【技术实现步骤摘要】
本专利技术涉及车联网安全，具体涉及一种基于双重知识蒸馏和联邦学习的车联网异常检测方法。该方法通过利用本地异常检测模型与云端全局模型的相互学习，在车辆的本地数据不出车的前提下，有效缓解车联网中不同车辆的本地数据的非独立同分布（non-iid）问题，提高车联网安全性和异常检测的准确性。
技术介绍
1、随着物联网（iot）和车联网（iov）的发展，车辆通过车用无线通信技术（v2x）实现互联互通，提高了智能交通系统的效率。然而，车联网的开放性使其容易受到网络攻击，如图1所示，恶意攻击者可以远程入侵车辆，导致交通事故、隐私泄露等安全问题。因此，异常检测技术成为保障车联网安全的重要研究方向。
2、目前，基于机器学习和深度学习的异常检测方法被广泛应用，主要分为集中学习和联邦学习两类。集中学习方法依赖云端集中存储和训练全部车辆的网络流量数据，虽然提高了检测精度，但存在数据泄露风险、带宽消耗高等问题。为满足“数据不出车”要求，联邦学习被引入到车联网异常检测中，使车辆在本地训练异常检测模型，仅上传参数到云端聚合。然而，联邦学习方法仍面临数据非独...
【技术保护点】
1.基于双重知识蒸馏和联邦学习的车联网异常检测方法，其特征是：该方法由以下步骤实现：
2.根据权利要求1所述的基于双重知识蒸馏和联邦学习的车联网异常检测方法，其特征在于：步骤一中，对本地异常检测模型训练的过程为：
3.根据权利要求2所述的基于双重知识蒸馏和联邦学习的车联网异常检测方法，其特征在于：步骤一二中，所述空间特征提取器由线性层和三个堆叠的空间特征提取块组成；
4.根据权利要求3所述的基于双重知识蒸馏和联邦学习的车联网异常检测方法，其特征在于：每个空间特征提取块由一维卷积层和注意力层组成；
5.根据权利要求1所述的...
【技术特征摘要】
1.基于双重知识蒸馏和联邦学习的车联网异常检测方法，其特征是：该方法由以下步骤实现：
2.根据权利要求1所述的基于双重知识蒸馏和联邦学习的车联网异常检测方法，其特征在于：步骤一中，对本地异常检测模型训练的过程为：
3.根据权利要求2所述的基于双重知识蒸馏和联邦学习的车联网异常检测方法，其特征在于：步骤一二中，所述空间特征提取器由线性层和三个堆叠的空间特征提取块组成；
4.根据权利要求3所述的基于双重知识蒸馏和联邦学习的车联网异常检测方法，其特征在于：每个空间特征提取块由一维卷积层和注意力层组成；
5.根据权利要求1所述的基于双重知识蒸馏和联邦学习的车联网异常检测方法，其特征在于：步骤...
【专利技术属性】
技术研发人员：底晓强，曹金辉，周时莹，李锦青，祁晖，蒋志昂，
申请(专利权)人：长春理工大学，
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。