车载边缘设备基于关联学习的受损电子控制单元定位方法技术

本发明专利技术公开一种车载边缘设备基于关联学习的受损电子控制单元定位方法，包括步骤1：数据预处理，获得若干预处理数据集；步骤2：序列提取，将每一个预处理数据集A处理生成数据集B，并对数据集B进行全排列获取模式序列；步骤3：攻击识别，将读取的序列与模式序列进行对比，标记攻击序列，同时将相应的电子控制单元标记为已破坏。本发明专利技术不论以速度划分还是以攻击类型划分，其识别正确率都要优于现有的基于时钟的入侵检测方法。

【技术实现步骤摘要】
车载边缘设备基于关联学习的受损电子控制单元定位方法
本专利技术涉及一种车载边缘设备基于关联学习的受损电子控制单元定位方法，属于工业物联网安全领域。
技术介绍
在现代车辆中，传感器和电子控制单元(ECU)的采用为驾驶员带来了智能和便利，并使自动驾驶成为可能。然而，通过智能电子设备对现代车辆的攻击严重威胁了驾驶的安全性。通过无线通道将攻击消息注入到车辆中，并连接到车辆的控制器局域网(CAN)总线上，攻击者就可以控制车辆，并使其脱离安全的运行方式。因此，针对这些安全威胁进行快速、高效的取证和精确的安全修补至关重要。目前已经提出了许多防御车辆攻击的方法，并将攻击识别作为精确防御的基础。攻击识别可以在车辆中准确地检测到攻击，但是如果不知道哪个电子控制单元(ECU)受损，就无法精确隔离或修补相应的电子控制单元(ECU)，车辆就仍处于不安全状态。值得一提的是，隔离或修补确切受损的电子控制单元(ECU)对比于盲目、简单地认为所有电子控制单元(ECU)都受损，并对这些电子控制单元(ECU)实施隔离或修补，前者更具经济效益。当前的可用的受损电子控制单元(ECU)识别算法都有一定的不足。其中一种识别受损电子控制单元(ECU)的算法利用车载消息的间隔，通过累积和分析来检测入侵并对受损电子控制单元(ECU)进行定位。但是该算法存在周期依赖性问题，如果不定期地注入攻击消息，则不能用于受损电子控制单元(ECU)的识别与定位。另一种算法通过电压测量来识别控制器局域网(CAN)总线上受损的电子控制单元(ECU)。该算法需要复杂而准确的测量，且车辆用户需要将其私人数据上传到第三方数据中心。
技术实现思路
为了解决现有的技术缺陷，本专利技术提供一种车载边缘设备基于关联学习的受损电子控制单元定位方法，避免复杂的测量和周期依赖性，并实现边缘计算，精确识别受损的电子控制单元(ECU)。本专利技术中主要采用的技术方案为：一种车载边缘设备基于关联学习的受损电子控制单元定位方法，包括以下具体步骤：步骤1：数据预处理，分别采用上升状态和下降状态标记已知的电子控制单元，并记录状态突变点，获得若干预处理数据集，所述预处理数据集包括：记录的状态突变点、所有已知电子控制单元的ID、状态编号以及时间戳，其中，将每一个未受到攻击的预处理数据集记为预处理数据集A；步骤2：序列提取，将每一个预处理数据集A中电子控制单元ID的状态编号从小到大排序并删除重复数据，生成数据集B，对数据集B进行全排列，并计算每个排列结果的出现次数，根据支持度，删除出现次数小于支持度的排列结果，剩余的排列结果即为模式序列；步骤3：攻击识别，对所有受到攻击的预处理数据集进行遍历读取序列，将当前读取的序列与通过步骤2提取得到的模式序列进行对比，如果当前读取的序列不在模式序列中，则将该序列标记为攻击，同时将相应的电子控制单元标记为已破坏。优选地，所述步骤2中的支持度为特定的出现次数，其计算过程如下：对预处理数据集A中每个电子控制单元的出现次数进行计数，然后根据出现次数进行升序排列，删除重复数据及零值数据得到数据集C，且数据集C表示为{CC＝a0,a1,···,ai}，其中，i＝数据集C中的元素个数，则支持度的值即为aj，且j＝0.05×i。优选地，对所述步骤2得到的模式序列进行优化，在每个长度为T的时隙中，通过迭代以下步骤实现深度学习，得到受损电子控制单元定位模型，具体过程如下：S1：车载边缘设备中的边缘计算中心将模型参数分配给若干车辆；S2：每辆收到模型参数的车辆使用其车载计算机系统上的本地数据来更新这些模型参数值；S3：每辆收到模型参数的车辆将更新的模型参数值传输到边缘计算中心；S4：边缘计算中心汇总其接收的模型参数，根据更新的模型参数，计算深度学习模型的损失函数，使得损失函数最小的作为当前更新的定位模型，直至满足迭代次数或者定位模型达到一定精度，否者返回步骤S1继续迭代优化学习。有益效果：本专利技术提供一种车载边缘设备基于关联学习的受损电子控制单元定位方法，不论以速度划分还是以攻击类型划分，其识别正确率都要优于现有的基于时钟的入侵检测方法。附图说明图1为本专利技术的定位模型优化示意图。具体实施方式为了使本
的人员更好地理解本申请中的技术方案，下面对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。一种车载边缘设备基于关联学习的受损电子控制单元定位方法，包括以下具体步骤：步骤1：数据预处理，分别采用上升状态和下降状态标记已知的电子控制单元，并记录状态突变点，获得若干预处理数据集，所述预处理数据集包括：记录的状态突变点、所有已知电子控制单元的ID、状态编号以及时间戳，其中，将每一个未受到攻击的预处理数据集记为预处理数据集A；步骤2：序列提取，将每一个预处理数据集A中电子控制单元ID的状态编号从小到大排序并删除重复数据，生成数据集B，对数据集B进行全排列，并计算每个排列结果的出现次数，根据支持度，删除出现次数小于支持度的排列结果，剩余的排列结果即为模式序列；本专利技术中，该步骤对每一个预处理数据集A都会进行序列提取，所有预处理数据集A提取的序列将整合在一个文件中，用于与步骤3中的提取的序列进行对比。步骤3：攻击识别，对所有受到攻击的预处理数据集进行遍历读取序列(即将所有受到攻击的预处理数据集分割成长度为2的序列)，将当前读取的序列与通过步骤2提取得到的模式序列进行对比，如果当前读取的序列不在模式序列中，则将该序列标记为攻击，同时将相应的电子控制单元标记为已破坏。优选地，所述步骤2中的支持度为特定的出现次数，其计算过程如下：对预处理数据集A中每个电子控制单元的出现次数进行计数，然后根据出现次数进行升序排列，删除重复数据及零值数据得到数据集C，且数据集C表示为{CC＝a0,a1,···,ai}，其中，i＝数据集C中的元素个数，则支持度的值即为aj，且j＝0.05×i。本专利技术中，设置支持度值的原因：当j＝0.05*i，j＝0.1*i，j＝0.2*i和j＝0.5*i时，攻击识别的正确率分别为：0.9308、0.9270、0.9256和0.9256。根据比较结果，当j＝0.05*i时，正确率最高。优选地，对所述步骤2得到的模式序列进行优化，在每个长度为T的时隙中，通过迭代以下步骤实现深度学习，得到受损电子控制单元定位模型，具体过程如下：S1：车载边缘设备中的边缘计算中心将模型参数分配给若干车辆；S2：每辆收到模型参数的车辆使用其车载计算机系统上的本地数据来更新这些模型参数值；S3：每辆收到模型参数的车辆将更新的模型参数值传输到边缘计算中心；S4：边缘计算中心汇总其接收的模型参数，根据更新的模型参数，计算深度学习模型的损失函数，使得损失本文档来自技高网...

【技术保护点】
1.一种车载边缘设备基于关联学习的受损电子控制单元定位方法，其特征在于，包括以下具体步骤：/n步骤1：数据预处理，分别采用上升状态和下降状态标记已知的电子控制单元，并记录状态突变点，获得若干预处理数据集，所述预处理数据集包括：记录的状态突变点、所有已知电子控制单元的ID、状态编号以及时间戳，其中，将每一个未受到攻击的预处理数据集记为预处理数据集A；/n步骤2:序列提取，将每一个预处理数据集A中电子控制单元ID的状态编号从小到大排序并删除重复数据，生成数据集B，对数据集B进行全排列，并计算每个排列结果的出现次数，根据支持度，删除出现次数小于支持度的排列结果，剩余的排列结果即为模式序列；/n步骤3：攻击识别，对所有受到攻击的预处理数据集进行遍历读取序列，将当前读取的序列与通过步骤2提取得到的模式序列进行对比，如果当前读取的序列不在模式序列中，则将该序列标记为攻击，同时将相应的电子控制单元标记为已破坏。/n

【技术特征摘要】
1.一种车载边缘设备基于关联学习的受损电子控制单元定位方法，其特征在于，包括以下具体步骤：
步骤1：数据预处理，分别采用上升状态和下降状态标记已知的电子控制单元，并记录状态突变点，获得若干预处理数据集，所述预处理数据集包括：记录的状态突变点、所有已知电子控制单元的ID、状态编号以及时间戳，其中，将每一个未受到攻击的预处理数据集记为预处理数据集A；
步骤2:序列提取，将每一个预处理数据集A中电子控制单元ID的状态编号从小到大排序并删除重复数据，生成数据集B，对数据集B进行全排列，并计算每个排列结果的出现次数，根据支持度，删除出现次数小于支持度的排列结果，剩余的排列结果即为模式序列；
步骤3：攻击识别，对所有受到攻击的预处理数据集进行遍历读取序列，将当前读取的序列与通过步骤2提取得到的模式序列进行对比，如果当前读取的序列不在模式序列中，则将该序列标记为攻击，同时将相应的电子控制单元标记为已破坏。


2.根据权利要求1所述的一种车载边缘设备基于关联学习的受损电子控制单元定位方法，其特征在于，所述步骤2中的支持度为特定的出...

【专利技术属性】
技术研发人员：陈媛芳，姚岑，马晨皓，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33