详情

原文传递车辆入侵检测及预测模型训练方法、装置及存储介质

专利名称：	车辆入侵检测及预测模型训练方法、装置及存储介质
摘要：	本发明公开了车辆入侵检测及预测模型训练方法、装置及存储介质，其中车辆入侵检测方法可包括：监听车辆运行过程中CAN总线上的CAN报文；根据监听到的CAN报文生成报文分片，每个报文分片中分别包括连续的N个CAN报文，N为大于一的正整数；针对每次生成的报文分片，利用预先训练得到的预测模型，预测出该报文分片之后的下一个CAN报文，根据预测出的该报文分片之后的下一个CAN报文确定出是否发生车辆入侵行为。应用本发明所述方案，可提高检测结果的准确性等。
专利类型：	发明专利
国家地区组织代码：	北京;11
申请人：	百度在线网络技术(北京)有限公司
发明人：	刘焱
专利状态：	有效
申请日期：	2019-03-18T00:00:00+0800
发布日期：	2019-07-23T00:00:00+0800
申请号：	CN201910204167.2
公开号：	CN110040107A
代理机构：	北京鸿德海业知识产权代理事务所(普通合伙)
代理人：	袁媛
分类号：	B60R25/30(2013.01);B;B60;B60R;B60R25
申请人地址：	100085 北京市海淀区上地十街10号百度大厦
主权项：	1.一种车辆入侵检测方法，其特征在于，包括：监听车辆运行过程中控制器局域网络CAN总线上的CAN报文；根据监听到的CAN报文生成报文分片，每个报文分片中分别包括连续的N个CAN报文，N为大于一的正整数；针对每次生成的报文分片，利用预先训练得到的预测模型，预测出所述报文分片之后的下一个CAN报文，根据预测出的所述报文分片之后的下一个CAN报文确定出是否发生车辆入侵行为。 2.根据权利要求1所述的方法，其特征在于，所述根据监听到的CAN报文生成报文分片包括：按照时间由先到后的顺序，将监听到的每连续N个CAN报文作为一个报文分片，其中，相邻两次生成的报文分片之间存在重叠，或者，相邻两次生成的报文分片之间不存在重叠。 3.根据权利要求2所述的方法，其特征在于，所述相邻两次生成的报文分片之间存在重叠包括：第二报文分片中的第一个CAN报文为第一报文分片中除第一个CAN报文之外的任一CAN报文，其中，所述第二报文分片为相邻两次生成的报文分片中在后生成的报文分片，所述第一报文分片为相邻两次生成的报文分片中在先生成的报文分片；所述相邻两次生成的报文分片之间不存在重叠包括：所述第二报文分片中的第一个CAN报文与所述第一报文分片中的最后一个CAN报文为相邻的CAN报文；或者，所述第二报文分片中的第一个CAN报文与所述第一报文分片中的最后一个CAN报文之间至少间隔一个CAN报文。 4.根据权利要求1所述的方法，其特征在于，所述预测模型包括：基于长短期记忆网络LSTM的深度学习模型。 5.根据权利要求1所述的方法，其特征在于，所述根据预测出的所述报文分片之后的下一个CAN报文确定出是否发生车辆入侵行为包括：比较预测出的所述报文分片之后的下一个CAN报文与监听到的所述报文分片之后的下一个CAN报文之间的差别；若所述差别大于预定阈值，则确定发生车辆入侵行为。 6.一种预测模型训练方法，其特征在于，包括：监听车辆正常运行过程中控制器局域网络CAN总线上的CAN报文；根据监听到的CAN报文生成报文分片，每个报文分片中分别包括连续的N个CAN报文，N为大于一的正整数；基于生成的报文分片以及监听到的每个报文分片之后的下一个CAN报文训练出预测模型，以便在进行车辆入侵检测时，利用所述预测模型预测出输入的报文分片之后的下一个CAN报文，根据预测出的下一个CAN报文确定出是否发生车辆入侵行为。 7.根据权利要求6所述的方法，其特征在于，所述根据监听到的CAN报文生成报文分片包括：按照时间由先到后的顺序，将监听到的每连续N个CAN报文作为一个报文分片，其中，相邻两次生成的报文分片之间存在重叠，或者，相邻两次生成的报文分片之间不存在重叠。 8.根据权利要求7所述的方法，其特征在于，所述相邻两次生成的报文分片之间存在重叠包括：第二报文分片中的第一个CAN报文为第一报文分片中除第一个CAN报文之外的任一CAN报文，其中，所述第二报文分片为相邻两次生成的报文分片中在后生成的报文分片，所述第一报文分片为相邻两次生成的报文分片中在先生成的报文分片；所述相邻两次生成的报文分片之间不存在重叠包括：所述第二报文分片中的第一个CAN报文与所述第一报文分片中的最后一个CAN报文为相邻的CAN报文；或者，所述第二报文分片中的第一个CAN报文与所述第一报文分片中的最后一个CAN报文之间至少间隔一个CAN报文。 9.根据权利要求6所述的方法，其特征在于，所述预测模型包括：基于长短期记忆网络LSTM的深度学习模型。 10.根据权利要求6所述的方法，其特征在于，所述基于生成的报文分片以及监听到的每个报文分片之后的下一个CAN报文训练出预测模型包括：训练过程中，每次向所述预测模型输入一个报文分片后，通过比对所述预测模型预测出的所述报文分片之后的下一个CAN报文与监听到的所述报文分片之后的下一个CAN报文之间的差别，反向传递调整模型参数。 11.一种车辆入侵检测装置，其特征在于，包括：第一生成单元以及入侵检测单元；所述第一生成单元，用于监听车辆运行过程中控制器局域网络CAN总线上的CAN报文，根据监听到的CAN报文生成报文分片，每个报文分片中分别包括连续的N个CAN报文，N为大于一的正整数；所述入侵检测单元，用于针对每次生成的报文分片，利用预先训练得到的预测模型，预测出所述报文分片之后的下一个CAN报文，根据预测出的所述报文分片之后的下一个CAN报文确定出是否发生车辆入侵行为。 12.根据权利要求11所述的装置，其特征在于，所述第一生成单元按照时间由先到后的顺序，将监听到的每连续N个CAN报文作为一个报文分片，其中，相邻两次生成的报文分片之间存在重叠，或者，相邻两次生成的报文分片之间不存在重叠。 13.根据权利要求12所述的装置，其特征在于，第二报文分片中的第一个CAN报文为第一报文分片中除第一个CAN报文之外的任一CAN报文，其中，所述第二报文分片为相邻两次生成的报文分片中在后生成的报文分片，所述第一报文分片为相邻两次生成的报文分片中在先生成的报文分片；或者，所述第二报文分片中的第一个CAN报文与所述第一报文分片中的最后一个CAN报文为相邻的CAN报文；或者，所述第二报文分片中的第一个CAN报文与所述第一报文分片中的最后一个CAN报文之间至少间隔一个CAN报文。 14.根据权利要求11所述的装置，其特征在于，所述预测模型包括：基于长短期记忆网络LSTM的深度学习模型。 15.根据权利要求11所述的装置，其特征在于，所述入侵检测单元比较预测出的所述报文分片之后的下一个CAN报文与监听到的所述报文分片之后的下一个CAN报文之间的差别，若所述差别大于预定阈值，则确定发生车辆入侵行为。 16.一种预测模型训练装置，其特征在于，包括：第二生成单元以及模型训练单元；所述第二生成单元，用于监听车辆正常运行过程中控制器局域网络CAN总线上的CAN报文，根据监听到的CAN报文生成报文分片，每个报文分片中分别包括连续的N个CAN报文，N为大于一的正整数；所述模型训练单元，用于基于生成的报文分片以及监听到的每个报文分片之后的下一个CAN报文训练出预测模型，以便在进行车辆入侵检测时，利用所述预测模型预测出输入的报文分片之后的下一个CAN报文，根据预测出的下一个CAN报文确定出是否发生车辆入侵行为。 17.根据权利要求16所述的装置，其特征在于，所述第二生成单元按照时间由先到后的顺序，将监听到的每连续N个CAN报文作为一个报文分片，其中，相邻两次生成的报文分片之间存在重叠，或者，相邻两次生成的报文分片之间不存在重叠。 18.根据权利要求17所述的装置，其特征在于，第二报文分片中的第一个CAN报文为第一报文分片中除第一个CAN报文之外的任一CAN报文，其中，所述第二报文分片为相邻两次生成的报文分片中在后生成的报文分片，所述第一报文分片为相邻两次生成的报文分片中在先生成的报文分片；或者，所述第二报文分片中的第一个CAN报文与所述第一报文分片中的最后一个CAN报文为相邻的CAN报文；或者，所述第二报文分片中的第一个CAN报文与所述第一报文分片中的最后一个CAN报文之间至少间隔一个CAN报文。 19.根据权利要求16所述的装置，其特征在于，所述预测模型包括：基于长短期记忆网络LSTM的深度学习模型。 20.根据权利要求16所述的装置，其特征在于，所述模型训练单元在训练过程中，每次向所述预测模型输入一个报文分片后，通过比对所述预测模型预测出的所述报文分片之后的下一个CAN报文与监听到的所述报文分片之后的下一个CAN报文之间的差别，反向传递调整模型参数。 21.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～10中任一项所述的方法。 22.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～10中任一项所述的方法。
所属类别：	发明专利