一种基于深度学习的CAN总线报文异常检测方法技术

本发明专利技术涉及一种CAN总线报文异常检测方法，特别是一种基于深度学习的CAN总线报文异常检测方法。本发明专利技术主要应用于汽车CAN网络通信系统，包括模型分析及异常检测方法。在CAN总线拓扑模型的基础上，建立深度学习网络，异常检测方法根据对CAN总线中的报文进行处理，分为训练集、调优集和测试集，首先通过训练集对网络模型进行初始化参数，然后通过调优集利用BP算法对与训练过程中的参数进行优化，并在BP算法中引入惯性项进行优化，最后通过报文测试集对深度置信网络模型进行测试，从而达到提高CAN总线网络可靠性的目的。

【技术实现步骤摘要】
一种基于深度学习的CAN总线报文异常检测方法
本专利技术涉及一种CAN总线报文异常检测方法，特别是一种基于深度学习的CAN总线报文异常检测方法，该方法能有效检测CAN总线中传输的报文是否是异常状态，从而提高网络的可靠性。
技术介绍
控制器局域网CAN(ControllerAreaNetwork)是一种面向汽车的国际标准化串行通信协议，目前已经是汽车网络的标准协议。由于其高性能和可靠性也广泛应用于工业自动化、船舶、医疗设备汽车以及其它工业场合，为分布式控制系统实现各节点之间实时、可靠的数据通信提供强有力支持。随着汽车搭载的功能性、娱乐性设备的增加，CAN总线网络规模变得愈加复杂，网络遭受干扰的可能性增大。并且现代的汽车行业趋于智能化发展，易被黑客攻击，从而降低CAN网络的可靠性，易造成安全问题。深度学习作为机器学习领域的一种新兴方法，能够从复杂的数据分布中自动提取故障特征。深度置信网络作为深度学习的经典算法之一，能够通过逐层的网络结构从原始数据中提取高层次特征。将深度置信网络应用到异常检测领域避免了传统方法由于人工参与和需要大量信号处理技术等造成的特征提取方法的不确定性和复杂性。因此，本文档来自技高网...

【技术保护点】
1.一种基于深度学习的CAN总线报文异常检测方法，其特征在于：包括两部分内容：模型分析及故异常检测方法。模型分析是对CAN总线网络模型进行通信过程分析，并依据此建立深度学习网络异常检测网络，异常检测方法对CAN总线中的报文进行处理，分为训练集、调优集和测试集，首先通过训练集对网络模型进行初始化参数，然后通过调优集利用BP算法对与训练过程中的参数进行优化，并在BP算法中引入惯性项进行优化，最后通过报文测试集对深度置信网络模型进行测试，从而达到提高网络可靠性的目的。

【技术特征摘要】
1.一种基于深度学习的CAN总线报文异常检测方法，其特征在于：包括两部分内容：模型分析及故异常检测方法。模型分析是对CAN总线网络模型进行通信过程分析，并依据此建立深度学习网络异常检测网络，异常检测方法对CAN总线中的报文进行处理，分为训练集、调优集和测试集，首先通过训练集对网络模型进行初始化参数，然后通过调优集利用BP算法对与训练过程中的参数进行优化，并在BP算法中引入惯性项进行优化，最后通过报文测试集对深度置信网络模型进行测试，从而达到提高网络可靠性的目的。2.根据权利要求1所述的一种基于深度学习的CAN总线报文异常检测方法，其特征在于：所述的CAN总线网络的模型，CAN网络中的任意一个ECU节点与CAN总线相连接，并且CAN总线采用多主机方式工作，即网络中节点可以再任意时刻主动地向网络中其他节点发送报文信息。3.根据权利要求1所述的一种基于深度学习的CAN总线报文异常检测方法，其特征在于：所述的深度置信网络是由多个限制玻尔兹曼机(RBM)组成的多隐含层神经网络，由最底层接收输入数据，通过RBM转换输入数据到隐含层。即高一层的RBM输入来自其上一层RBM的输出。深度置信网络的核心就是运用算法逐层的去优化深度神经网络的连接权重，即首先使用无监督逐层训练的方式，初始化网络中的各层之间的连接权值，将最后一个RBM的输出层得到的结果输入到一个传统的监督分类器中，即可对数据进行分类。通过反向有监督微调，优化网络中的权重参数，从而提高DBN的异常检测能力。由于深度置信网络中的无监督逐层训练通过直接把数据从输入映射到输出，能够学习一些非线性复杂函数，这也是其具备强大特征提取能力的关键所在。4.根据权利要求3所述的一种基于深度学习的CAN总线报文异常检测方法，其特征在于：所述的限制玻尔兹曼机(RBM)作为深度置信网络的基本模块，实际上是一个两层的递归神经网络，首先从可视层接收输入数据，并通过一定的映射关系将值传递到隐藏层。如图2所示，是RBM结构的简化模型，一层RBM包含一个可视层v和一个隐含层h，假设可视层有m个节点，其中第j节点的输入用vj表示；隐含层有n个节点，其中第i个节点的输出用hi，则一个RBM的能量函数可表示为：其中：θ＝{wij,aj,bi:1≤i≤n,1≤j≤m}，wij表示可是节点j与隐含节点i之间的权重函数，aj表示可是节点j的偏置，bi表示隐含节点i的偏置。由此可得，RBM的联合分布可表示为：对上式取边缘分布，可得到RBM的可视向量分布：其隐含向量分布：其中：sigm(x)＝1/(1+e-x)RBM本质就是使得训练后的模型更加相符合输入样本分布。5.根据权利要求4所述的一种基于深度学习的CAN总线报文异常检测方法，其特征在于：所述的深度置信网络模型是由若干个RBM堆叠而成，在其进行生成学习过程中分为两部分：无监督预训练过程及有监督调优过程。6.根据权利要求5所述的一种基于深度学习的CAN总线报文异常检测方法，其特征在于：所述的无监督预训练过程实质上是初始化网络参数的过程，需要初始化的网络参数是层与层之间的连接权值及各层神经元的偏置值，把深层置信网络从输入到非最高层的每相邻两层都看作一个不带标签的RBM进行CD学习，同时把最高两层看做一个...

【专利技术属性】
技术研发人员：胡黄水，杨兴旺，赵思远，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：吉林,22