[發明專利]基于自編碼器和遞歸神經網絡的車載系統入侵檢測方法

有效

• 申請號: 202010053614.1
• 申請日: 2020-01-17
• 公開（公告）號: CN111294341B
• 公開（公告）日: 2021-12-28
• 發明（設計）人: 李飛;章嘉彥;李如翔;宋佳琦;周啟楊
• 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;G06N3/08;G06N3/04
• 代理公司: 北京輕創知識產權代理有限公司 11212
• 代理人: 劉紅陽

1.一種基于自編碼器和遞歸神經網絡的車載系統入侵檢測方法，其特征在于，所述基于自編碼器和遞歸神經網絡的車載系統入侵檢測方法包括：

第一步，通過利用USB轉CAN線連接至OBD-II端口收集車輛相關CAN總線數據；

第二步，將所收集的車輛相關CAN總線數據結果進行標準化操作后作為自編碼器的輸入，利用自編碼器對輸入的標準化操作數據進行數據特征的自主學習和特征降維；

通過加入L1正則項約束來對隱層神經元的輸出進行抑制操作，自編碼器的訓練過程如下面算法所示：

1)、輸入樣本x_i，i＝1，2，3，…，n；

2)、對于每個結點進行相應的編碼操作：h＝Wx_i+b，其中b為偏置項參數；

3)、只要當前的迭代次數t小于總需求的迭代次數T；

4)、只要當前的結點編號i小于每層的結點總數n；

5)、對權重進行相應的殘差更新計算操作：對應J(W，b)為傳統自編碼器損失函數，其表達式為對應為KL散度約束，其KL散度約束表達式為其中為隱層節點輸出值的平均值，β為控制稀疏項的懲罰系數，ρ為預期目標值；

6)、對于偏置項參數的殘差更新計算操作，利用以下等式進行相應的更新操作：

7)、對重構矩陣進行相應的更新操作：

8)、對偏置項參數進行相應的更新操作：

9)、對相應的結點數i和迭代次數t進行分別自增的操作，然后進行下次的權重參數更新操作；

10)、在得到了優化后的重構矩陣后，需要對每個結點進行相應的解碼操作：x′_i＝g(W^Th+b)；

對自動編碼器進行多次迭代訓練后，得到最優約束權重矩陣和重構矩陣，利用這兩個矩陣能夠使得降維后所得到的數據和原始數據之間的損失誤差值降到最低，同時能夠得到高維數據特征的低維表達，并將此數據作為后續遞歸神經網絡分類器的輸入數據；

第三步，隨后對特征的自主學習和特征降維的數據，自編碼器進行輸出，并作為遞歸神經網絡的輸入對車輛的行為進行相應的分類學習，再利用SoftMax分類器對車輛行為異常與否進行分類；

遞歸神經網絡對車輛的行為進行相應的分類學習方法包括：

利用前向傳播計算出在對應的權重矩陣下在給定樣本下對應的預測樣本值，利用反向傳播通過利用微分計算對應的累計殘差對相應的權重進行更新操作；

前向傳播算法包括：

1)、輸入樣本x_i，i＝1，2，3，…，n；

2)、對一個每一個結點x_i，進行如下的前向傳播計算；

3)、計算每項結點的映射值：

4)、計算每項結點的激活函數值：h_i＝σ(s_i)，σ為雙曲正切激活函數；

6)、計算每項結點的分類輸出值：z_i＝Vh_i+c；

7)、對每項結點進行分類計算：y_i＝softmax(z_i)；

反向傳播算法包括：

1)、輸入樣本：(i＝1，2，…，n)；

2)、對于每個結點，計算對應的殘差項；

3)、計算隱層單元和輸出層單元權重的殘差值，并對權重值進行更新：

4)、計算分類輸出函數所對應的偏置項參數所對應的殘差值，并對偏置項進行更新：

5)、對于輸出層單元與隱層單元之間的連接權重W，前一隱層單元與當前時刻隱層單元的連接權重U以及樣本映射函數的誤差偏置項b，這三個參數更新與當前時刻t和下一時刻t+1相關聯，對以下三個參數進行步驟6)、步驟7)、步驟8)更新；

6)、對于輸出層單元與隱層單元之間的連接權重W的殘差值計算和更新：

7)、對于前一隱層單元與當前時刻隱層單元的連接權重U的殘差值計算和更新：

8)、對于樣本映射函數的誤差偏置項b的計算和更新：