CN110445758A - 基于对抗生成网络的车载can总线网络异常数据检测方法及系统 - Google Patents

基于对抗生成网络的车载can总线网络异常数据检测方法及系统 Download PDF

Info

Publication number
CN110445758A
CN110445758A CN201910603827.4A CN201910603827A CN110445758A CN 110445758 A CN110445758 A CN 110445758A CN 201910603827 A CN201910603827 A CN 201910603827A CN 110445758 A CN110445758 A CN 110445758A
Authority
CN
China
Prior art keywords
data
model
network
confrontation
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910603827.4A
Other languages
English (en)
Inventor
刘虹
赵伟东
成文东
孙强
杨志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Industrial Control Safety Innovation Technology Co Ltd
East China Normal University
Original Assignee
Shanghai Industrial Control Safety Innovation Technology Co Ltd
East China Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Industrial Control Safety Innovation Technology Co Ltd, East China Normal University filed Critical Shanghai Industrial Control Safety Innovation Technology Co Ltd
Priority to CN201910603827.4A priority Critical patent/CN110445758A/zh
Publication of CN110445758A publication Critical patent/CN110445758A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1425—Traffic logging, e.g. anomaly detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Small-Scale Networks (AREA)

Abstract

本发明提出了一种基于对抗生成网络的车载CAN总线网络异常数据检测方法，包括以下步骤：步骤1：对收集到的数据S0进行整合分析，将CANID出现频率过低的数据进行删除，得到清洗后的数据集合S；步骤2：根据数据集S中的每个数据对应的属性及频率，将数据集S进行划分，得到划分之后的数据集合S1,S2,…,Sn；步骤3：对数据集S1,S2,…,Sn中的每一条数据进行转换，得到对应的模型训练集合；步骤4：设计并训练基于对抗生成网络的异常数据检测模型；步骤5：使用训练好的模型来判别CAN ID数据集合。本发明将增加车载网络中异常数据的检测概率，提高了发现错误信息的的概率；同时随着用于训练的数据集数量逐渐增加，会有更高的检测准确率。

Description

基于对抗生成网络的车载CAN总线网络异常数据检测方法及 系统
技术领域
本发明涉及车载安全领域，尤其涉及一种基于车联网的异常数据检测方法。
背景技术
在互联网快速发展的今天，传统汽车行业也在不断的寻求新的突破。汽车与外界的信息交互也变得越来越多，各种通信的方式使得传统汽车不断地向智能化发展，但是这些服务也加多了与外界的接口，使得汽车内部面临着被外界攻击的风险。一旦汽车内部网关被外界黑客攻击，轻则出现隐私泄露，重则发生汽车失控。
CAN总线是目前使用最广的车载网络系统。由于其快速，准确的特点目前被全世界广泛的使用，这些特性也满足车辆行驶中要求的实时性高的第一特性。但是CAN总线内部缺少目前所必须的安全防护机制，如果黑客入侵到CAN总线中能够容易的得到所有总线中的信息。
发明内容
本发明主要针对CAN总线提出了一种异常检测模型，以网联汽车最普遍的CAN协议为重点，注重分析CAN协议的工作流程和存在的缺陷。还有对于深度学习中GAN模型的学习，以及应用于异常检测模型之中。
本发明通过采取以下技术方案实现异常数据监测：
一种基于对抗生成网络的车载CAN总线网络异常数据检测方法，包括以下步骤：
步骤1：对收集到的数据S0进行整合分析，将CANID出现频率过低的数据进行删除，得到清洗后的数据集合S；
步骤2：根据所述数据集S中的每个数据对应的属性及频率，将所述数据集S进行划分，得到划分之后的数据集合S1,S2,…,Sn；
步骤3：对所述数据集合S1,S2,…,Sn中的每一条数据进行转换，得到对应的模型训练集合；
其中，数据转换规则如下：
步骤3.1：设定循环神经网络的输入序列长度为N；其中，2≤N≤6；
步骤3.2：对第i个口令集合Si中的口令p，将其每一个字符w使用one-hot编码；若所述口令p中含有k个字符，转换之后将得到一个k*|∑|维的矩阵；其中，将所述矩阵的第1行，第2行，…，第N行作为猜测模型的训练输入，将第N+1行作为对应的训练目标值，直到将第k-N-1行，…，第k-1行作为模型的训练输入，将第k行作为输出；
步骤3.3：将所述口令集合Si中的每一条口令均执行步骤3.2的转换，得到关于用户群组属性i的模型训练集合；
步骤3.4：将所述用户群组属性i使用one-hot编码为gi；
步骤3.5：对于所述数据集合S1,S2,…,Sn中其他属性的口令子集合Sj(j＝i)均执行步骤3.2，步骤3.3，步骤3.4的转换操作，得到关于用户群组属性j的模型训练集合。
为了能够使模型输出表示终止的零向量，将第k-N行，…，第k行作为模型的训练输入，零向量作为模型训练的目标值。
步骤4：设计并训练基于对抗生成网络的异常数据检测模型；
所述步骤4的具体步骤如下：
步骤4.1：随机初始化模型的隐状态h0；
步骤4.2：将用于模型训练的输入x1输入至嵌入层，得到输出e1；
步骤4.3：将所述隐状态h0与所述输出e1同时输入至生成神经网络层，再次，使用一种成为长短期记忆网络的循环神经网络模型，得到第一次的输出r1，以及新的隐状态h1；
步骤4.4：重复步骤4.2，步骤4.3 N次，每次的输入为x1,…,xN；取出第N次的输出rN,hN；
步骤4.5：将该训练集合的属性编码gi与rN首尾相连组合成一个新的输入向量f，将所述输入向量f输入至全连接层，得到一个维度为|∑|的输出向量p；
步骤4.6：将所述输出向量p与训练目标值一同输入至损失计算函数；其中，所述损失计算函数使用最小交叉熵损失函数。
步骤4.7：对损失函数关于模型参数求导，使用梯度下降法优化模型参数。
步骤5：使用训练好的异常数据检测模型来判别CAN ID数据集合。
所述步骤5的具体步骤如下：
步骤5.1：随机选定一个起始字符p0，将p0的one-hot编码以及群组属性的编码gi输入至模型中，得到模型关于下一个字符p1的概率分布P；
步骤5.2：使用概率分布P进行抽样，得到下一个口令字符p1；
步骤5.3：将所述口令字符p1作为模型的输入，得到新的概率分布，重复步骤5.2，继续得到新的数据字符，直到抽样到终止字符或者生成的数据长度达到了规定的最大长度，终止数据的生成过程；
步骤5.4：重复执行步骤5.1，步骤5.2，步骤5.3，生成指定条数具有用户群组属性i的口令集合。
本发明进一步包括：对所述异常数据检测模型进行再训练，对模型参数进行微调，使得模型生成的口令更加接近于正式的口令分布。所述微调为机器学习调参，试探性调整，使模型优化。
至此，基于对抗生成网络的车载CAN总线网络异常数据检测方法执行完毕。
基于以上方法，本发明还提出了一种基于对抗生成网络的车载CAN总线网络异常数据检测系统，包括：
数据清洗模块，其用于对收集到的数据S0进行整合分析，将CANID出现频率过低的数据进行删除，得到清洗后的数据集合S；
数据划分模块，其用于根据所述数据集S中的每个数据对应的属性及频率，将所述数据集S进行划分，得到划分之后的数据集合S1,S2,…,Sn；
数据转换模块，其用于对所述数据集合S1,S2,…,Sn中的每一条数据进行转换，得到对应的模型训练集合；
模型训练模块，其用于设计并训练基于对抗生成网络的异常数据检测模型；
数据检测模块，其使用训练好的异常数据检测模型来判别CAN ID数据集合。
本发明可以通过特定的网络攻击手段针对CAN数据进行异常数据的检测方法，检测车载网络中数据是否被入侵。考虑到生成模型需要进行大量数据的训练，本发明使用的生成模型进行了100000条左右数据进行训练，有效解决有CAN总线异常检测技术数据覆盖范围不足、敏感度欠佳、实时性差等问题。
附图说明
图1是本发明基于对抗生成网络的车载CAN总线网络异常数据检测方法的流程示意图。
图2a、图2b是本发明基于对抗生成网络的车载CAN总线网络异常数据检测方法模型示意图。
图3是本发明基于车载CAN总线网络异常数据检测方法数据转换示意图。
具体实施方式
结合以下具体实施例和附图，对发明作进一步的详细说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。
本实施例提出的基于对抗生成网络的车载CAN总线网络异常数据检测方法，包括以下步骤：
步骤1：对收集到的数据S0进行整合分析，将CANID出现频率过低的数据进行删除，得到清洗后的数据集合S；
步骤2：根据数据集S中的每个数据对应的属性及频率，将数据集S进行划分，得到划分之后的数据集合S1,S2,…,Sn；
步骤3：对数据集S1,S2,…,Sn中的每一条数据进行转换，得到对应的模型训练集合；
步骤3.1：设定循环神经网络的输入序列长度为N，(2≤N≤6)；
步骤3.2：对第i个口令集合Si中的口令p，将其每一个字符w使用one-hot编码；若口令p中含有k个字符，转换之后将得到一个k*|∑|维的矩阵；
其中，可以将第1行，第2行，…，第N行作为猜测模型的训练输入，将第N+1行作为对应的训练目标值，如此类推，直到将第k-N-1行，…，第k-1行作为模型的训练输入，将第k行作为输出；
步骤3.3：将Si中的每一条口令都进行如此的转换，得到关于用户群组属性i的模型训练集合；
步骤3.4：将属性i使用one-hot编码为gi；
步骤3.5：对于其他属性的口令子集合Sj(j＝i)，重复执行步骤3.2，步骤3.3，步骤3.4的转换操作，得到属性j对应的模型训练集合。
步骤4：设计并训练基于对抗生成网络的异常数据检测模型；
步骤4.1：随机初始化模型的隐状态h0；
步骤4.2：将用于模型训练的输入x1输入至嵌入层，得到输出e1；
步骤4.3：将h0与e1同时输入至生成神经网络层，再次，使用一种成为长短期记忆网络的循环神经网络模型，之后的得到第一次的输出r1，以及新的隐状态h1；
步骤4.4：重复步骤4.2，步骤4.3 N次，每次的输入为x1,…,xN；取出第N次的输出rN,hN；
步骤4.5：将该训练集合的属性编码gi与rN首尾相连组合成一个新的输入向量f，将f输入至全连接层，得到一个维度为|∑|的输出向量p；
步骤4.6将输出向量p与训练目标值一同输入至损失计算函数；
步骤4.7：对损失函数关于模型参数求导，使用梯度下降法优化模型参数。
步骤5：使用训练好的模型来判别CAN ID数据集合。本发明将增加车载网络中异常数据的检测概率，提高了发现错误信息的的概率；
步骤5.1：随机选定一个起始字符p0，将p0的one-hot编码以及群组属性的编码gi输入至模型中，得到模型关于下一个字符p1的概率分布P；
步骤5.2：使用概率分布P进行抽样，得到下一个口令字符p1；
步骤5.3：将p1作为模型的输入，得到新的概率分布，重复步骤5.2，继续得到新的数据字符，直到抽样到终止字符或者生成的数据长度达到了规定的最大长度，终止数据的生成过程；
步骤5.4：重复执行步骤5.1，步骤5.2，步骤5.3，生成指定条数具有用户群组属性i的口令集合。
本发明中，对所述异常数据检测模型进行再训练，对模型参数进行微调，使得模型生成的口令更加接近于正式的口令分布。所述微调为机器学习调参，试探性调整，使模型优化。
本实施例中的基于对抗生成网络的车载CAN总线网络异常数据检测系统，包括：
数据清洗模块，其用于对收集到的数据S0进行整合分析，将CANID出现频率过低的数据进行删除，得到清洗后的数据集合S；
数据划分模块，其用于根据所述数据集S中的每个数据对应的属性及频率，将所述数据集S进行划分，得到划分之后的数据集合S1,S2,…,Sn；
数据转换模块，其用于对所述数据集合S1,S2,…,Sn中的每一条数据进行转换，得到对应的模型训练集合；
模型训练模块，其用于设计并训练基于对抗生成网络的异常数据检测模型；
数据检测模块，其使用训练好的异常数据检测模型来判别CAN ID数据集合。
本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保护范围。

Claims (9)

1.一种基于对抗生成网络的车载CAN总线网络异常数据检测方法，其特征在于，包括以下步骤：
步骤1：对收集到的数据S0进行整合分析，将CANID出现频率过低的数据进行删除，得到清洗后的数据集合S；
步骤2：根据所述数据集S中的每个数据对应的属性及频率，将所述数据集S进行划分，得到划分之后的数据集合S1,S2,…,Sn；
步骤3：对所述数据集合S1,S2,…,Sn中的每一条数据进行转换，得到对应的模型训练集合；
步骤4：设计并训练基于对抗生成网络的异常数据检测模型步骤5：使用训练好的异常数据检测模型来判别CAN ID数据集合。
2.根据权利要求1所述的基于对抗生成网络的车载CAN总线网络异常数据检测方法，其特征在于，所述步骤3中的数据转换规则如下：
步骤3.1：设定循环神经网络的输入序列长度为N；其中，2≤N≤6；
步骤3.2：对第i个口令集合Si中的口令p，将其每一个字符w使用one-hot编码；若所述口令p中含有k个字符，转换之后将得到一个k*|∑|维的矩阵；其中，将所述矩阵的第1行，第2行，…，第N行作为猜测模型的训练输入，将第N+1行作为对应的训练目标值，直到将第k-N-1行，…，第k-1行作为模型的训练输入，将第k行作为输出；
步骤3.3：将所述口令集合Si中的每一条口令均执行步骤3.2的转换，得到关于用户群组属性i的模型训练集合；
步骤3.4：将所述用户群组属性i使用one-hot编码为gi；
步骤3.5：对于所述数据集合S1,S2,…,Sn中其他属性的口令子集合Sj(j≠i)均执行步骤3.2，步骤3.3，步骤3.4的转换操作，得到关于用户群组属性j的模型训练集合。
3.根据权利要求2所述的基于对抗生成网络的车载CAN总线网络异常数据检测方法，其特征在于，为了能够使模型输出表示终止的零向量，将第k-N行，…，第k行作为模型的训练输入，零向量作为模型训练的目标值。
4.根据权利要求1所述的基于对抗生成网络的车载CAN总线网络异常数据检测方法，其特征在于，所述步骤4的具体步骤如下：
步骤4.1：随机初始化模型的隐状态h0；
步骤4.2：将用于模型训练的输入x1输入至嵌入层，得到输出e1；
步骤4.3：将所述隐状态h0与所述输出e1同时输入至生成神经网络层，再次，使用一种成为长短期记忆网络的循环神经网络模型，得到第一次的输出r1，以及新的隐状态h1；
步骤4.4：重复步骤4.2，步骤4.3 N次，每次的输入为x1,…,xN；取出第N次的输出rN,hN；
步骤4.5：将该训练集合的属性编码gi与rN首尾相连组合成一个新的输入向量f，将所述输入向量f输入至全连接层，得到一个维度为|∑|的输出向量p；
步骤4.6：将所述输出向量p与训练目标值一同输入至损失计算函数；
步骤4.7：对损失函数关于模型参数求导，使用梯度下降法优化模型参数。
5.根据权利要求4所述的基于对抗生成网络的车载CAN总线网络异常数据检测方法，其特征在于，所述步骤4.6中，所述损失计算函数使用最小交叉熵损失函数。
6.根据权利要求1所述的基于对抗生成网络的车载CAN总线网络异常数据检测方法，其特征在于，所述步骤5的具体步骤如下：
步骤5.1：随机选定一个起始字符p0，将p0的one-hot编码以及群组属性的编码gi输入至模型中，得到模型关于下一个字符p1的概率分布P；
步骤5.2：使用概率分布P进行抽样，得到下一个口令字符p1；
步骤5.3：将所述口令字符p1作为模型的输入，得到新的概率分布，重复步骤5.2，继续得到新的数据字符，直到抽样到终止字符或者生成的数据长度达到了规定的最大长度，终止数据的生成过程；
步骤5.4：重复执行步骤5.1，步骤5.2，步骤5.3，生成指定条数具有用户群组属性i的口令集合。
7.根据权利要求1所述的基于对抗生成网络的车载CAN总线网络异常数据检测方法，其特征在于，对所述异常数据检测模型进行再训练，对模型参数进行微调，使得模型生成的口令更加接近于正式的口令分布。
8.根据权利要求7所述的基于对抗生成网络的车载CAN总线网络异常数据检测方法，其特征在于，所述微调为机器学习调参，试探性调整，使模型优化。
9.一种基于对抗生成网络的车载CAN总线网络异常数据检测系统，其特征在于，采用如权利要求1-8之任一项所述的基于对抗生成网络的车载CAN总线网络异常数据检测方法，所述系统包括：
数据清洗模块，其用于对收集到的数据S0进行整合分析，将CANID出现频率过低的数据进行删除，得到清洗后的数据集合S；
数据划分模块，其用于根据所述数据集S中的每个数据对应的属性及频率，将所述数据集S进行划分，得到划分之后的数据集合S1,S2,…,Sn；
数据转换模块，其用于对所述数据集合S1,S2,…,Sn中的每一条数据进行转换，得到对应的模型训练集合；
模型训练模块，其用于设计并训练基于对抗生成网络的异常数据检测模型；
数据检测模块，其使用训练好的异常数据检测模型来判别CAN ID数据集合。
CN201910603827.4A 2019-07-05 2019-07-05 基于对抗生成网络的车载can总线网络异常数据检测方法及系统 Pending CN110445758A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910603827.4A CN110445758A (zh) 2019-07-05 2019-07-05 基于对抗生成网络的车载can总线网络异常数据检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910603827.4A CN110445758A (zh) 2019-07-05 2019-07-05 基于对抗生成网络的车载can总线网络异常数据检测方法及系统

Publications (1)

Publication Number Publication Date
CN110445758A true CN110445758A (zh) 2019-11-12

Family

ID=68429099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910603827.4A Pending CN110445758A (zh) 2019-07-05 2019-07-05 基于对抗生成网络的车载can总线网络异常数据检测方法及系统

Country Status (1)

Country Link
CN (1) CN110445758A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113037750A (zh) * 2021-03-09 2021-06-25 成都信息工程大学 一种车辆检测数据增强训练方法、系统、车辆及存储介质
CN115489537A (zh) * 2022-11-01 2022-12-20 成都工业职业技术学院 一种智能网联汽车的信息安全测试方法、系统及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108965001A (zh) * 2018-07-12 2018-12-07 北京航空航天大学 一种车辆报文数据模型的评估方法及装置
CN108958217A (zh) * 2018-06-20 2018-12-07 长春工业大学 一种基于深度学习的can总线报文异常检测方法
CN109635530A (zh) * 2018-11-16 2019-04-16 华东师范大学 一种基于用户群组属性的智能口令猜测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108958217A (zh) * 2018-06-20 2018-12-07 长春工业大学 一种基于深度学习的can总线报文异常检测方法
CN108965001A (zh) * 2018-07-12 2018-12-07 北京航空航天大学 一种车辆报文数据模型的评估方法及装置
CN109635530A (zh) * 2018-11-16 2019-04-16 华东师范大学 一种基于用户群组属性的智能口令猜测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113037750A (zh) * 2021-03-09 2021-06-25 成都信息工程大学 一种车辆检测数据增强训练方法、系统、车辆及存储介质
CN115489537A (zh) * 2022-11-01 2022-12-20 成都工业职业技术学院 一种智能网联汽车的信息安全测试方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN112201069B (zh) 基于深度强化学习的驾驶员纵向跟车行为模型构建方法
CN106203625B (zh) 一种基于多重预训练的深层神经网络训练方法
CN110875790A (zh) 基于生成对抗网络的无线信道建模实现方法
CN110445758A (zh) 基于对抗生成网络的车载can总线网络异常数据检测方法及系统
CN112115821B (zh) 一种基于小波近似系数熵的多信号智能调制模式识别方法
CN113435247A (zh) 一种通信干扰智能识别方法、系统及终端
CN116471585B (zh) 一种兼顾隐私保护的面向任务的语义通信方法及系统
CN112702405A (zh) 一种基于多协议探测的物联网设备识别方法
CN111950868A (zh) 一种基于生成对抗网络的综合能源系统负荷场景生成方法
CN115743101A (zh) 车辆轨迹预测方法、轨迹预测模型训练方法和装置
CN114285545B (zh) 一种基于卷积神经网络的侧信道攻击方法及系统
CN118035893A (zh) 一种云边协同联邦模型迁移的滚动轴承故障诊断方法及系统
Kavousi-Fard et al. Retracted: An Effective Anomaly Detection Model for Securing Communications in Electric Vehicles
CN115129884A (zh) 基于语义交互匹配网络的知识图谱补全方法及系统
Kang et al. A transfer learning based abnormal can bus message detection system
CN114157469A (zh) 一种基于域对抗神经网络的车载网络变种攻击入侵检测方法及系统
Yang et al. Semantic change driven generative semantic communication framework
Gao et al. Attack detection for intelligent vehicles via can-bus: A lightweight image network approach
CN113537306A (zh) 一种基于渐进式成长元学习的图像分类方法
CN111402180B (zh) 一种nsct域的基于fbiem与iscm的图像融合方法
CN116312513B (zh) 一种智能语音控制系统
CN110474798A (zh) 一种利用回声状态网络预测无线通信未来信号的方法
CN115829029A (zh) 一种基于通道注意力的自蒸馏实现方法
CN113052013B (zh) 一种用于电台调制信号的射频指纹识别方法
CN112532375B (zh) 一种基于大状态s盒的自动化搜索差分路径的方法及应用

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191112