[發明專利]車輛系統固件安全保護方法、裝置和計算機設備在審
| 申請號: | 202210080358.4 | 申請日: | 2022-01-24 |
| 公開(公告)號: | CN114489008A | 公開(公告)日: | 2022-05-13 |
| 發明(設計)人: | 章維;劉云飛 | 申請(專利權)人: | 深圳市星卡軟件技術開發有限公司 |
| 主分類號: | G05B23/02 | 分類號: | G05B23/02;B60R16/023 |
| 代理公司: | 深圳市精英專利事務所 44242 | 代理人: | 馮筠 |
| 地址: | 518000 廣東省深圳市龍崗區*** | 國省代碼: | 廣東;44 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 車輛 系統 安全 保護 方法 裝置 計算機 設備 | ||
1.一種車輛系統固件安全保護方法,應用于車輛診斷設備,所述車輛診斷設備與車輛通信連接,其特征在于,包括:
獲取車輛的車載數據,并根據所述車載數據對車輛的固件安全進行檢測,得到檢測報告,其中,所述檢測報告中包括車輛各個系統的固件安全風險信息;
根據所述固件安全風險信息獲取選取指令,并根據所述選取指令進入與所述固件安全風險信息對應的系統;
獲取系統數據,并根據所述系統數據向所述系統發送固件保護數據,以使所述系統根據所述固件保護數據執行固件安全保護動作。
2.根據權利要求1所述的車輛系統固件安全保護方法,其特征在于,所述根據所述車載數據對車輛的固件安全進行檢測的步驟,包括:
根據所述車載數據對車輛系統進行劃分,得到多個系統的系統數據;
根據每個系統的系統數據查找與所述系統對應的密碼算法;
根據所述密碼算法對所述系統內的固件進行解包,得到解包后的固件信息;
根據所述固件信息對固件安全進行檢測,得到包括各個固件的安全風險評估檢測報告。
3.根據權利要求2所述的車輛系統固件安全保護方法,其特征在于,所述根據每個系統的系數數據查找與所述系統對應的密碼算法的步驟,包括:
獲取所述系統數據中每一個固件可執行二進制的文件;
對每一個所述文件進行密碼函數識別,得到多個文件的密碼函數特征,其中,所述密碼函數特征包括指令統計特征、循環結構特征、函數結構特征與數據流分析特征;
獲取開源密碼庫的應用特征,并根據所述應用特征與所述密碼函數特征查找與所述系統中每一個固件所對應的密碼算法。
4.根據權利要求1所述的車輛系統固件安全保護方法,其特征在于,所述獲取系統數據,并根據所述系統數據向所述系統發送固件保護數據的步驟,包括:
根據所述車載數據獲取每一個系統中的固件代碼;
對所述固件代碼的重要屬性進行優先級劃分,得到固件核心可信代碼、固件普通可信代碼、以及固件非可信代碼;
根據所述系統數據獲取固件配置數據,其中,所述固件配置數據包括所述固件的歷史診斷數據和允許車輛診斷設備對固件進行配置的配置數據;
根據所述固件的歷史診斷數據和允許診斷設備對固件進行配置的配置數據對所述固件配置數據的保護等級進行優先級劃分,得到第一保護數據集、第二保護數據集與第三保護數據集;
對所述固件核心可信代碼、固件普通可信代碼、固件非可信代碼以及所述第一保護數據集、第二保護數據集、第三保護數據集建立代碼數據匹配關聯表,其中,所述固件核心可信代碼匹配所述第一保護數據集,所述固件普通可信代碼匹配所述第二保護數據集,所述固件非可信代碼匹配所述第三保護數據集;
根據所述代碼數據匹配關聯表生成與所述代碼數據匹配關聯表對應的固件保護數據。
5.根據權利要求4所述的車輛系統固件安全保護方法,其特征在于,所述根據所述代碼數據匹配關聯表生成與所述代碼數據匹配關聯表對應的固件保護數據的步驟,包括:
根據所述固件核心可信代碼與所述第一保護數據集查找第一內核基址;
根據所述第一內核基址獲取第一內核靜態數據;
對所述第一內核靜態數據進行第一代碼混淆,得到第一固件保護數據;
根據所述固件普通可信代碼與所述第二保護數據集查找第二內核基址;
根據所述第二內核基址獲取第二內核靜態數據;
對所述第二內核靜態數據進行第二代碼混淆,得到第二固件保護數據;
根據所述固件非可信代碼與所述第三保護數據集查找第三內核基址;
根據所述第三內核基址獲取第三內核靜態數據;
對所述第三內核靜態數據進行第三代碼混淆,得到第三固件保護數據。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于深圳市星卡軟件技術開發有限公司,未經深圳市星卡軟件技術開發有限公司許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202210080358.4/1.html,轉載請聲明來源鉆瓜專利網。
- 上一篇:項目框架處理方法及裝置
- 下一篇:基于證據深度學習的可信多視角分類方法





