[發明專利]基于物理層特征指紋的CAN總線識別方法及裝置

有效

• 申請號: 202011228824.6
• 申請日: 2020-11-06
• 公開（公告）號: CN112491677B
• 公開（公告）日: 2022-10-14
• 發明（設計）人: 趙彩丹;王藝霖;石明仙
• 申請（專利權）人: 廈門大學
• 主分類號: H04L12/40
• 分類號: H04L12/40;G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廈門創象知識產權代理有限公司 35232
• 代理人: 尤懷成

1.一種基于物理層特征指紋的CAN總線識別方法，其特征在于，包括以下步驟：

獲取閉集的CAN總線信號，并對所述閉集的CAN總線信號進行預處理，以得到預處理后的訓練信號；

采用時頻統計特征識別算法對所述預處理后的訓練信號進行處理以提取所述預處理后的訓練信號的多維統計特征；

將所述多維統計特征輸入到多類監督學習的分類器中，以對所述閉集的CAN總線進行識別；

采用多層深度卷積神經網絡、改進的三元組損失函數和梯度剪裁模塊建立SigTLNet網絡模型；

將所述預處理后的訓練信號輸入到所述SigTLNet網絡模型以對所述SigTLNet網絡模型進行訓練，以得到訓練好的SigTLNet網絡模型；

獲取開放集的CAN總線，并將所述開放集的CAN總線輸入到所述訓練好的SigTLNet網絡模型，以對所述開放集的CAN總線進行識別；

其中，采用時頻統計特征識別算法對所述預處理后的訓練信號進行處理以提取所述預處理后的訓練信號的多維統計特征，包括：

分別截取預處理后的訓練信號的上升沿、下降沿和剩余顯著信號的中間平穩信號，并將截取的所有上升沿進行拼接以得到上升沿信號、將截取的所有下降沿進行拼接以得到下降沿信號，將截取的所有剩余顯著信號的中間平穩信號進行拼接以得到顯著平穩信號；

計算所述上升沿信號、下降沿信號和顯著平穩信號的多維統計特征。

2.如權利要求1所述的基于物理層特征指紋的CAN總線識別方法，其特征在于，對所述閉集的CAN總線信號進行預處理，包括：

采用相位法獲取所述閉集的CAN總線信號的起點，并對所述閉集的CAN總線信號進行歸一化處理。

3.如權利要求1所述的基于物理層特征指紋的CAN總線識別方法，其特征在于，將所述多維統計特征輸入到多類監督學習的分類器中，以對所述閉集的CAN總線進行識別，包括：

將所述多維統計特征輸入到多類監督學習的分類器中以獲取對應的識別率，并根據所述識別率判斷所述多維統計特征在對應的多類監督學習的分類器中的識別效果。

4.一種計算機可讀存儲介質，其特征在于，其上存儲有基于物理層特征指紋的CAN總線識別程序，該基于物理層特征指紋的CAN總線識別程序被處理器執行時實現如權利要求1-3中任一項所述的基于物理層特征指紋的CAN總線識別方法。

5.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時，實現如權利要求1-3中任一項所述的基于物理層特征指紋的CAN總線識別方法。

6.一種基于物理層特征指紋的CAN總線識別裝置，其特征在于，包括：

獲取模塊，所述獲取模塊用于獲取閉集的CAN總線信號，并對所述閉集的CAN總線信號進行預處理，以得到預處理后的訓練信號；

處理模塊，所述處理模塊用于采用時頻統計特征識別算法對所述預處理后的訓練信號進行處理以提取所述預處理后的訓練信號的多維統計特征；

第一識別模塊，所述第一識別模塊用于將所述多維統計特征輸入到多類監督學習的分類器中，以對所述閉集的CAN總線進行識別；

建立模塊，所述建立模塊用于采用多層深度卷積神經網絡、改進的三元組損失函數和梯度剪裁模塊建立SigTLNet網絡模型；

訓練模塊，所述訓練模塊用于將所述預處理后的訓練信號輸入到所述SigTLNet網絡模型以對所述SigTLNet網絡模型進行訓練，以得到訓練好的SigTLNet網絡模型；

第二識別模塊，所述第二識別模塊用于獲取開放集的CAN總線，并將所述開放集的CAN總線輸入到所述訓練好的SigTLNet網絡模型，以對所述開放集的CAN總線進行識別；

其中，所述處理模塊還用于分別截取預處理后的訓練信號的上升沿、下降沿和剩余顯著信號的中間平穩信號，并將截取的所有上升沿進行拼接以得到上升沿信號、將截取的所有下降沿進行拼接以得到下降沿信號，將截取的所有剩余顯著信號的中間平穩信號進行拼接以得到顯著平穩信號；計算所述上升沿信號、下降沿信號和顯著平穩信號的多維統計特征。