CN112491677B - 基于物理层特征指纹的can总线识别方法及装置 - Google Patents

基于物理层特征指纹的can总线识别方法及装置 Download PDF

Info

Publication number
CN112491677B
CN112491677B CN202011228824.6A CN202011228824A CN112491677B CN 112491677 B CN112491677 B CN 112491677B CN 202011228824 A CN202011228824 A CN 202011228824A CN 112491677 B CN112491677 B CN 112491677B
Authority
CN
China
Prior art keywords
bus
signals
identification
sigtlnet
signal
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.)
Active
Application number
CN202011228824.6A
Other languages
English (en)
Other versions
CN112491677A (zh
Inventor
赵彩丹
王艺霖
石明仙
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.)
Xiamen University
Original Assignee
Xiamen 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 Xiamen University filed Critical Xiamen University
Priority to CN202011228824.6A priority Critical patent/CN112491677B/zh
Publication of CN112491677A publication Critical patent/CN112491677A/zh
Application granted granted Critical
Publication of CN112491677B publication Critical patent/CN112491677B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L2012/40208—Bus networks characterized by the use of a particular bus standard
    • H04L2012/40215—Controller Area Network CAN

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明提出了一种基于物理层特征指纹的CAN总线识别方法及装置，其中该方法包括：获取闭集的CAN总线信号并进行预处理以得到训练信号；采用时频统计特征识别算法对训练信号进行处理以提取多维统计特征；接着将多维统计特征输入到多类监督学习的分类器中，以对闭集的CAN总线进行识别；再接着建立SigTLNet网络模型；然后将训练信号输入到SigTLNet网络模型以对SigTLNet网络模型进行训练，以得到训练好的SigTLNet网络模型；最后获取开放集的CAN总线，并将开放集的CAN总线输入到训练好的SigTLNet网络模型，以对开放集的CAN总线进行识别；由此，通过引入时频统计特征识别算法与SigTLNet网络识别认证算法，以实现闭集及开放集的CAN总线的识别，从而在降低识别时延的同时还提高了识别效果。

Description

基于物理层特征指纹的CAN总线识别方法及装置
技术领域
本发明涉及通信技术领域，特别涉及一种基于物理层特征指纹的CAN总线识别方法、一种计算机可读存储介质、一种计算机设备以及一种基于物理层特征指纹的CAN总线识别装置。
背景技术
相关技术中，空天地一体化车联网络的安全防护，除了实现对车辆节点与外部通信安全的保障，例如V2V、V2I、V2IoT等通信安全，还包括控制着车辆加速刹车等关键部件的CAN总线；因此无线连接的车载CAN总线网络安全研究也至关重要。
传统的射频指纹识别分类过程大多需要对设备建立数据库，完成闭集数据的识别；但在实际空天地一体化网络环境中，由于车辆、无人机等节点数量庞大，建立数据库的容量十分巨大且验证时延较长，从而导致识别效果差。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于物理层特征指纹的CAN总线识别方法，该方法通过引入时频统计特征识别算法与SigTLNet网络识别认证算法，以实现闭集及开放集的CAN总线的识别，从而在降低识别时延的同时还提高了识别效果。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种基于物理层特征指纹的CAN总线识别装置。
为达到上述目的，本发明第一方面实施例提出了一种基于物理层特征指纹的CAN总线识别方法，包括以下步骤：获取闭集的CAN总线信号，并对所述闭集的CAN总线信号进行预处理，以得到预处理后的训练信号；采用时频统计特征识别算法对所述预处理后的训练信号进行处理以提取所述预处理后的训练信号的多维统计特征；将所述多维统计特征输入到多类监督学习的分类器中，以对所述闭集的CAN总线进行识别；采用多层深度卷积神经网络、改进的三元组损失函数和梯度剪裁模块建立SigTLNet网络模型；将所述预处理后的训练信号输入到所述SigTLNet网络模型以对所述SigTLNet网络模型进行训练，以得到训练好的SigTLNet网络模型；获取开放集的CAN总线，并将所述开放集的CAN总线输入到所述训练好的SigTLNet网络模型，以对所述开放集的CAN总线进行识别。
根据本发明实施例的基于物理层特征指纹的CAN总线识别方法，首先获取闭集的CAN总线信号，并对闭集的CAN总线信号进行预处理，以得到预处理后的训练信号；再采用时频统计特征识别算法对预处理后的训练信号进行处理以提取预处理后的训练信号的多维统计特征；接着将多维统计特征输入到多类监督学习的分类器中，以对闭集的CAN总线进行识别；再接着采用多层深度卷积神经网络、改进的三元组损失函数和梯度剪裁模块建立SigTLNet网络模型；然后将预处理后的训练信号输入到SigTLNet网络模型以对SigTLNet网络模型进行训练，以得到训练好的SigTLNet网络模型；最后获取开放集的CAN总线，并将开放集的CAN总线输入到训练好的SigTLNet网络模型，以对开放集的CAN总线进行识别；由此，通过引入时频统计特征识别算法与SigTLNet网络识别认证算法，以实现闭集及开放集的CAN总线的识别，从而在降低识别时延的同时还提高了识别效果。
另外，根据本发明上述实施例提出的基于物理层特征指纹的CAN总线识别方法还可以具有如下附加的技术特征：
可选地，对所述闭集的CAN总线信号进行预处理，包括：采用相位法获取所述闭集的CAN总线信号的起点，并对所述闭集的CAN总线信号进行归一化处理。
可选地，采用时频统计特征识别算法对所述预处理后的训练信号进行处理以提取所述预处理后的训练信号的多维统计特征，包括：分别截取预处理后的训练信号的上升沿、下降沿和剩余显著信号的中间平稳信号，并将截取的所有上升沿进行拼接以得到上升沿信号、将截取的所有下降沿进行拼接以得到下降沿信号，将截取的所有剩余显著信号的中间平稳信号进行拼接以得到显著平稳信号；计算所述上升沿信号、下降沿信号和显著平稳信号的多维统计特征。
可选地，将所述多维统计特征输入到多类监督学习的分类器中，以对所述闭集的CAN总线进行识别，包括：将所述多维统计特征输入到多类监督学习的分类器中以获取对应的识别率，并根据所述识别率判断所述多维统计特征在对应的多类监督学习的分类器中的识别效果。
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有基于物理层特征指纹的CAN总线识别程序，该基于物理层特征指纹的CAN总线识别程序被处理器执行时实现如上述的基于物理层特征指纹的CAN总线识别方法。
根据本发明实施例的计算机可读存储介质，通过存储基于物理层特征指纹的CAN总线识别程序，以使得处理器在执行该基于物理层特征指纹的CAN总线识别程序时，实现如上述的基于物理层特征指纹的CAN总线识别方法，从而在降低识别时延的同时还提高了识别效果。
为达到上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的基于物理层特征指纹的CAN总线识别方法。
根据本发明实施例的计算机设备，通过存储器存储基于物理层特征指纹的CAN总线识别程序，这样基于物理层特征指纹的CAN总线识别程序被处理器执行时实现上述的基于物理层特征指纹的CAN总线识别方法，从而在降低识别时延的同时还提高了识别效果。
为达到上述目的，本发明第四方面实施例提出了一种基于物理层特征指纹的CAN总线识别装置，包括：获取模块，所述获取模块用于获取闭集的CAN总线信号，并对所述闭集的CAN总线信号进行预处理，以得到预处理后的训练信号；处理模块，所述处理模块用于采用时频统计特征识别算法对所述预处理后的训练信号进行处理以提取所述预处理后的训练信号的多维统计特征；第一识别模块，所述第一识别模块用于将所述多维统计特征输入到多类监督学习的分类器中，以对所述闭集的CAN总线进行识别；建立模块，所述建立模块用于采用多层深度卷积神经网络、改进的三元组损失函数和梯度剪裁模块建立SigTLNet网络模型；训练模块，所述训练模块用于将所述预处理后的训练信号输入到所述SigTLNet网络模型以对所述SigTLNet网络模型进行训练，以得到训练好的SigTLNet网络模型；第二识别模块，所述第二识别模块用于获取开放集的CAN总线，并将所述开放集的CAN总线输入到所述训练好的SigTLNet网络模型，以对所述开放集的CAN总线进行识别。
根据本发明实施例的基于物理层特征指纹的CAN总线识别装置，通过获取模块获取闭集的CAN总线信号，并对闭集的CAN总线信号进行预处理，以得到预处理后的训练信号；再通过处理模块采用时频统计特征识别算法对预处理后的训练信号进行处理以提取预处理后的训练信号的多维统计特征；接着通过第一识别模块将多维统计特征输入到多类监督学习的分类器中，以对闭集的CAN总线进行识别；然后通过建立模块采用多层深度卷积神经网络、改进的三元组损失函数和梯度剪裁模块建立SigTLNet网络模型；再然后通过训练模块将预处理后的训练信号输入到SigTLNet网络模型以对SigTLNet网络模型进行训练，以得到训练好的SigTLNet网络模型；最后通过第二识别模块获取开放集的CAN总线，并将开放集的CAN总线输入到训练好的SigTLNet网络模型，以对开放集的CAN总线进行识别；在降低识别时延的同时还提高了识别效果。
可选地，所述获取模块还用于采用相位法获取所述闭集的CAN总线信号的起点，并对所述闭集的CAN总线信号进行归一化处理。
可选地，所述处理模块还用于，分别截取预处理后的训练信号的上升沿、下降沿和剩余显著信号的中间平稳信号，并将截取的所有上升沿进行拼接以得到上升沿信号、将截取的所有下降沿进行拼接以得到下降沿信号，将截取的所有剩余显著信号的中间平稳信号进行拼接以得到显著平稳信号；计算所述上升沿信号、下降沿信号和显著平稳信号的多维统计特征。
可选地，所述第一识别模块还用于将所述多维统计特征输入到多类监督学习的分类器中以获取对应的识别率，并根据所述识别率判断所述多维统计特征在对应的多类监督学习的分类器中的识别效果。
附图说明
图1为根据本发明实施例的基于物理层特征指纹的CAN总线识别方法的流程示意图；
图2为示波器信号采集示意图；
图3为时频统计特征识别算法总流程图；
图4为时频统计特征识别算法信号预处理示意图；
图5为时频统计特征分布图；
图6为不同分类器识别混淆矩阵示意图
图7为时频统计特征识与其他算法识别结果对比示意图；
图8为SigTLNet网络结构示意图；
图9为改进损失函数的网络损失值变化示意图；
图10为SigTLNet网络与其他算法识别结果对比示意图；
图11为根据本发明实施例的基于物理层特征指纹的CAN总线识别装置的方框示意图。
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，旨在用于解释本发明，而不能理解为对本发明的限制。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为根据本发明实施例的基于物理层特征指纹的CAN总线识别方法的流程示意图，如图1所示，本发明实施例的基于物理层特征指纹的CAN总线识别方法包括以下步骤：
步骤101，获取闭集的CAN总线信号，并对闭集的CAN总线信号进行预处理，以得到预处理后的训练信号。
作为一个示例，采用相位法获取闭集的CAN总线信号的起点，并对闭集的CAN总线信号进行归一化处理，从而减小噪声对后续识别效果的影响。
作为一个具体实施例，对10个ECU模块(8块型号为TJA1054TECU模块，2块型号为PCA82C251)进行CAN协议仿真，建立点对点通信，传输速率为500kbps/s；接着利用示波器同时采集不同ECU模块的CAN协议信号数据，采样频率为20MSa/s；从而获取闭集的CAN总线信号；其中，如图2所示，其为示波器捕获波形的示意图。
步骤102，采用时频统计特征识别算法对预处理后的训练信号进行处理以提取预处理后的训练信号的多维统计特征。
作为一个示例，分别截取预处理后的训练信号的上升沿、下降沿和剩余显著信号的中间平稳信号，并将截取的所有上升沿进行拼接以得到上升沿信号、将截取的所有下降沿进行拼接以得到下降沿信号，将截取的所有剩余显著信号的中间平稳信号进行拼接以得到显著平稳信号；计算上升沿信号、下降沿信号和显著平稳信号的多维统计特征；其中，如图4和图5所示，图4为时频统计特征识别算法信号处理示意图，图5为时频统计特征分布图。
需要说明的是，多维时频统计特征具体包括频谱短时能量、频谱质心、频谱不规则值、频谱波动、频谱不规则改进值、频谱平坦度、频谱滚降值等信号傅里叶变换后的频域特征以及方差、斜度、峰度等信号时域特征。
步骤103，将多维统计特征输入到多类监督学习的分类器中，以对闭集的CAN总线进行识别。
作为一个示例，将多维统计特征输入到多类监督学习的分类器中以获取对应的识别率，并根据识别率判断多维统计特征在对应的多类监督学习的分类器中的识别效果。
需要说明的是，图6为不同分类器识别混淆矩阵示意图，如图6所示，通过时频统计特征识别算法提取的多维统计特征能够有效提升识别准确率；如图7所示，通过将时频统计特征识别与其他算法识别结果进行比对，多维统计特征能够有效提升识别效果。
综上所述，如图3所示，时频统计特征识别算法先采集CAN总线信号，然后对CAN总线信号进行预处理，之后计算预处理后的信号的时频统计特征，并将该特征输入到各类分类器中进行识别认证，从而使得闭集样本集的平均识别率达到98.75％，在安全认证时具有较小的识别时延。
步骤104，采用多层深度卷积神经网络、改进的三元组损失函数和梯度剪裁模块建立SigTLNet网络模型。
也就是说，如图8所示，在建立SigTLNet网络模型时，在多层深度卷积神经网络的基础上采用改进后的三元组损失函数，并在增加梯度裁剪模块，以加快网络收敛速度，从而得到SigTLNet网络模型。
作为一个具体实施例，损失函数采用改进后的三元组损失，其公式为：
Figure BDA0002764487460000061
Figure BDA0002764487460000062
从而加快收敛速度；其中，M代表三元组的个数，i＝1,2…M，a,p,n为三元组，a和p为同一类信号，a和n为不同类信号；α为预先设置的参数，本实施例为0.2；+表示，大括号内的值大于零的时候，取该值为损失，大括号内的值小于零的时候损失为零。
图9为原始三元组损失与改进三元组损失收敛情况对比，可以看出改进的三元组损失可以明显加快收敛速度且不会出现梯度爆炸(损失值变为NAN)的情况。
需要说明的是，采用多层深度卷积神经网络模型；引入并改进三元组损失函数，在考虑相同类样本与不同类样本之间的相对距离的同时，将正类样本的距离加入损失函数中，使正类样本间映射范围更紧密，加快网络的收敛速度；以及引入梯度裁剪，将梯度约束在一定范围内，避免出现梯度爆炸现象；接着引入欧氏距离作为距离度量标准，将计算得到的距离值与设定阈值进行对比，若该距离值小于阈值，则判定相应节点为合法节点，若距离大于设定阈值，则相应节点为非法节点。
步骤105，将预处理后的训练信号输入到SigTLNet网络模型以对SigTLNet网络模型进行训练，以得到训练好的SigTLNet网络模型。
步骤106，获取开放集的CAN总线，并将开放集的CAN总线输入到训练好的SigTLNet网络模型，以对开放集的CAN总线进行识别。
也就是说，将训练信号输入SigTLNet网络模型进行模型训练；并实时采集CAN总线信号作为测试信号，将测试信号进行预处理后输入训练好的SigTLNet网络模型中提取特征、识别分类，根据识别率判断训练好的SigTLNet网络模型的识别效果。
需要说明的是，如图10所示，其为SigTLNet网络模型与其他算法识别结果对比，由图10可知SigTLNet网络模型能够有效提升对于未知类样本的识别率；由此，采用上述SigTLNet网络自适应学习无线信号特征指纹，建立信号特征的表征模型，利用模型的判决器，实现基于开放样本集的CAN总线识别，其识别率可以达到90％以上，从而实现对合法节点及恶意仿冒的非法节点的身份识别认证。
综上所述，根据本发明实施例的基于物理层特征指纹的CAN总线识别方法，首先获取闭集的CAN总线信号，并对闭集的CAN总线信号进行预处理，以得到预处理后的训练信号；再采用时频统计特征识别算法对预处理后的训练信号进行处理以提取预处理后的训练信号的多维统计特征；接着将多维统计特征输入到多类监督学习的分类器中，以对闭集的CAN总线进行识别；再接着采用多层深度卷积神经网络、改进的三元组损失函数和梯度剪裁模块建立SigTLNet网络模型；然后将预处理后的训练信号输入到SigTLNet网络模型以对SigTLNet网络模型进行训练，以得到训练好的SigTLNet网络模型；最后获取开放集的CAN总线，并将开放集的CAN总线输入到训练好的SigTLNet网络模型，以对开放集的CAN总线进行识别；由此，通过引入时频统计特征识别算法与SigTLNet网络识别认证算法，以实现闭集及开放集的CAN总线的识别，从而在降低识别时延的同时还提高了识别效果。
另外，本发明实施例还提出了一种计算机可读存储介质，其上存储有基于物理层特征指纹的CAN总线识别程序，该基于物理层特征指纹的CAN总线识别程序被处理器执行时实现如上述的基于物理层特征指纹的CAN总线识别方法。
根据本发明实施例的计算机可读存储介质，通过存储基于物理层特征指纹的CAN总线识别程序，以使得处理器在执行该基于物理层特征指纹的CAN总线识别程序时，实现如上述的基于物理层特征指纹的CAN总线识别方法，从而在降低识别时延的同时还提高了识别效果。
另外，本发明实施例还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的基于物理层特征指纹的CAN总线识别方法。
根据本发明实施例的计算机设备，通过存储器存储基于物理层特征指纹的CAN总线识别程序，这样基于物理层特征指纹的CAN总线识别程序被处理器执行时实现上述的基于物理层特征指纹的CAN总线识别方法，从而在降低识别时延的同时还提高了识别效果。
图11为根据本发明实施例的基于物理层特征指纹的CAN总线识别装置的方框示意图；如图11所示，该装置包括：获取模块201、处理模块202、第一识别模块203、建立模块204、训练模块205和第二识别模块206。
其中，获取模块201用于获取闭集的CAN总线信号，并对闭集的CAN总线信号进行预处理，以得到预处理后的训练信号；处理模块202用于采用时频统计特征识别算法对预处理后的训练信号进行处理以提取预处理后的训练信号的多维统计特征；第一识别模块203用于将多维统计特征输入到多类监督学习的分类器中，以对闭集的CAN总线进行识别；建立模块204用于采用多层深度卷积神经网络、改进的三元组损失函数和梯度剪裁模块建立SigTLNet网络模型；训练模块205用于将预处理后的训练信号输入到SigTLNet网络模型以对SigTLNet网络模型进行训练，以得到训练好的SigTLNet网络模型；第二识别模块206用于获取开放集的CAN总线，并将开放集的CAN总线输入到训练好的SigTLNet网络模型，以对开放集的CAN总线进行识别。
进一步地，获取模块201还用于采用相位法获取闭集的CAN总线信号的起点，并对闭集的CAN总线信号进行归一化处理。
进一步地，处理模块202还用于分别截取预处理后的训练信号的上升沿、下降沿和剩余显著信号的中间平稳信号，并将截取的所有上升沿进行拼接以得到上升沿信号、将截取的所有下降沿进行拼接以得到下降沿信号，将截取的所有剩余显著信号的中间平稳信号进行拼接以得到显著平稳信号；计算上升沿信号、下降沿信号和显著平稳信号的多维统计特征。
进一步地，第一识别模块203还用于将多维统计特征输入到多类监督学习的分类器中以获取对应的识别率，并根据识别率判断多维统计特征在对应的多类监督学习的分类器中的识别效果。
需要说明的是，上述关于图1中基于物理层特征指纹的CAN总线识别方法的描述同样适用于该基于物理层特征指纹的CAN总线识别装置，在此不做赘述。
根据本发明实施例的基于物理层特征指纹的CAN总线识别装置，通过获取模块获取闭集的CAN总线信号，并对闭集的CAN总线信号进行预处理，以得到预处理后的训练信号；再通过处理模块采用时频统计特征识别算法对预处理后的训练信号进行处理以提取预处理后的训练信号的多维统计特征；接着通过第一识别模块将多维统计特征输入到多类监督学习的分类器中，以对闭集的CAN总线进行识别；然后通过建立模块采用多层深度卷积神经网络、改进的三元组损失函数和梯度剪裁模块建立SigTLNet网络模型；再然后通过训练模块将预处理后的训练信号输入到SigTLNet网络模型以对SigTLNet网络模型进行训练，以得到训练好的SigTLNet网络模型；最后通过第二识别模块获取开放集的CAN总线，并将开放集的CAN总线输入到训练好的SigTLNet网络模型，以对开放集的CAN总线进行识别；在降低识别时延的同时还提高了识别效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种基于物理层特征指纹的CAN总线识别方法，其特征在于，包括以下步骤：
获取闭集的CAN总线信号，并对所述闭集的CAN总线信号进行预处理，以得到预处理后的训练信号；
采用时频统计特征识别算法对所述预处理后的训练信号进行处理以提取所述预处理后的训练信号的多维统计特征；
将所述多维统计特征输入到多类监督学习的分类器中，以对所述闭集的CAN总线进行识别；
采用多层深度卷积神经网络、改进的三元组损失函数和梯度剪裁模块建立SigTLNet网络模型；
将所述预处理后的训练信号输入到所述SigTLNet网络模型以对所述SigTLNet网络模型进行训练，以得到训练好的SigTLNet网络模型；
获取开放集的CAN总线，并将所述开放集的CAN总线输入到所述训练好的SigTLNet网络模型，以对所述开放集的CAN总线进行识别；
其中，采用时频统计特征识别算法对所述预处理后的训练信号进行处理以提取所述预处理后的训练信号的多维统计特征，包括：
分别截取预处理后的训练信号的上升沿、下降沿和剩余显著信号的中间平稳信号，并将截取的所有上升沿进行拼接以得到上升沿信号、将截取的所有下降沿进行拼接以得到下降沿信号，将截取的所有剩余显著信号的中间平稳信号进行拼接以得到显著平稳信号；
计算所述上升沿信号、下降沿信号和显著平稳信号的多维统计特征。
2.如权利要求1所述的基于物理层特征指纹的CAN总线识别方法，其特征在于，对所述闭集的CAN总线信号进行预处理，包括：
采用相位法获取所述闭集的CAN总线信号的起点，并对所述闭集的CAN总线信号进行归一化处理。
3.如权利要求1所述的基于物理层特征指纹的CAN总线识别方法，其特征在于，将所述多维统计特征输入到多类监督学习的分类器中，以对所述闭集的CAN总线进行识别，包括：
将所述多维统计特征输入到多类监督学习的分类器中以获取对应的识别率，并根据所述识别率判断所述多维统计特征在对应的多类监督学习的分类器中的识别效果。
4.一种计算机可读存储介质，其特征在于，其上存储有基于物理层特征指纹的CAN总线识别程序，该基于物理层特征指纹的CAN总线识别程序被处理器执行时实现如权利要求1-3中任一项所述的基于物理层特征指纹的CAN总线识别方法。
5.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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1-3中任一项所述的基于物理层特征指纹的CAN总线识别方法。
6.一种基于物理层特征指纹的CAN总线识别装置，其特征在于，包括：
获取模块，所述获取模块用于获取闭集的CAN总线信号，并对所述闭集的CAN总线信号进行预处理，以得到预处理后的训练信号；
处理模块，所述处理模块用于采用时频统计特征识别算法对所述预处理后的训练信号进行处理以提取所述预处理后的训练信号的多维统计特征；
第一识别模块，所述第一识别模块用于将所述多维统计特征输入到多类监督学习的分类器中，以对所述闭集的CAN总线进行识别；
建立模块，所述建立模块用于采用多层深度卷积神经网络、改进的三元组损失函数和梯度剪裁模块建立SigTLNet网络模型；
训练模块，所述训练模块用于将所述预处理后的训练信号输入到所述SigTLNet网络模型以对所述SigTLNet网络模型进行训练，以得到训练好的SigTLNet网络模型；
第二识别模块，所述第二识别模块用于获取开放集的CAN总线，并将所述开放集的CAN总线输入到所述训练好的SigTLNet网络模型，以对所述开放集的CAN总线进行识别；
其中，所述处理模块还用于分别截取预处理后的训练信号的上升沿、下降沿和剩余显著信号的中间平稳信号，并将截取的所有上升沿进行拼接以得到上升沿信号、将截取的所有下降沿进行拼接以得到下降沿信号，将截取的所有剩余显著信号的中间平稳信号进行拼接以得到显著平稳信号；计算所述上升沿信号、下降沿信号和显著平稳信号的多维统计特征。
7.如权利要求6所述的基于物理层特征指纹的CAN总线识别装置，其特征在于，所述获取模块还用于采用相位法获取所述闭集的CAN总线信号的起点，并对所述闭集的CAN总线信号进行归一化处理。
8.如权利要求6所述的基于物理层特征指纹的CAN总线识别装置，其特征在于，所述第一识别模块还用于将所述多维统计特征输入到多类监督学习的分类器中以获取对应的识别率，并根据所述识别率判断所述多维统计特征在对应的多类监督学习的分类器中的识别效果。
CN202011228824.6A 2020-11-06 2020-11-06 基于物理层特征指纹的can总线识别方法及装置 Active CN112491677B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011228824.6A CN112491677B (zh) 2020-11-06 2020-11-06 基于物理层特征指纹的can总线识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011228824.6A CN112491677B (zh) 2020-11-06 2020-11-06 基于物理层特征指纹的can总线识别方法及装置

Publications (2)

Publication Number Publication Date
CN112491677A CN112491677A (zh) 2021-03-12
CN112491677B true CN112491677B (zh) 2022-10-14

Family

ID=74928599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011228824.6A Active CN112491677B (zh) 2020-11-06 2020-11-06 基于物理层特征指纹的can总线识别方法及装置

Country Status (1)

Country Link
CN (1) CN112491677B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114387627A (zh) * 2022-01-11 2022-04-22 厦门大学 基于深度度量学习的小样本无线设备射频指纹识别方法及装置
CN116127298B (zh) * 2023-02-22 2024-03-19 北京邮电大学 基于三元组损失的小样本射频指纹识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104198890A (zh) * 2014-09-12 2014-12-10 河南第一火电建设公司 中低压配电网小电流接地智能选线系统
CN107370732A (zh) * 2017-07-14 2017-11-21 成都信息工程大学 基于神经网络和最优推荐的工控系统异常行为发现系统
CN109766791A (zh) * 2018-12-25 2019-05-17 哈尔滨工程大学 一种基于自编码器的通信信号调制识别方法
CN109934269A (zh) * 2019-02-25 2019-06-25 中国电子科技集团公司第三十六研究所 一种电磁信号的开集识别方法和装置
CN110532932A (zh) * 2019-08-26 2019-12-03 哈尔滨工程大学 一种多分量雷达信号脉内调制方式识别方法
CN111259990A (zh) * 2020-02-27 2020-06-09 江苏科技大学 基于多源信息融合的海水泵故障监测装置与诊断方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11032300B2 (en) * 2017-07-24 2021-06-08 Korea University Research And Business Foundation Intrusion detection system based on electrical CAN signal for in-vehicle CAN network
CN111695417B (zh) * 2020-04-30 2023-03-14 中国人民解放军空军工程大学 一种信号调制样式识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104198890A (zh) * 2014-09-12 2014-12-10 河南第一火电建设公司 中低压配电网小电流接地智能选线系统
CN107370732A (zh) * 2017-07-14 2017-11-21 成都信息工程大学 基于神经网络和最优推荐的工控系统异常行为发现系统
CN109766791A (zh) * 2018-12-25 2019-05-17 哈尔滨工程大学 一种基于自编码器的通信信号调制识别方法
CN109934269A (zh) * 2019-02-25 2019-06-25 中国电子科技集团公司第三十六研究所 一种电磁信号的开集识别方法和装置
CN110532932A (zh) * 2019-08-26 2019-12-03 哈尔滨工程大学 一种多分量雷达信号脉内调制方式识别方法
CN111259990A (zh) * 2020-02-27 2020-06-09 江苏科技大学 基于多源信息融合的海水泵故障监测装置与诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Identifying ECUs Using Inimitable Characteristics of Signals in Controller Area Networks;Wonsuk Choi; Hyo Jin Jo; Samuel Woo; Ji Young Chun; Jooyoung Par;《IEEE Transactions on Vehicular Technology》;20180227;第67卷(第6期);第IV-V节 *
Omid Avatefipour ; Azeem Hafeez ; Muhammad Tayyab ; Hafiz Malik.Linking received packet to the transmitter through physical-fingerprinting of controller area network.《2017 IEEE Workshop on Information Forensics and Security (WIFS)》.2018, *
深度度量学习综述;刘冰;《智能系统学报》;20191105;第1-2章 *

Also Published As

Publication number Publication date
CN112491677A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN112491677B (zh) 基于物理层特征指纹的can总线识别方法及装置
CN110636048B (zh) 一种基于ecu信号特征标识符的车载入侵检测方法及系统
CN108304877B (zh) 一种基于机器学习的物理层信道认证方法
CN104009836A (zh) 加密数据检测方法和系统
CN110647951A (zh) 基于机器学习算法的无线射频设备身份识别方法及系统
Lestyan et al. Extracting vehicle sensor signals from CAN logs for driver re-identification
CN112566117B (zh) 基于度量学习的车辆节点身份识别方法及装置
CN117350368A (zh) 联邦学习防御方法、装置、设备及存储介质
CN114423011A (zh) 开放集wifi设备识别方法和装置
Yin et al. Detecting CAN overlapped voltage attacks with an improved voltage-based in-vehicle intrusion detection system
CN112420056A (zh) 基于变分自编码器的说话人身份鉴别方法、系统及无人机
CN113365273B (zh) 一种基于信道状态信息的包级别无线设备认证方法
CN114626412B (zh) 用于无人值守传感器系统的多类别目标识别方法及系统
CN116132991A (zh) Rke系统的射频指纹认证方法、装置及存储介质
CN112712046B (zh) 一种基于设备硬件指纹的无线充电设备认证方法
CN115456014A (zh) 一种控制器识别方法、装置、电子设备和存储介质
CN105245497B (zh) 一种身份认证方法及装置
Li et al. RF-Based on Feature Fusion and Convolutional Neural Network Classification of UAVs
Birnbach et al. Adaptable Hardware Fingerprinting for Radio Data Links and Avionics Buses in Adversarial Settings
Desta et al. U-CAN: A Convolutional Neural Network Based Intrusion Detection for Controller Area Networks
Yang et al. A Comparative Study of Signal Recognition Based on Ensemble Learning and Deep Learning
CN110493784B (zh) 基于边缘计算和高低频分析的数据包安全识别方法
CN115801396A (zh) 一种为每个标识符建立指纹的车辆入侵检测方法及相关装置
CN116881631A (zh) 基于三元组网络与无监督聚类的零样本射频指纹识别方法
CN117896176B (zh) 面向工业物联网欺骗攻击的学习驱动物理层认证方法

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
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210312

Assignee: SHUOCHENG (XIAMEN) TECHNOLOGY CO.,LTD.

Assignor: XIAMEN University

Contract record no.: X2024980002295

Denomination of invention: CAN bus recognition method and device based on physical layer feature fingerprints

Granted publication date: 20221014

License type: Exclusive License

Record date: 20240319

EE01 Entry into force of recordation of patent licensing contract