;王陽軍;李飛;王娟;張浩曦;張路橋;吳春旺;丁哲;徐靜
• 申請（專利權）人: 成都信息工程大學
• 主分類號: H04L29/06
• 分類號: H04L29/06;H04L29/08;H04L12/40;G06N3/04
• 代理公司: 北京輕創(chuàng)知識產權代理有限公司 11212
• 代理人: 吳東勤

1.一種基于膠囊神經網(wǎng)絡的車內網(wǎng)入侵檢測方法，其特征在于，所述基于膠囊神經網(wǎng)絡的車內網(wǎng)入侵檢測方法結合多種車內網(wǎng)數(shù)據(jù)總線實時動態(tài)數(shù)據(jù)與駕駛狀態(tài)動態(tài)數(shù)據(jù)檢測；按照一定的時間間隔參數(shù)u進行檢測到的所述動態(tài)數(shù)據(jù)與駕駛狀態(tài)動態(tài)數(shù)據(jù)劃分，構成總樣本集；

對車內網(wǎng)數(shù)據(jù)總線實時檢測的動態(tài)數(shù)據(jù)與駕駛狀態(tài)動態(tài)數(shù)據(jù)轉換為特征矩陣，以輸出給后面的模塊挖掘空間關系結構特征；

引入基于膠囊神經網(wǎng)絡處理模型，建立適合車內網(wǎng)環(huán)境下數(shù)據(jù)的處理結構，對特征關系的結構進行高維建模；

所述基于膠囊神經網(wǎng)絡的車內網(wǎng)入侵檢測方法具體包括：

第一步，采集兩種場景下車內網(wǎng)原始特征數(shù)據(jù)，并進行預處理：

分別在兩種場景下采集車內網(wǎng)中CAN總線、MOST總線數(shù)據(jù)包數(shù)據(jù)，以及車輛速度、車輛加速度、轉向、剎車數(shù)據(jù)；兩種場景分別是無外網(wǎng)鏈接的正常駕駛場景與有外網(wǎng)攻擊連接的攻擊駕駛場景；對采集到的各數(shù)據(jù)按照一定的時間間隔參數(shù)u進行劃分，構成總樣本集，對兩類數(shù)據(jù)進行膠囊神經網(wǎng)絡模型的訓練；將該總樣本集70％的數(shù)據(jù)進行模型訓練，30％用于模型的效果驗證；在進行訓練之前，對原始樣本數(shù)據(jù)進行相應的預處理；

第二步，應用膠囊神經網(wǎng)絡結構對參考模型參數(shù)進行計算，膠囊神經網(wǎng)絡結構包括卷積層、一級膠囊層、次膠囊層；特征矩陣的維度為row*col；

卷積層：經過預處理后，特征矩陣通過卷積核運算得到卷積層，卷積層檢測特征矩陣的基本特征；

一級膠囊層：共8個主膠囊，接受卷積層檢測到的基本特征，生成特征的組合；卷積層得到的每8個卷積結果運算得到一個主膠囊模塊；

次級膠囊層：包含2個數(shù)字膠囊，每個膠囊對應判斷是否存在入侵檢測狀態(tài)的結果，每個數(shù)字膠囊的維度為50；一級膠囊層和次級膠囊層通過動態(tài)路由算法進行計算得到；

所述第一步預處理方法包括：

(1)對于每一個時間間隔t采集到的CAN總線、MOST總線數(shù)據(jù)包數(shù)據(jù)，按照CAN與MOST數(shù)據(jù)包類型進行包統(tǒng)計概率的特征計算，構成特征向量x1、x2；

(2)在采集以上CAN與MOST數(shù)據(jù)包時，按照時間到來的先后順序，對各類型數(shù)據(jù)包序列進行記錄，構成類型序列原始數(shù)據(jù)；對CAN、MOST總線數(shù)據(jù)類型進行one-hot encoding類型編碼；采用1/M作為采樣間隔對各類型序列數(shù)據(jù)包進行采樣，構成特征序列向量x3、x4；

(3)對于上述時間間隔t，采用更細微的采樣頻率n，采集車輛駕駛狀態(tài)數(shù)據(jù)進行處理，采集的數(shù)據(jù)包括車輛速度、車輛加速度、轉向角度與加速度、剎車數(shù)據(jù)；計算車輛速度、車輛加速度、轉向角度與加速度、剎車數(shù)據(jù)的20個相關系數(shù)作為特征向量x5；計算相關系數(shù)算法采用：

其中，其中x_i為一種類型駕駛狀態(tài)數(shù)據(jù)，y_i為另一種類型數(shù)據(jù)，分別為兩種狀態(tài)數(shù)據(jù)的平均值，σ_x、σ_y分別為兩種駕駛狀態(tài)數(shù)據(jù)的標準差；

(4)對以上的特征向量x1～x5進行特征矩陣標準化處理；x3向量中有CAN的n1數(shù)據(jù)包，one-hot encoding編碼長度為len1，x4向量中有MOST的n2數(shù)據(jù)包，one-hot encoding編碼長度為len2，則取特征矩陣的列數(shù)：

在標準化x3、x4向量時，按照二維矩陣空間位置進行處理；有剩余無法放置某一個類型數(shù)據(jù)的地方補0，在設置完上述信息后，對x1、x2、x5進行處理，分別放置在標準矩陣后面行的位置，構成整個特征矩陣數(shù)據(jù)。

2.如權利要求1所述的基于膠囊神經網(wǎng)絡的車內網(wǎng)入侵檢測方法，其特征在于，一級膠囊層傳遞給次級膠囊層的運算中，運用的計算環(huán)節(jié)函數(shù)有：

其中，表示膠囊之間的仿射運算、s_j表示輸入向量的標量加權運算，以及v_j表示squash壓縮函數(shù)；c_ij通過囊間路由算法迭代得到，計算方法采用softmax函數(shù)，即：

其中,b_ij在迭代過程中初始化為0，然后通過囊間路由算法計算；最后通過次級膠囊計算||v_j||得到屬于是否入侵判斷的概率。

3.如權利要求1所述的基于膠囊神經網(wǎng)絡的車內網(wǎng)入侵檢測方法，其特征在于，第一步在訓練階段，采用如下方法對損失進行計算：

L_c＝T_cmax(0,m⁺-||v_c||)²+λ(1-T_c)max(0,||v_c||-m^-)；

通過如上的膠囊神經網(wǎng)絡對70％樣本數(shù)據(jù)進行訓練，并通過剩余的30％樣本數(shù)據(jù)進行測試。