一种信息处理方法、异常检测装置、介质及车载控制器制造方法及图纸

本发明专利技术属于智能车技术领域，尤其涉及一种信息处理方法、异常检测装置、介质及车载控制器；通过采集车辆行驶信息并构造机器学习训练集和测试集数据，进而通过LSTM神经网络自回归训练其模型，并使用预训练后的神经网络提取特征向量；进一步在采用无监督学习方法获得异常分值的评估后，给出了异常信息的判定流程；由于该方法可以揭示物理信号之间的相关性、时序性并发现未知类型的异常过程，有利于改进车联网场景下相关装置、存储介质、车载控制器等的信息安全和异常监测能力，提高特征向量的表达效果；其中，本发明专利技术实施例公开的方法和相关产品可提升异常检测的F1分值，并在保证精度的前提下，获得更高的检出率。获得更高的检出率。获得更高的检出率。

【技术实现步骤摘要】
一种信息处理方法、异常检测装置、介质及车载控制器


[0001]本专利技术属于智能车
，尤其涉及一种信息处理方法、异常检测装置、介质及车载控制器。

技术介绍

[0002]伴随着物联网，特别是车联网技术的深入应用，智能车的网络安全问题日渐凸显。但由于车辆网络自身的特点，其网络攻击样本的获取成为制约车联网异常检测能力的一个关键因素。
[0003]目前，基于人工规则的检测方法，由于样本空间规模的限制，对于未知的攻击类型，尚不具备检测能力。
[0004]此外，基于人工智能AI（Artificial Intelligence）的应用，虽可进行相关特征向量的提取，但也受限于自编码器的结构，其特征向量的维度必须小于输入向量的维度，否则编码器将失效；同时，由于特征向量的维度较小，还可能导致原有数据信息的损失，不利于下游的分类任务。

技术实现思路

[0005]本专利技术实施例公开了一种信息处理方法，包括信息采集步骤、模型构造步骤、特征提取步骤、异常检测步骤。其中，信息采集步骤获取车辆行驶信息，成为相关方法得以实施的基础步骤，相关信息也将成为相关方法所处理的主要内容。
[0006]具体地，车辆运行信息可包括方向盘转角、发动机转速、左前轮车速、右前轮车速、左后轮车速、右后轮车速、整车车速至少之一。
[0007]进一步地，通过构造测试集数据和训练集数据，为后续的信息提取做准备；其中，测试集数据为车辆行驶信息按时间顺序在单独一段时间内的数据，训练集为车辆行驶信息中上述测试集以外的数据。/>[0008]进一步地，模型构造步骤可转换上述车辆行驶信息的数据格式和/或数据结构，将不同采样间隔的数据对齐到同一时间序列；并使用机器学习算法预训练得到模型数据。
[0009]进一步地，特征提取步骤通过获取由模型构造步骤得到的模型数据，提取车辆行驶信息的特征向量；并获取特征向量的异常分值；其中，异常分值为训练集中根据预设规则比较获得的边界值或特异值。
[0010]进一步地，在异常检测步骤根据预设的精度或灵敏度要求选取异常阈值，若异常分值超过异常阈值，则输出异常标志或启动相关的处置过程。
[0011]进一步地，可使用极小极大归一化方法对训练集进行预处理，同时对测试集使用训练集的预处理参数进行预处理。
[0012]具体地，可在模型构造步骤采用第一自回归训练，以预设的时间窗大小提取原始数据获得第一自回归序列，并在每个第一自回归序列的最后添加一个时刻，并以该时刻表示第一自回归序列终结；紧接着，以第一自回归序列为输入完成第一自回归训练。
[0013]进一步地，第一自回归训练可采用LSTM长短期记忆神经网络完成预训练；采用第一自回归序列作为LSTM神经网络的输入；通过获取LSTM神经网络的第一训练维度；其中，第一训练维度等于车辆运行信息待处理信息或采集信号的个数。
[0014]进一步地，LSTM神经网络全连接层中神经元的个数等于第一训练维度；LSTM神经网络的损失函数采用平均绝对误差MAE进行约束；其异常分值采用无监督学习过程获得；该无监督学习方法可包括最近邻居Nearest Neighbor算法。
[0015]具体地，提取LSTM神经网络单元中单元状态的第一终值向量，并将第一终值向量作为下游任务的输入。
[0016]具体地，车辆行驶信息可采集自车内通信总线，包括CAN、Ethernet、Flexray；该信息处理方法还包括将车内总线标准下的数据转换为10进制数据；其中，上述时间序列的间隔为预设的第一周期；该第一周期在预设的阶段内为固定值，该第一周期预设的不同取值包括0.02秒；将车辆行驶信息在该第一周期内出现的最后一次作为车辆行驶信息在第一周期内的值；在最近邻居Nearest Neighbor算法中采用欧式距离进行定量评估。
[0017]进一步地，通过选择训练集中正常样本异常分值最大的值作为第一异常阈值或采用异常样本的构造过程来确定第一异常阈值，进而为异常判定提供参考。
[0018]具体地，在异常样本中，欺骗攻击Spoofing类型的第一类异常样本包括Sine攻击样本、Line攻击样本、阶跃攻击样本。
[0019]若一段时间内随机选取1个攻击信号，则Sine攻击在攻击信号初始值上附加一个按正弦波周期变化的值，并随机选取周期和幅值；Line攻击在攻击信号的初始值上附加一个偏移量，该偏移量以一个随机的斜率递增或递减；阶跃攻击则将攻击信号固定在一个随机值。
[0020]进一步地，可构造混合数据集；其中，混合数据集由正常样本和异常样本构成，异常样本替换同时刻的原始样本或正常样本；提取混合数据集中正常序列所占的第一正常比例值；其中，异常序列为至少包含1个异常时刻的时间窗；按第一正常比例值选取具备预设占比的异常分值，并将该异常分值中的最大值作为第一异常阈值。
[0021]若采用异常样本的构造过程确定第一异常阈值，则可选取阶跃攻击进行异常样本的构造，将信号固定在其取值范围的边界处；经异常监测获取的异常分值均高于正常序列的异常分值；此时，即可选取异常序列里异常分值最低的异常分值为第一异常阈值。
[0022]本专利技术实施例公开的异常检测装置，包括信息采集单元、模型构造单元、特征提取单元、异常检测单元。
[0023]其信息采集单元获取车辆行驶信息，该车辆运行信息包括方向盘转角、发动机转速、左前轮车速、右前轮车速、左后轮车速、右后轮车速、整车车速至少之一。
[0024]进一步地，通过构造测试集数据和训练集数据，其中，测试集数据为车辆行驶信息按时间顺序在单独一段时间内的数据，训练集为车辆行驶信息中测试集以外的数据。
[0025]进一步地，模型构造单元转换车辆行驶信息的数据格式和/或数据结构，将不同采样间隔的数据对齐到同一时间序列；并使用机器学习算法预训练得到模型数据。
[0026]进一步地，特征提取单元获取模型构造单元得到的模型数据，提取车辆行驶信息的特征向量；并获取特征向量的异常分值，该异常分值为训练集中根据预设规则比较获得的边界值或特异值。
[0027]进一步地，异常检测单元根据预设的精度或灵敏度要求选取异常阈值，若异常分值超过异常阈值，则输出异常标志或启动相关的处置过程。
[0028]进一步地，预训练可使用极小极大归一化方法对训练集进行预处理，同时对测试集使用训练集的预处理参数进行预处理。
[0029]进一步地，模型构造单元可采用第一自回归训练，以预设的时间窗大小提取原始数据获得第一自回归序列，并在每个第一自回归序列的最后添加一个时刻，并以该时刻表示第一自回归序列终结；再以该第一自回归序列为输入完成第一自回归训练。
[0030]进一步地，第一自回归训练可采用LSTM长短期记忆神经网络完成预训练；采用第一自回归序列作为LSTM神经网络的输入；获取LSTM神经网络的第一训练维度，其第一训练维度等于车辆运行信息待处理信息或采集信号的个数。
[0031]具体地，LSTM神经网络全连接层中神经元的个数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息处理方法，其特征在于，包括：信息采集步骤（111）、模型构造步骤（222）、特征提取步骤（333）、异常检测步骤（444）；所述信息采集步骤（111）获取车辆行驶信息（555），所述车辆运行信息（555）包括方向盘转角、发动机转速、左前轮车速、右前轮车速、左后轮车速、右后轮车速、整车车速至少之一；构造测试集数据和训练集数据，其中，所述测试集数据为所述车辆行驶信息（555）按时间顺序在单独一段时间内的数据，所述训练集为所述车辆行驶信息（555）中所述测试集以外的数据；所述模型构造步骤（222）转换所述车辆行驶信息（555）的数据格式和/或数据结构，将不同采样间隔的数据对齐到同一时间序列；并使用机器学习算法预训练得到模型数据；所述特征提取步骤（333）获取所述模型构造步骤（222）得到的所述模型数据，提取所述车辆行驶信息（555）的特征向量；并获取所述特征向量的异常分值，所述异常分值为所述训练集中根据预设规则比较获得的边界值或特异值；所述异常检测步骤（444）根据预设的精度或灵敏度要求选取异常阈值，若所述异常分值超过所述异常阈值，则输出异常标志或启动相关的处置过程。2.如权利要求1所述的方法，其中：所述预训练使用极小极大归一化方法对所述训练集进行预处理，同时对所述测试集使用所述训练集的预处理参数进行预处理。3.如权利要求1或2所述的方法，其中：所述模型构造步骤（222）采用第一自回归训练，以预设的时间窗大小提取原始数据获得第一自回归序列，并在每个所述第一自回归序列的最后添加一个时刻，并以所述时刻表示所述第一自回归序列终结；以所述第一自回归序列为输入完成所述第一自回归训练。4.如权利要求3所述的方法，其中：所述第一自回归训练采用LSTM长短期记忆神经网络完成预训练；采用所述第一自回归序列作为所述LSTM神经网络的输入；获取所述LSTM神经网络的第一训练维度，所述第一训练维度等于所述车辆运行信息（555）待处理信息或采集信号的个数。5.如权利要求4所述的方法，其中：所述LSTM神经网络全连接层（242）中神经元的个数等于所述第一训练维度；所述LSTM神经网络的损失函数（252）采用平均绝对误差MAE进行约束；所述异常分值（353）采用无监督学习过程获得；所述无监督学习方法包括最近邻居Nearest Neighbor算法；提取所述LSTM神经网络单元中单元状态的第一终值向量，并将所述第一终值向量作为下游任务的输入。6.如权利要求4或5所述的方法，其中：所述车辆行驶信息（555）来自车内总线，所述车内总线包括CAN、Ethernet、Flexray；所述信息处理方法还包括：将所述车内总线标准下的数据转换为10进制数据；其中，所述时间序列的间隔为预设的第一周期；所述第一周期在预设的阶段内为固定值，所述第一周期预设的不同取值包括0.02秒；将所述车辆行驶信息（555）在所述第一周期内出现的最后一次作为所述车辆行驶信息（555）在所述第一周期内的值；所述最近邻居Nearest Neighbor算法中采用欧式距离进行定量评估。7.如权利要求4或5所述的方法，其中：
选择所述训练集中正常样本异常分值最大的值作为第一异常阈值或采用异常样本的构造过程确定所述第一异常阈值；所述异常样本包括欺骗攻击Spoofing类型的第一类异常样本；所述第一类异常样本包括Sine攻击样本、Line攻击样本、阶跃攻击样本；若一段时间内随机选取1个攻击信号，则所述Sine攻击，在所述攻击信号初始值上附加一个按正弦波周期变化的值，并随机选取周期和幅值；所述Line攻击在所述攻击信号的初始值上附加一个偏移量，所述偏移量以一个随机的斜率递增或递减；所述阶跃攻击将所述攻击信号固定在一个随机值；构造混合数据集；其中，所述混合数据集由正常样本和所述异常样本构成，所述异常样本替换同时刻的原始样本或所述正常样本；提取所述混合数据集中正常序列所占的第一正常比例值；其中，所述异常序列为至少包含1个异常时刻的时间窗；按所述第一正常比例值选取具备预设占比的异常分值，并将所述异常分值中的最大值作为第一异常阈值。8.如权利要求7所述的方法，其中：若采用异常样本的构造过程确定所述第一异常阈值，则选取所述阶跃攻击进行异常样本的构造，将信号固定在其取值范围的边界处；经异常监测获取的所述异常分值均高于所述正常序列的所述异常分值；选取所述异常序列里所述异常分值最低的所述异常分值为所述第一异常阈值。9.一种异常检测装置，包括：信息采集单元（011）、模型构造单元（022）、特征提取单元...

【专利技术属性】
技术研发人员：刘创，陆唯佳，刘鹏，李兵洋，罗勇，
申请(专利权)人：联合汽车电子有限公司，
类型：发明
国别省市：