车载总线报文处理方法、装置、车载终端及存储介质制造方法及图纸

本申请公开了一种车载总线报文处理方法、装置、车载终端及存储介质，通过将待检测的车载总线报文分段得到多个分段报文，提取每个所述分段报文的特征数据信息，将所述多个分段报文的特征数据信息输入报文异常检测模型进行异常检测处理，根据异常检测结果确定待检测的车载总线报文是否为异常报文，确定异常报文的攻击类型并采取对应的防御策略进行响应，其中，所述报文异常检测模型为根据样本车载总线报文对应的样本特征数据信息构造的多棵串行的决策树模型。本申请通过判断待检测的车载总线报文是否异常并采取相应的防御策略，提高了车载总线报文检测的精度和效果，降低了异常报文对车辆信息安全的危害，保证了车辆的网络信息安全安全。息安全安全。息安全安全。

【技术实现步骤摘要】
车载总线报文处理方法、装置、车载终端及存储介质


[0001]本申请涉及车联网安全检测和防御
，尤其涉及一种车载总线报文处理方法、装置、车载终端及存储介质。

技术介绍

[0002]随着AI、传感器智能化、大数据、云计算等信息技术在汽车电子系统中的应用，传统的车联网技术已经满足不了广大用户的需求，未来汽车网络空间将会发生显著的变化。近年来不断发生的汽车信息安全召回问题更是引起了汽车制造商以及消费者的高度重视，对于汽车网络的攻击，不仅带来隐私泄露和财产损失等隐患，更严重的是会危及驾驶者及与其他交通参与者的生命安全，因此车联网网络安全问题成为了当前以及未来网联汽车和无人驾驶技术落地的关键问题和非常值得突破的核心技术。
[0003]车载网络中大规模应用的CAN(Controller Area Network，控制器局域网)总线网络在设计之初只保证了功能性安全问题，但是却忽视了更为重要的网络信息安全问题，车的转向ECU，刹车ECU如果被黑客控制，会造成严重的事故。因此，CAN总线异常检测及防御对汽车安全架构的作用显得尤为重要。

技术实现思路

[0004]为了解决智能网联汽车的信息安全和交通安全问题，提高车载总线报文的检测精度和检测效果，并对存在异常的车载总线报文作针对性的防御措施，本专利技术提供了一种车载总线报文处理方法、装置、车载终端及存储介质，通过报文异常检测模型判断待检测的车载总线报文是否为异常报文，识别异常报文的攻击类型，并采取对应的防御策略，提高了检测的精度和效果，降低了异常报文对车辆信息安全的危害，保证了车辆的网络信息安全和行车安全。
[0005]一方面，本申请实施例提供了一种车载总线报文处理方法，包括：
[0006]获取待检测的车载总线报文及其时间戳和报文序号；
[0007]将所述待检测的车载总线报文进行分段得到多个分段报文，提取每个所述分段报文的特征数据信息；
[0008]将所述待检测的车载总线报文的时间戳、报文序号和所述多个分段报文的特征数据信息输入报文异常检测模型进行报文异常检测处理，得到异常检测结果；所述异常检测结果表征所述待检测的车载总线报文为异常的概率，所述报文异常检测模型为根据样本车载总线报文对应的时间戳、报文序号和样本特征数据信息构造的多棵串行的决策树模型；
[0009]根据所述异常检测结果，确定所述待检测的车载总线报文是否为异常报文；
[0010]当所述待检测的车载总线报文为所述异常报文时，确定所述异常报文对应的攻击类型；
[0011]获取所述攻击类型对应的防御策略；
[0012]根据所述防御策略，对所述异常报文进行响应。
[0013]进一步地，所述将所述待检测的车载总线报文进行分段得到多个分段报文，提取每个所述分段报文的特征数据信息的步骤包括：
[0014]提取所述待检测的车载总线报文的字段信息；所述字段信息包括字段序列以及所述字段序列中每个字段对应的字段值；
[0015]按照相邻两个字段作为一个分段的划分规则，将所述字段序列划分为多个分段；所述多个分段中每个分段对应的字段不同；
[0016]根据每个所述分段中字段对应的字段值，得到每个所述分段的特征数据信息。
[0017]进一步地，所述方法还包括训练得到所述报文异常检测模型的步骤：
[0018]构建预设决策树分类模型，所述预设决策树分类模型包括多棵串行的初始决策树模型；
[0019]获取样本车载总线报文及其时间戳和报文序号，以及所述样本车载总线报文对应的标签信息；所述标签信息指示所述样本车载总线报文是否异常；
[0020]将所述样本车载总线报文进行分段得到多个样本分段报文，提取每个所述样本分段报文的特征数据信息；
[0021]根据所述样本车载总线报文的时间戳、报文序号以及多个所述样本分段报文的特征数据信息和所述样本车载总线报文对应的标签信息对所述预设决策树分类模型进行训练，得到所述报文异常检测模型。
[0022]进一步地，所述根据所述样本车载总线报文的时间戳、报文序号以及多个所述样本分段报文的特征数据信息和所述样本车载总线报文对应的标签信息对所述预设决策树分类模型进行训练，得到所述报文异常检测模型，包括：
[0023]将所述样本车载总线报文的时间戳、报文序号和所述样本分段报文的特征数据信息输入至所述预设决策树分类模型，得到预测分类结果；
[0024]基于所述预测分类结果与所述样本车载总线报文对应的标签信息之间的差异，确定目标损失函数值；
[0025]根据所述目标损失函数值，确定所述预设决策树分类模型中各叶子节点的当前最优叶子节点权重；
[0026]根据所述各叶子节点的当前最优叶子节点权重调整所述预设决策树分类模型的模型参数，并基于调整后的模型参数继续迭代训练直至达到预设训练结束条件，得到所述报文异常检测模型。
[0027]进一步地，所述基于所述预测分类结果与所述样本车载总线报文对应的标签信息之间的差异，确定目标损失函数值，包括：
[0028]基于所述预测分类结果与所述样本车载总线报文对应的标签信息之间的差异，确定第一损失函数值；
[0029]根据所述预设决策树分类模型中各叶子节点对应的当前最优叶子节点权重，确定所述预设决策树分类模型的当前复杂程度值；
[0030]根据所述第一损失函数值和所述当前复杂程度值，得到所述目标损失函数值。
[0031]进一步地，所述根据所述目标损失函数值，确定所述预设决策树分类模型中各叶子节点的当前最优叶子节点权重，包括：
[0032]将所述目标损失函数值对应的目标损失函数进行二阶泰勒展开，确定所述目标损
失函数展开后的极值点，根据所述极值点确定所述预设决策树分类模型中各叶子节点对应的当前最优叶子节点权重。
[0033]进一步地，所述根据所述异常检测结果，确定所述待检测的车载总线报文是否异常，包括：
[0034]判断所述异常检测结果是否小于预设阈值；
[0035]当所述异常检测结果小于预设阈值时，确定所述待检测的车载总线报文异常。
[0036]第二方面，本专利技术提供了一种车载总线报文处理装置，包括：
[0037]获取模块：用于获取待检测的车载总线报文及其时间戳和报文序号；
[0038]特征数据信息提取模块：用于将所述待检测的车载总线报文进行分段得到多个分段报文，提取每个所述分段报文的特征数据信息；
[0039]检测模块：用于将所述待检测的车载总线报文的时间戳、报文序号和所述多个分段报文的特征数据信息输入报文异常检测模型进行报文异常检测处理，得到异常检测结果；所述异常检测结果表征所述待检测的车载总线报文为异常的概率，所述报文异常检测模型为根据样本车载总线报文对应的时间戳、报文序号和样本特征数据信息构造的多棵串行的决策树模型；
[0040]确定模块：用于根据所述异常检测结果，确定所述待检测的车载总线报文是否为异常报文；
[0041]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车载总线报文处理方法，其特征在于，包括：获取待检测的车载总线报文及其时间戳和报文序号；将所述待检测的车载总线报文进行分段得到多个分段报文，提取每个所述分段报文的特征数据信息；将所述待检测的车载总线报文的时间戳、报文序号和所述多个分段报文的特征数据信息输入报文异常检测模型进行报文异常检测处理，得到异常检测结果；所述异常检测结果表征所述待检测的车载总线报文为异常的概率，所述报文异常检测模型为根据样本车载总线报文对应的时间戳、报文序号和样本特征数据信息构造的多棵串行的决策树模型；根据所述异常检测结果，确定所述待检测的车载总线报文是否为异常报文；当所述待检测的车载总线报文为所述异常报文时，确定所述异常报文对应的攻击类型；获取所述攻击类型对应的防御策略；根据所述防御策略，对所述异常报文进行响应处理。2.根据权利要求1所述的车载总线报文处理方法，其特征在于，所述将所述待检测的车载总线报文进行分段得到多个分段报文，提取每个所述分段报文的特征数据信息的步骤包括：提取所述待检测的车载总线报文的字段信息；所述字段信息包括字段序列以及所述字段序列中每个字段对应的字段值；按照相邻两个字段作为一个分段的划分规则，将所述字段序列划分为多个分段；所述多个分段中每个分段对应的字段不同；根据每个所述分段中字段对应的字段值，得到每个所述分段的特征数据信息。3.根据权利要求2所述的车载总线报文处理方法，其特征在于：所述方法还包括训练得到所述报文异常检测模型的步骤：构建预设决策树分类模型，所述预设决策树分类模型包括多棵串行的初始决策树模型；获取样本车载总线报文及其时间戳和报文序号，以及所述样本车载总线报文对应的标签信息；所述标签信息指示所述样本车载总线报文是否异常；将所述样本车载总线报文进行分段得到多个样本分段报文，提取每个所述样本分段报文的特征数据信息；根据所述样本车载总线报文的时间戳、报文序号以及多个所述样本分段报文的特征数据信息和所述样本车载总线报文对应的标签信息对所述预设决策树分类模型进行训练，得到所述报文异常检测模型。4.根据权利要求3所述的车载总线报文处理方法，其特征在于，所述根据所述样本车载总线报文的时间戳、报文序号以及多个所述样本分段报文的特征数据信息和所述样本车载总线报文对应的标签信息对所述预设决策树分类模型进行训练，得到所述报文异常检测模型，包括：将所述样本车载总线报文的时间戳、报文序号和所述样本分段报文的特征数据信息输入至所述预设决策树分类模型，得到预测分类结果；基于所述预测分类结果与所述样本车载总线报文对应的标签信息之间的差异，确定目
标损失函数值；根据所述目标损失函数值，确定所述预设决策树分类模型中各叶子节点的当前最优叶子节点权重；根据所述各叶子节点的当前最优叶子节点权重调整所述预设决策树分类模型的模型参数，并基于调整后的模型参数继续迭代训练直至达到预设训练结束条件，得到所述报文异常检测模型。5.根据权利要求4所述的车载总线报文处理方法，其特征在于，所述基于所述预测分类结果与所述样本车载总线报文对应的标签信息之间的差异，确定目标损失函数值，包括：基于...

【专利技术属性】
技术研发人员：王为国，胡红星，唐洁，宋千里，徐丹，
申请(专利权)人：中汽创智科技有限公司，
类型：发明
国别省市：