【技术实现步骤摘要】
基于时空特征并行分析的车联网入侵检测方法
[0001]本专利技术属于车联网
，更为具体地讲，涉及一种基于时空特征并行分析的车联网入侵检测方法。
技术介绍
[0002]近年来，随着物联网和人工智能技术的发展，车辆的智能化和网联化水平也在逐渐提高。车联网正在成为学术界和产业界关注的焦点。车辆通过与外界进行全方位的网络连接，可以进一步提升车辆的智能化水平，从而为用户提供多样化的服务。如何保护车联网的安全使其免受网络攻击者入侵一直是急需解决的关键问题。车辆一旦被入侵，会引发灾难性后果。与此同时，接入车联网中的车辆急剧增加，网络环境日趋复杂，给车联网安全带来极大挑战。入侵检测作为一种网络安全技术，通过收集网络系统中的关键信息，并对这些信息进行处理和分析，从而检测出网络系统中的攻击行为。因此，车联网入侵检测方法具有十分重要的研究和应用价值。
[0003]当前，深度学习是实现车联网入侵检测的主要实现方式。通过深度学习对入侵样本数据进行挖掘，可以获得数据中的隐含特征，从而检测网络入侵数据。然而，较高的误报率一直是基于深度学习的...
【技术保护点】
【技术特征摘要】
1.一种基于时空特征并行分析的车联网入侵检测方法，其特征在于，包括以下步骤：S1：对于所需要进行入侵检测的车联网，分别在正常运行状态时和发生入侵时分别采集若干个车联网流量数据序列，每个车联网流量数据序列中包含连续的N条车联网流量数据，每条车联网流量数据中包含M个数据特征，M的值根据实际需要确定；对于每条车联网流量数据进行预处理得到车联网流量数据初始特征向量，预处理方法为：将其中的字符数据特征编码为数值特征，将其中的数值数据特征进行标准化；S2：根据每个车联网流量数据序列采集时的车联网状态对车联网流量数据序列进行类标签标注，如果采集时车联网为正常运行状态，则令类标签为1，如果采集时车联网发生入侵，则令类标签为0；S3：根据所收集的车联网流量数据对数据特征进行筛选得到K个有效数据特征，然后根据有效数据特征对每个车联网流量数据初始特征向量进行降维，得到车联网流量数据特征向量；然后对于每个车联网流量数据序列，将其N个车联网流量数据特征向量作为行向量，构成大小为N
×
K的车联网流量数据特征矩阵；S4：构建车联网入侵检测模型，包括空间特征提取模块，时域特征提取模块，特征拼接模块，自注意力模块，特征融合模块和多层感知机，其中：空间特征提取模块用于对输入的车联网流量数据特征矩阵中每个车联网流量数据特征向量分别提取出维度为B的空间特征向量，B的值根据实际需要确定，然后将N个空间特征向量构成大小为N
×
B的空间特征F
spatial
并发送至特征拼接模块和特征融合模块；时域特征提取模块用于对输入的车联网流量数据特征矩阵提取大小为N
×
B的时域特征F
temporal
并发送至特征拼接模块和特征融合模块；特征拼接模块用于将空间特征F
spatial
和时域特征F
temporal
进行拼接，得到大小为N
×
2B的时空特征F并发送给自注意力模块；自注意力模块用于根据自注意力机制生成时空特征F对应的大小为N
×
2B自注意力分数矩阵H并发送给特征融合模块；特征融合模块用于根据自注意力分数矩阵H对空间特征F
spatial
和时域特征F
temporal
进行融合，得到融合特征F
fusion
并发送给多层感知机，具体方法为：根据特征拼接模块的拼接方式对自注意力分数矩阵H进行划分，将前B列作为空间特征F
spatial
的权重矩阵λ
spatial
，将后B列作为时域特征F
temporal
的权重矩阵λ
temporal
，然后采用如下公式计算得到融合特征F
fusion
：F
fusion
＝λ
spatial
*F
spatial
+λ
temporal
*F
temporal
其中，*表示哈达玛乘积；多层感知机用于根据融合特征F
fusion
对输入车联网流量数据特征矩阵采集时车联网是否发生入侵进行预...
【专利技术属性】
技术研发人员：邢玲，张金瑞，高建平，吴红海，王锟，张晓辉，马华红，赵鹏程，李冰，黄元浩，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。