龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：吉林大学
摘要：本发明适用于汽车自动驾驶技术领域，提供了一种基于真实物理含义的CAN‑FD异常检测方法，用于在车辆运行过程中，实时检测CAN‑FD数据字段中真实物理含义时序变化是否存在异常，从而识别CAN‑FD网络中可能存在的恶意流量。能够充分利用CAN‑FD数据字段中真实物理含义的时序关联特征，通过对各个输入特征分别进行独热编码和最小‑最大缩放处理，提高了模型对输入特征的理解能力，通过对自注意力的多层特征组合增强了模型对于时间序列特征的捕获能力，能够精确识别CAN‑FD网络中的异常流量，从而有效保障了车载CAN‑FD网络的安全。提高了模型对输入特征的理解能力，对自注意力的多层特征组合增强了模型对于时间序列特征的捕获能力，有效提高了异常检测系统的准确率。
主权项：1.一种基于真实物理含义的CAN-FD异常检测方法，其特征在于，包括以下步骤：步骤1、基于真实物理含义的时序特征提取：首先在真实汽车上采集无攻击的原始CAN-FD数据集，将原始数据集中的数据划分为训练集与测试集；进而通过调整窗口滑动步长与打乱序列顺序的方法对训练集进行数据增强处理，在测试集中插入攻击报文模拟DoS、模糊、重放与欺骗攻击生成攻击数据集；根据不同的CAN-FDID的物理含义划分规则提取报文数据字段的真实物理含义，对每个CAN-FDID的物理含义特征进行预处理，以保持数据集完整性；同时基于数据种类数量对不同CAN-FDID特征进行重新排序与组合，增强模型对于重要特征的识别，对各个输入特征分别进行独热编码和最小-最大缩放处理；步骤2、基于结合自注意力机制的长短时记忆网络的异常检测：首先搭建结合自注意力机制的长短时记忆网络模型；根据设定的滑动窗口与输出序列大小得到训练集输入特征与期望输出以及攻击数据集的输入特征与实际输出，利用训练集的输入特征与期望输出完成对结合自注意力的长短时记忆网络模型的训练；利用攻击数据集的输入特征与实际输出对训练好的异常检测模型进行验证，以真正例、假正例、真负例、假负例、准确度、精准度、召回率和F1值对模型性能进行评价。
全文数据：
权利要求：
百度查询： 吉林大学 一种基于真实物理含义的CAN-FD异常检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号