【技术实现步骤摘要】
本专利技术涉及机器学习，更为具体地说是指基于深度度量学习的车载无线设备安全认证方法。
技术介绍
1、近年来，智能汽车在自动驾驶和座舱交互等功能方面取得了显著进展。随着技术的不断创新，汽车不仅具备了基本的驾驶功能，还逐渐实现了高度智能化的用户体验。电子电器架构的持续演进使得车内的通信节点数量不断增加，性能要求也随之提高。然而，传统的有线通信技术面临着越来越明显的瓶颈。具体表现为线束长度随着车内通信节点数量增加随之增长，导致整体成本、整备质量和人工安装成本显著上升。与此同时，连接点的增加限制了部件的安装位置灵活性，导致车辆设计的自由度下降。
2、鉴于上述问题，汽车制造商在制造过程中，为有效满足车辆制造过程中的成本控制、灵活部署和减轻重量等需求，智能车辆通信方式的研究重点逐渐转向无线通信，以取代部分有线通信。这能够提高生产和装配效率，显著降低线束接插件失效的风险，同时也优化了整车布局的灵活性。
3、新一代车载无线短距通信技术能够支持超低时延、超高可靠、精准同步的车载无线服务。具体来说，通过无线短距通信技术，车载无线设备可以实时将数据传输至车辆网关，以便与路侧单元进行信息交互，从而支持自动驾驶、智慧交通管理、智能停车系统等车路协同应用场景。但是，目前现有无线通信技术支持的车载服务范围大多限于无线主动降噪、全景环视、灯光控制等座舱娱乐、信息辅助类型业务，涉及行驶和安全的车路协同业务数据还是由传统线束传输方法为主导。这是由于行驶安全攸关业务对数据传输的安全可靠要求极高，而恶意攻击设备可能发送不正当无线信号攻击车辆网关
4、射频指纹认证技术通过提取隐藏在信号中的微小个体特征，并将其存储在指纹特征库中，从而实现身份认证。这些特征源于i/q不平衡、功放非线性等电子元器件的畸变特性，为车辆网关提供了一种更为稳定且难以伪造的认证方式。但是，在车载无线通信中，车内通信节点数量众多，并且随着时间推移，恶意攻击设备数量可能不断增加，这使得建立一个全面的指纹特征库以进行身份验证变得极为困难。为此，需要对未知信号进行身份认证，并动态更新现有特征库。
技术实现思路
1、本专利技术提供一种基于深度度量学习的车载无线设备安全认证方法，旨在通过改进类锚损失的开放类识别模型（orca-net）应对不断增加的恶意攻击设备认证，通过特征提取与优化模型训练，有效区分车载无线设备与恶意攻击设备，提高认证准确性和鲁棒性。
2、本专利技术采用如下技术方案：
3、基于深度度量学习的车载无线设备安全认证方法，包括以下步骤：
4、s1、获取多个车载无线设备对应的射频信号，并对所述多个车载无线设备射频信号进行预处理，以生成训练数据集；
5、s2、建立基于改进类锚损失的开放类认证模型，所述开放类认证模型包括维度重组模块、多尺度特征提取模块、若干个二维卷积层、全连接层和改进的类锚损失函数，所述改进的类锚损失函数的公式如以下式（1）所示：
6、 (1)
7、其中，描述的是每类样本距离其预设中心点的距离，代表负类样本到非预设类别中心点的距离， 为正类和负类样本间的边界间隔； c为样本的总类别数目； j是一个索引，遍历除了 y以外的所有类别； y是每类样本标签。
8、s3、从步骤s1的训练数据集中随机抽取部分类别作为不正当信号样本，不参与模型的训练，其余样本作为已知车载无线设备分别送入网络训练，通过改进的类锚损失函数计算认证误差，经过多次迭代，完成学习过程，实现网络模型优化；
9、s4、采集待认证车载无线设备信号，并用相同的模型提取其射频指纹特征，将该特征与数据库中记录进行比对，确认该信号是否参与身份信息库建立，若参与则该车载无线设备身份具有合规性，否则该车载无线设备被认为可能存在不正当接入网关的企图；进一步通过分类度量方法将该特征与预设的类别锚点向量对比进行认证。
10、优选地，上述开放类认证模型包括一个维度重组模块、一个多尺度特征提取模块、四个二维卷积层、一个全连接层和一个改进的类锚损失函数。
11、进一步地，上述多尺度特征提取模块将维度重组的两层卷积层的输出分三路送入由四个二维卷积层组成的三路网络模块中，两层卷积层的卷积核尺寸分别设置为1和5，步长设置为1，填充大小为1；三路网络模块的输出在汇合之后，对特征进行拼接操作。
12、一较佳实施方案中，上述步骤s3具体包括以下过程：预处理后的车载无线设备射频信号经过所述维度重组模块中两层卷积层的通道扩充处理后，送入多尺度特征提取模块之中，输出结果依次通过四个二维卷积层后进行维度重组，获得特征图结果；然后在距离向量计算层分别计算对各类别数据的特征表示与预先设置的各类别中心锚点间的欧几里得距离，得到输入数据的距离向量；同时，将特征图结果送入到全连接层中，输出经过激活函数激活后，求取其与距离向量内积，作为距离度量；每一层神经网络后紧跟实例正则化层与relu函数；最后，通过改进的类锚损失函数优化网络。
13、一较佳实施方案中，上述步骤s4中通过分类度量方法将该特征与预设的类别锚点向量对比进行认证的具体判定方法如下：当一个样本对于所有已知车载无线设备别的拒绝分数的最小值小于认证阈值，判定其属于合规车载无线设备，并将对应的索引值作为车载无线设备类别赋予该样本，允许接入网关进行rsu通信；否则，判定其为恶意攻击设备而拒绝接入网关参与rsu通信。
14、由上述对本专利技术的描述可知，和现有技术相比，本专利技术具有如下优点：
15、1、本专利技术通过构建改进类锚损失的开放类识别模型（orca-net），在提升特征聚类效果的同时，实现了对车载无线设备与恶意攻击设备的高效识别，平衡了两者的识别率。同时，利用多尺度特征提取模块引入稀疏性，通过在相邻卷积层间使用不同卷积核提取特征，并拼接多层卷积结果为下一层输入，在不增加计算开销的前提下提高了模型的认证精度。与传统的cac损失相比，本专利技术提出的nca损失在不正当信号数量增多的情况下识别率更高，当恶意攻击设备数目在测试集中占比50%时，识别率可达到97.15%。并且随着恶意攻击设备数目占比的增多，本专利技术的算法的平均识别率仍可高于90%，能有效地实现车载无线设备安全认证。
16、2、本专利技术改进的n-pair损失函数，添加了样本和对应类别锚定中心的绝对距离，加速样本的特征聚类，同时尽可能的减少离群特征值的出现；还添加了margin参数，为正类和负类样本间增加一个边界间隔，更好地指导特征聚类，协助开放类识别算法性能本文档来自技高网...
【技术保护点】
1.基于深度度量学习的车载无线设备安全认证方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于深度度量学习的车载无线设备安全认证方法,其特征在于：所述开放类认证模型包括一个维度重组模块、一个多尺度特征提取模块、四个二维卷积层、一个全连接层和一个改进的类锚损失函数。
3.如权利要求1或2所述的基于深度度量学习的车载无线设备安全认证方法，其特征在于：所述多尺度特征提取模块将维度重组的两层卷积层的输出分三路送入由四个二维卷积层组成的三路网络模块中，两层卷积层的卷积核尺寸分别设置为1和5，步长设置为1，填充大小为1；三路网络模块的输出在汇合之后，对特征进行拼接操作。
4.如权利要求2所述的基于深度度量学习的车载无线设备安全认证方法，其特征在于，所述步骤S3具体包括以下过程：预处理后的车载无线设备射频信号经过所述维度重组模块中两层卷积层的通道扩充处理后，送入多尺度特征提取模块之中，输出结果依次通过四个二维卷积层后进行维度重组，获得特征图结果；然后在距离向量计算层分别计算对各类别数据的特征表示与预先设置的各类别中心锚点间的欧几里得距离，得到输入数据
5.如权利要求1所述的基于深度度量学习的车载无线设备安全认证方法，其特征在于，所述步骤S4中通过分类度量方法将该特征与预设的类别锚点向量对比进行认证的具体判定方法如下：当一个样本对于所有已知车载无线设备别的拒绝分数的最小值小于认证阈值，判定其属于合规车载无线设备，并将对应的索引值作为车载无线设备类别赋予该样本，允许接入网关进行RSU通信；否则，判定其为恶意攻击设备而拒绝接入网关参与RSU通信。
...【技术特征摘要】
1.基于深度度量学习的车载无线设备安全认证方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于深度度量学习的车载无线设备安全认证方法,其特征在于：所述开放类认证模型包括一个维度重组模块、一个多尺度特征提取模块、四个二维卷积层、一个全连接层和一个改进的类锚损失函数。
3.如权利要求1或2所述的基于深度度量学习的车载无线设备安全认证方法，其特征在于：所述多尺度特征提取模块将维度重组的两层卷积层的输出分三路送入由四个二维卷积层组成的三路网络模块中，两层卷积层的卷积核尺寸分别设置为1和5，步长设置为1，填充大小为1；三路网络模块的输出在汇合之后，对特征进行拼接操作。
4.如权利要求2所述的基于深度度量学习的车载无线设备安全认证方法，其特征在于，所述步骤s3具体包括以下过程：预处理后的车载无线设备射频信号经过所述维度重组模块中两层卷积层的通道扩充处理后，送...
【专利技术属性】
技术研发人员：王学舟，叶伟宏，陈晓冰，谢东，赵彩丹，林凯，
申请(专利权)人：厦门金龙汽车新能源科技有限公司，
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。