CN106184068A - 汽车内部网络安全检测方法及装置、汽车 - Google Patents

Abstract

本发明实施例公开了一种汽车内部网络安全检测方法及装置、汽车，其中的方法包括：根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型；对汽车运行模型进行训练，获得汽车运行预测模型，获取汽车内部网络总线上传送的控制指令携带的运行参数值；基于汽车运行预测模型获取第一运行特征参数的预测值，根据入侵检测规则对运行参数值和第一运行特征参数的预测值进行检测，判断是否发生攻击。本发明实施例安全检测方法及装置、汽车，基于神经网络和机器学习建立汽车运行预测模型，判断运行特征参数的预测值是否与控制指令携带的运行参数值相匹配，用以确定是否发生攻击，提高了汽车使用的安全性，减少汽车事故的发生，有效保护驾驶者的生命财产安全。

Description

汽车内部网络安全检测方法及装置、汽车

技术领域

本发明涉及汽车控制技术领域，尤其涉及一种汽车内部网络安全检测方法及装置、汽车。

背景技术

目前，汽车可以通过3G/4G网络、蓝牙、wifi等方式进行联网，汽车内部的网络可以获取外部网络的资源，例如，可以从互联网中下载视频、音乐等，或可以对汽车进行远程控制。越来越多的汽车连接到互联网或物联网中，黑客可以对连接到网络中的汽车进行攻击，能够威胁车辆的行驶安全、司机和乘客的隐私，汽车安全领域是当前研究的一个热点问题。在汽车的内部网络在与外部网网络连接时，例如与互联网、物联网等连接，外部的攻击者在破解网络后可以向汽车的内部网络发送控制数据包，例如对车速、发动机转速进行控制的数据包，连接在汽车的内部网络上的控制器接收到黑客发送的控制数据包，执行与控制数据包相对应的操作，造成车辆超速驾驶、转弯过快等，容易带来危险。因此，需要一种安全机制，可以对出黑客的攻击进行防御，提高行车安全。

发明内容

有鉴于此，本发明实施例要解决的一个技术问题是提供一种汽车内部网络安全检测方法及装置、汽车。

根据本发明实施例的一个方面，提供一种汽车内部网络安全检测方法，包括：根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型；采集所述多个运行特征参数的数值对所述汽车运行模型进行训练，获得汽车运行预测模型，用以获取运行特征参数的预测值；获取汽车内部网络总线上传送的控制指令，并提取所述控制指令中携带的运行参数值；基于所述汽车运行预测模型获取与所述运行参数值对应的第一运行特征参数的预测值，根据入侵检测规则对所述运行参数值和第一运行特征参数的预测值进行检测，判断是否发生攻击。

可选地，所述多个运行特征参数包括：速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力。

可选地，所述根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型包括：将所述多个运行特征参数作为输入量、并将一个或多个运行特征参数的预测值作为输出量构建神经网络模型，其中，所述神经网络模型为所述汽车运行模型，在所述汽车运行模型中设置有所述输入量与所述输出量的映射关系。

可选地，所述汽车运行模型包括输入层、输出层和隐含层；所述输入层包括输入端，接收采集的所述多个运行特征参数的数值；所述输出层包括输出端，输出一个或多个所述运行特征参数的预测值；所述隐含层包括多个处理单元，所述多个处理单元用于实现所述映射关系，分别与输入端、输出端连接。

可选地，采集所述多个运行特征参数的数值对所述汽车运行模型进行训练、获得汽车运行预测模型包括：在训练的过程中，采集在预设时段内的多个运行特征参数的数值作为学习样本；使用所述学习样本对所述汽车运行模型进行训练，得到所述汽车运行模型的模型参数以及所述输入端到所述处理单元的第一权值，所述处理单元到所述输出端的第二权值，获得所述汽车运行预测模型。

可选地，基于所述汽车运行预测模型获取与所述运行参数值对应的第一运行特征参数的预测值包括：确定与所述运行参数值对应的所述第一运行特征参数；其中，所述第一运行特征参数的数量为一个或多个；获取除了第一运行特征参数的所述多个运行特征参数中其余运行特征参数的数值，并输入所述汽车运行预测模型获取所述第一运行特征参数的预测值；其中，所述第一运行特征参数的预测值为第一运行特征参数的预测数值和/或设定的时间段内的预测曲线。

可选地，根据入侵检测规则对所述运行参数值和第一运行特征参数的预测值进行检测、判断是否发生攻击包括：预设所述入侵检测规则，其中，所述入侵检测规则包括预测差值规则；判断所述第一运行特征参数的预测值与所述运行参数值的差异是否在所述预测差值规则设定的阈值范围内，如果否，则确定发生攻击。

可选地，所述运行参数值为第一速度值，所述第一运行特征参数的预测值为速度的预测值；当判断所述速度的预测值与所述第一速度值的差异大于所述预测差值规则设定的阈值时。则确定受到攻击；或所述运行参数值为转向角度值，所述第一运行特征参数的预测值为转向角度的预测值；当判断所述转向角度的预测值与所述转向角度值的差异大于所述预测差值规则设定的阈值时，则确定受到攻击。

根据本发明实施例的另一方面，提供一种汽车内部网络安全检测装置，包括：模型建立模块，用于根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型；模型训练模块，用于采集所述多个运行特征参数的数值对所述汽车运行模型进行训练，获得汽车运行预测模型，用以获取运行特征参数的预测值；控制监控模块，用于获取汽车内部网络总线上传送的控制指令，并提取所述控制指令中携带的运行参数值；入侵检测模块，用于基于所述汽车运行预测模型获取与所述运行参数值对应的第一运行特征参数的预测值，根据入侵检测规则对所述运行参数值和第一运行特征参数的预测值进行检测，判断是否发生攻击。

根据本发明实施例的又一方面，提供一种汽车，包括：如上所述的汽车内部网络安全检测装置。

本发明的汽车内部网络安全检测方法及装置、汽车，基于神经网络建立汽车运行模型，通过机器学习对汽车运行预测模型进行训练获得汽车运行预测模型，判断通过汽车运行预测模型获得的运行特征参数的预测值是否与汽车内网总线上的控制指令携带的运行参数值相匹配，确定是否发生攻击，提高了汽车使用的安全性，减少汽车事故的发生。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图：

图1为根据本发明的汽车内部网络安全检测方法的一个实施例的流程图；

图2为汽车内部网络安全检测装置在汽车内部网络中的部署示意图；

图3为汽车运行预测模型的一个实施例的结构示意图；

图4为基于汽车运行预测模型对速度的预测曲线示意图和汽车实际运行的速度曲线示意图；

图5为根据本发明的汽车内部网络安全检测装置的一个实施例的模块示意图；

图6为根据本发明的汽车内部网络安全检测装置的一个实施例的模型训练模块的模块示意图；

图7为根据本发明的汽车内部网络安全检测装置的一个实施例的入侵检测模块的模块示意图

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(Personal Communications Service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。

本技术领域技术人员可以理解，这里所使用的远端网络设备，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云。在此，云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。本发明的实施例中，远端网络设备、终端设备与WNS服务器之间可通过任何通信方式实现通信，包括但不限于，基于3GPP、LTE、WIMAX的移动通信、基于TCP/IP、UDP协议的计算机网络通信以及基于蓝牙、红外传输标准的近距无线传输方式。

本领域技术人员应当理解，本发明所称的“应用”、“应用程序”、“应用软件”以及类似表述的概念，是业内技术人员所公知的相同概念，是指由一系列计算机指令及相关数据资源有机构造的适于电子运行的计算机软件。除非特别指定，这种命名本身不受编程语言种类、级别，也不受其赖以运行的操作系统或平台所限制。理所当然地，此类概念也不受任何形式的终端所限制。

下文中的“第一”、“第二”等为描述上相区别，并没有其它特殊的含义。

图1为根据本发明的汽车内部网络安全检测方法的一个实施例的流程图，如图1所示：

步骤101，根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型。

步骤102，采集多个运行特征参数的数值对汽车运行模型进行训练，获得汽车运行预测模型，用以获取运行特征参数的预测值。

步骤103，获取汽车内部网络总线上传送的控制指令，并提取控制指令中携带的运行参数值。

步骤104，基于汽车运行预测模型获取与运行参数值对应的第一运行特征参数的预测值，根据入侵检测规则对运行参数值和第一运行特征参数的预测值进行检测，判断是否发生攻击。

基于上述实施例中的汽车内部网络安全检测方法，采用机器学习的方法并基于神经网络建立汽车运行预测模型，通过检测运行特征参数的预测值是否与汽车内网总线上的控制指令携带的运行参数值相匹配，确定是否发生攻击，能够保障行车安全。

图2为汽车内部网络安全检测装置在汽车内部网络中的部署示意图。汽车的内部网络总线有多种，例如CAN总线、以太网总线等。汽车的多个子系统，例如发动机管理系统、刹车控制系统、变速器控制系统、ECU稳定控制系统、巡航控制系统、多媒体网关等、汽车内部网络安全检测装置连接在CAN总线上。多媒体网关通过蓝牙、4G、WIFI等模块与外部的网络连接。

当安全检测装置判断发生攻击时，由于CAN总线是一种广播机制，在CAN总线上还传送其它的控制指令，因此不能隔断。安全检测装置可以对多媒体网关或蓝牙、4G、WIFI等模块进行控制，使CAN总线不能接收到外部的网络发送的数据。并且，在确定发生攻击后，安全检测装置可以确定与控制指令对应的控制器，并向此控制器发送取消执行此控制指令的命令，并阻断所述汽车内部网络总线与外部网络的通信，向用户发送警报，包括声音、文字告警等，也可以阻止汽车内网与外部网络的连接。

选取多个运行特征参数以及多个参数之间的关系建立神经网络模型。多个运行特征参数包括：速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力等。

运行特征参数之间有关联，当一个运行特征参数变化，其它的参数也会发生相应的变化。例如，当司机踩下油门踏板，传感器发送信号给电子控制单元ECU，ECU发送信号到电机控制节气门的开度增大，节气门位置传感器采集的数值也会发生相应的变化。当油门开度变化，发动机进气歧管压力也会发生变化，从而对进气压力和进气流量会改变，当进气和燃料量增加时发动机的转速也相应增加等。

当检测是否有攻击者发送攻击指令时，可以建立一个模型，能够反映出多个运行特征参数之间改变的关系。该模型以车辆实时的多个运行特征参数的数据流作为输入，检测汽车内部总线上发送的控制参数值(例如速度值)。使用其余的运行特征参数的值对速度值进行预测，通过判断预测值与汽车内部总线上发送的控制指令携带的数据值的差距是否过大，如果过大，则可能发生攻击。

在一个实施例中，将多个运行特征参数作为输入量、并将一个或多个运行特征参数的预测值作为输出量构建神经网络模型，神经网络模型为汽车运行模型，在汽车运行模型中设置有输入量与输出量的映射关系。

采用深度学习(深层结构的学习、分层学习或深度机器学习)方式处理建立的神经网络模型，即汽车运行模型。神经网络模型可以为卷积神经网络。递归神经网络等。汽车运行模型包括输入层、输出层和隐含层。输入层包括输入端，接收采集的多个运行特征参数的数值。输出层包括输出端，输出一个或多个运行特征参数的预测值。隐含层包括多个处理单元，多个处理单元用于实现映射关系，分别与输入端、输出端连接。

在汽车运行模型建立后，采集多个运行特征参数的数值对汽车运行模型进行训练、获得汽车运行预测模型。在训练的过程中，采集在预设时段内的多个运行特征参数的数值作为学习样本，例如，通过设置在各个部件或系统中的传感器，采集2个小时内的速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力等数值，并将采集的数值作为学习样本。使用学习样本对汽车运行模型进行训练，得到汽车运行模型的模型参数以及输入端到处理单元的第一权值，处理单元到输出端的第二权值，获得汽车运行预测模型，即为训练好的汽车运行预测模型。

例如，将汽车速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力作为输入量，发动机的速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力中的一个或多个作为输出量，构建适应输入输出地集成神经网络系统模型，即为汽车运行模型。汽车运行模型对训练样本进行拟合。可以选用具有多节点的输入层、多节点的隐层、单节点的输出层结构的三层BP神经网络用于建模。

通过设置在各个部件或系统中的传感器，采集获取80分钟内速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力等参数值作为学习样本，对学习数据进行归一化处理，将归一化后的数据分别采用BP算法等训练神经网络得到个体网络的最优模型参数及其权值，获得汽车运行预测模型。

如图3所示，汽车运行预测模型包括输入层、隐含层和输出层。输入层多个输入端，输入采集的速度、发送机转速等运行特征参数的数据值，多个处理单元h1,h2,……等与输入端通过第一权限连接，与输出端通过第二权值相连，输出端输出速度、转向角度等预测值。输入端输入的运行特征参数的个数和内容可以根据具体需求进行设置，输出端输出的运行特征参数的预测值的个数和内容也可以根据具体的需求进行设置。图4是通过汽车运行预测模型，即为训练好的汽车运行预测模型获取的速度的预测值曲线，其与实际实际的速度曲线基本重合，其中，1－速度的预测值曲线，2－实际的速度曲线。

在一个实施例中，获取在汽车内部的CAN内网总线上传输的控制指令，确定此控制指令为对车速进行控制的指令，从控制指令中提取第一车速值。确定与第一车速值对应的第一运行特征参数为车速，即需要获取车速的预测值。控制指令中携带的运行参数值可能有多个，例如一个控制指令中携带有档位和速度两个运行参数值，则第一运行特征参数的数量为多个，需要获取档位和速度的预测值。

通过传感器采集当前车辆的加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力等的数值，但可以不采集速度的数值，也可以获取当前的速度值作为预测的基数，用于计算速度的变化量；也可以查询存储装置获取上述的数值。将上述的数值输入汽车运行预测模型获取速度的预测值，汽车运行预测模型可以输出汽车在几个时间点的速度预测值，也可以输出在之后的时间段(5秒)内的速度预测曲线。

可以预设入侵检测规则，入侵检测规则包括预测差值规则等。判断汽车运行预测模型输出的预测值与控制指令中携带的速度值的差异是否在预测差值规则设定的阈值范围内，如果否，则确定发生攻击。

例如，通过汽车运行预测模型获取在下一秒速度的预测值为30公里/小时，而控制指令中携带的速度值为100公里/小时，速度是一个连续变量，和它的速度变化有一定限度，30公里/小时与100公里/小时的差值超过了预测差值规则设定的阈值范围，说明汽车不可能如此快地进行提速，因此确定发生攻击，此控制指令为黑客伪造的控制指令。

通过汽车运行预测模型获取在下一秒的转向角度的预测值为5度，而控制指令中携带的转向角度为50度，转向角度在一定的速度下不能过大，如果过大则有翻车的危险。5度与50度的差值超过了预测差值规则设定的阈值范围，说明汽车不可能以如此大的角度转向，因此确定发生攻击，此控制指令为黑客伪造的控制指令。还可以通过判断基于对其它运行特征参数的预测值与控制指令中的运行参数值的差异是否过大，确定是否受到攻击。

上述实施例提供的汽车内部网络安全检测方法及装置、汽车，基于神经网络建立汽车运行模型，通过深度学习对汽车运行模型进行训练获取汽车运行预测模型，判断通过汽车运行预测模型获得的运行特征参数的预测值是否与汽车内网总线上的控制指令携带的运行参数值相匹配来确定是否发生攻击，提高了汽车使用的安全性。

如图5所示，本发明提供一种汽车内部网络安全检测装置50，包括：模型建立模块51、模型训练模块52、控制监控模块53和入侵检测模块54。模型建立模块51根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型。模型训练模块52采集多个运行特征参数的数值对汽车运行模型进行训练，获得汽车运行预测模型，用以获取运行特征参数的预测值。

控制监控模块53获取汽车内部网络总线上传送的控制指令，并提取控制指令中携带的运行参数值。入侵检测模块54基于汽车运行预测模型获取与运行参数值对应的第一运行特征参数的预测值，根据入侵检测规则对运行参数值和第一运行特征参数的预测值进行检测，判断是否发生攻击。

多个运行特征参数包括：速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力等。模型建立模块51具体用于将多个运行特征参数作为输入量、并将一个或多个运行特征参数的预测值作为输出量构建神经网络模型，其中，神经网络模型为汽车运行模型，在汽车运行模型中设置有输入量与输出量的映射关系。

汽车运行模型包括输入层、输出层和隐含层；输入层包括输入端，接收采集的多个运行特征参数的数值。输出层包括输出端，输出一个或多个运行特征参数的预测值；隐含层包括多个处理单元，多个处理单元用于实现映射关系，分别与输入端、输出端连接。

如图6所示，模型训练模块52包括：样本采集单元521和参数获取单元522。样本采集单元521在训练的过程中，采集在预设时段内的多个运行特征参数的数值作为学习样本。参数获取单元522使用学习样本对汽车运行模型进行训练，得到汽车运行模型的模型参数以及输入端到处理单元的第一权值，处理单元到输出端的第二权值，获得汽车运行预测模型。

如图7所示，入侵检测模块54包括：特征确定单元541、预测获取单元542、规则设定单元543、攻击判断单元544和攻击处理单元545。特征确定单元541确定与运行参数值对应的第一运行特征参数；其中，第一运行特征参数的数量为一个或多个。预测获取单元542获取除了第一运行特征参数的多个运行特征参数中其余运行特征参数的数值，并输入汽车运行预测模型获取第一运行特征参数的预测值；其中，第一运行特征参数的预测值为第一运行特征参数的预测数值和/或设定的时间段内的预测曲线。

规则设定单元543预设入侵检测规则，其中，入侵检测规则包括预测差值规则。攻击判断单元544判断第一运行特征参数的预测值与运行参数值的差异是否在预测差值规则设定的阈值范围内，如果否，则确定发生攻击。

运行参数值为第一速度值，第一运行特征参数的预测值为速度的预测值；攻击判断单元544当判断速度的预测值与第一速度值的差异大于预测差值规则设定的阈值范围时。则确定受到攻击。或运行参数值为转向角度值，第一运行特征参数的预测值为转向角度的预测值；攻击判断单元544当判断转向角度的预测值与转向角度值的差异大于预测差值规则设定的阈值范围时，则确定受到攻击。攻击处理单元545在确定发生攻击后，确定与控制指令对应的控制器，并向此控制器发送取消执行此控制指令的命令，并阻断所述汽车内部网络总线与外部网络的通信，向用户发送警报。

在一个实施例中，本发明提供一种汽车，包括：如上的汽车内部网络安全检测装置。

上述实施例提供的汽车内部网络安全检测方法及装置、汽车，基于神经网络建立汽车运行模型，通过深度学习对汽车运行模型进行训练获取汽车运行预测模型，判断通过汽车运行预测模型获得的运行特征参数的预测值是否与汽车内网总线上的控制指令携带的运行参数值相匹配，来确定是否发生攻击，提高了汽车使用的安全性，减少汽车事故的发生，有效保护驾驶者的生命财产安全。

本发明的实施例公开了：

A1、一种汽车内部网络安全检测方法，包括：

根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型；

采集所述多个运行特征参数的数值对所述汽车运行模型进行训练，获得汽车运行预测模型，用以获取运行特征参数的预测值；

获取汽车内部网络总线上传送的控制指令，并提取所述控制指令中携带的运行参数值；

基于所述汽车运行预测模型获取与所述运行参数值对应的第一运行特征参数的预测值，根据入侵检测规则对所述运行参数值和第一运行特征参数的预测值进行检测，判断是否发生攻击。

A2、如A1所述的方法，所述多个运行特征参数包括：速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力。

A3、如A2所述的方法，所述根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型包括：

将所述多个运行特征参数作为输入量、并将一个或多个运行特征参数的预测值作为输出量构建神经网络模型，其中，所述神经网络模型为所述汽车运行模型，在所述汽车运行模型中设置有所述输入量与所述输出量的映射关系。

A4、如A3所述的方法，所述汽车运行模型包括输入层、输出层和隐含层；

所述输入层包括输入端，接收采集的所述多个运行特征参数的数值；所述输出层包括输出端，输出一个或多个所述运行特征参数的预测值；所述隐含层包括多个处理单元，所述多个处理单元用于实现所述映射关系，分别与输入端、输出端连接。

A5、如A4所述的方法，采集所述多个运行特征参数的数值对所述汽车运行模型进行训练、获得汽车运行预测模型包括：

在训练的过程中，采集在预设时段内的多个运行特征参数的数值作为学习样本；

使用所述学习样本对所述汽车运行模型进行训练，得到所述汽车运行模型的模型参数以及所述输入端到所述处理单元的第一权值，所述处理单元到所述输出端的第二权值，获得所述汽车运行预测模型。

A6、如A2所述的方法，基于所述汽车运行预测模型获取与所述运行参数值对应的第一运行特征参数的预测值包括：

确定与所述运行参数值对应的所述第一运行特征参数；其中，所述第一运行特征参数的数量为一个或多个；

获取除了第一运行特征参数的所述多个运行特征参数中其余运行特征参数的数值，并输入所述汽车运行预测模型获取所述第一运行特征参数的预测值；

其中，所述第一运行特征参数的预测值为第一运行特征参数的预测数值和/或设定的时间段内的预测曲线。

A7、如A6所述的方法，根据入侵检测规则对所述运行参数值和第一运行特征参数的预测值进行检测、判断是否发生攻击包括：

预设所述入侵检测规则，其中，所述入侵检测规则包括预测差值规则；

判断所述第一运行特征参数的预测值与所述运行参数值的差异是否在所述预测差值规则设定的阈值范围内，如果否，则确定发生攻击。

A8、如A7所述的方法，所述运行参数值为第一速度值，所述第一运行特征参数的预测值为速度的预测值；

当判断所述速度的预测值与所述第一速度值的差异大于所述预测差值规则设定的阈值时。则确定受到攻击；或

所述运行参数值为转向角度值，所述第一运行特征参数的预测值为转向角度的预测值；

当判断所述转向角度的预测值与所述转向角度值的差异大于所述预测差值规则设定的阈值时，则确定受到攻击。

A9、如A7所述的方法，在确定发生攻击后，确定与所述控制指令对应的控制器，并向此控制器发送取消执行此控制指令的命令，并阻断所述汽车内部网络总线与外部网络的通信，向用户发送警报。

A10、如A1或9任一项所述的方法，所述汽车内部网络总线为CAN总线。

B11、一种汽车内部网络安全检测装置，包括：

模型建立模块，用于根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型；

模型训练模块，用于采集所述多个运行特征参数的数值对所述汽车运行模型进行训练，获得汽车运行预测模型，用以获取运行特征参数的预测值；

控制监控模块，用于获取汽车内部网络总线上传送的控制指令，并提取所述控制指令中携带的运行参数值；

入侵检测模块，用于基于所述汽车运行预测模型获取与所述运行参数值对应的第一运行特征参数的预测值，根据入侵检测规则对所述运行参数值和第一运行特征参数的预测值进行检测，判断是否发生攻击。

B12、如B11所述的装置，所述多个运行特征参数包括：速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力。

B13、如B12所述的装置，所述模型建立模块具体用于将所述多个运行特征参数作为输入量、并将一个或多个运行特征参数的预测值作为输出量构建神经网络模型，其中，所述神经网络模型为所述汽车运行模型，在所述汽车运行模型中设置有所述输入量与所述输出量的映射关系。

B14、如B13所述的装置，所述汽车运行模型包括输入层、输出层和隐含层；

所述输入层包括输入端，接收采集的所述多个运行特征参数的数值；所述输出层包括输出端，输出一个或多个所述运行特征参数的预测值；所述隐含层包括多个处理单元，所述多个处理单元用于实现所述映射关系，分别与输入端、输出端连接。

B15、如B14所述的装置，所述模型训练模块包括：

样本采集单元，用于在训练的过程中，采集在预设时段内的多个运行特征参数的数值作为学习样本；

参数获取单元，用于使用所述学习样本对所述汽车运行模型进行训练，得到所述汽车运行模型的模型参数以及所述输入端到所述处理单元的第一权值，所述处理单元到所述输出端的第二权值，获得所述汽车运行预测模型。

B16、如B12所述的装置，所述入侵检测模块，包括：

特征确定单元，用于确定与所述运行参数值对应的所述第一运行特征参数；其中，所述第一运行特征参数的数量为一个或多个；

预测获取单元，用于获取除了第一运行特征参数的所述多个运行特征参数中其余运行特征参数的数值，并输入所述汽车运行预测模型获取所述第一运行特征参数的预测值；其中，所述第一运行特征参数的预测值为第一运行特征参数的预测数值和/或设定的时间段内的预测曲线。

B17、如B16所述的装置，所述入侵检测模块，包括：

规则设定单元，用于预设所述入侵检测规则，其中，所述入侵检测规则包括预测差值规则；

攻击判断单元，用于判断所述第一运行特征参数的预测值与所述运行参数值的差异是否在所述预测差值规则设定的阈值范围内，如果否，则确定发生攻击。

B18、如B17所述的装置，所述运行参数值为第一速度值，所述第一运行特征参数的预测值为速度的预测值；

所述攻击判断单元，还用于当判断所述速度的预测值与所述第一速度值的差异大于所述预测差值规则设定的阈值时。则确定受到攻击；或

所述运行参数值为转向角度值，所述第一运行特征参数的预测值为转向角度的预测值；

所述攻击判断单元，还用于当判断所述转向角度的预测值与所述转向角度值的差异大于所述预测差值规则设定的阈值时，则确定受到攻击。

B19、如B17所述的装置，所述入侵检测模块，包括：

攻击处理单元，用于在确定发生攻击后，确定与所述控制指令对应的控制器，并向此控制器发送取消执行此控制指令的命令，并阻断所述汽车内部网络总线与外部网络的通信，向用户发送警报。

C20、一种汽车，包括：

如B11至19任一项所述的汽车内部网络安全检测装置。

以上仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种汽车内部网络安全检测方法，其特征在于，包括：

根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型；

采集所述多个运行特征参数的数值对所述汽车运行模型进行训练，获得汽车运行预测模型，用以获取运行特征参数的预测值；

获取汽车内部网络总线上传送的控制指令，并提取所述控制指令中携带的运行参数值；

基于所述汽车运行预测模型获取与所述运行参数值对应的第一运行特征参数的预测值，根据入侵检测规则对所述运行参数值和第一运行特征参数的预测值进行检测，判断是否发生攻击。

2.如权利要求1所述的方法，其特征在于：

所述多个运行特征参数包括：速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力。

3.如权利要求2所述的方法，其特征在于，所述根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型包括：

将所述多个运行特征参数作为输入量、并将一个或多个运行特征参数的预测值作为输出量构建神经网络模型，其中，所述神经网络模型为所述汽车运行模型，在所述汽车运行模型中设置有所述输入量与所述输出量的映射关系。

4.如权利要求3所述的方法，其特征在于：

所述汽车运行模型包括输入层、输出层和隐含层；

所述输入层包括输入端，接收采集的所述多个运行特征参数的数值；所述输出层包括输出端，输出一个或多个所述运行特征参数的预测值；所述隐含层包括多个处理单元，所述多个处理单元用于实现所述映射关系，分别与输入端、输出端连接。

5.如权利要求4所述的方法，其特征在于，采集所述多个运行特征参数的数值对所述汽车运行模型进行训练、获得汽车运行预测模型包括：

在训练的过程中，采集在预设时段内的多个运行特征参数的数值作为学习样本；

使用所述学习样本对所述汽车运行模型进行训练，得到所述汽车运行模型的模型参数以及所述输入端到所述处理单元的第一权值，所述处理单元到所述输出端的第二权值，获得所述汽车运行预测模型。

6.如权利要求2所述的方法，其特征在于，基于所述汽车运行预测模型获取与所述运行参数值对应的第一运行特征参数的预测值包括：

确定与所述运行参数值对应的所述第一运行特征参数；其中，所述第一运行特征参数的数量为一个或多个；

获取除了第一运行特征参数的所述多个运行特征参数中其余运行特征参数的数值，并输入所述汽车运行预测模型获取所述第一运行特征参数的预测值；

其中，所述第一运行特征参数的预测值为第一运行特征参数的预测数值和/或设定的时间段内的预测曲线。

7.如权利要求6所述的方法，其特征在于，根据入侵检测规则对所述运行参数值和第一运行特征参数的预测值进行检测、判断是否发生攻击包括：

预设所述入侵检测规则，其中，所述入侵检测规则包括预测差值规则；

判断所述第一运行特征参数的预测值与所述运行参数值的差异是否在所述预测差值规则设定的阈值范围内，如果否，则确定发生攻击。

8.如权利要求7所述的方法，其特征在于：

所述运行参数值为第一速度值，所述第一运行特征参数的预测值为速度的预测值；

当判断所述速度的预测值与所述第一速度值的差异大于所述预测差值规则设定的阈值时。则确定受到攻击；或

所述运行参数值为转向角度值，所述第一运行特征参数的预测值为转向角度的预测值；

当判断所述转向角度的预测值与所述转向角度值的差异大于所述预测差值规则设定的阈值时，则确定受到攻击。

9.一种汽车内部网络安全检测装置，其特征在于，包括：

模型建立模块，用于根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型；

模型训练模块，用于采集所述多个运行特征参数的数值对所述汽车运行模型进行训练，获得汽车运行预测模型，用以获取运行特征参数的预测值；

控制监控模块，用于获取汽车内部网络总线上传送的控制指令，并提取所述控制指令中携带的运行参数值；

入侵检测模块，用于基于所述汽车运行预测模型获取与所述运行参数值对应的第一运行特征参数的预测值，根据入侵检测规则对所述运行参数值和第一运行特征参数的预测值进行检测，判断是否发生攻击。

10.一种汽车，其特征在于，包括：

如权利要求9所述的汽车内部网络安全检测装置。