CN113255750B - 一种基于深度学习的vcc车辆攻击检测方法 - Google Patents

一种基于深度学习的vcc车辆攻击检测方法 Download PDF

Info

Publication number
CN113255750B
CN113255750B CN202110533988.8A CN202110533988A CN113255750B CN 113255750 B CN113255750 B CN 113255750B CN 202110533988 A CN202110533988 A CN 202110533988A CN 113255750 B CN113255750 B CN 113255750B
Authority
CN
China
Prior art keywords
vehicle
vcc
vehicle information
network
encoder
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
CN202110533988.8A
Other languages
English (en)
Other versions
CN113255750A (zh
Inventor
许艳
徐延家
程永亮
仲红
崔杰
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.)
Anhui University
Original Assignee
Anhui 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 Anhui University filed Critical Anhui University
Priority to CN202110533988.8A priority Critical patent/CN113255750B/zh
Publication of CN113255750A publication Critical patent/CN113255750A/zh
Application granted granted Critical
Publication of CN113255750B publication Critical patent/CN113255750B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • H04L63/1416—Event detection, e.g. attack signature detection

Abstract

本发明公开了一种基于深度学习的VCC车辆攻击检测方法，包含内部异常车辆检测和外部异常车辆检测；内部异常车辆检测包括：持续采集VCC内部车辆的信息并进行预处理；用预处理后的数据对自编码器进行训练；利用训练好的模型来检测内部车辆的异常；外部异常车辆检测包括：对请求加入VCC的外部车辆信息进行预处理；提取距离外部车辆申请时间最邻近的VCC内部车辆信息作为正常车辆数据；利用经过训练的自编码器的编码部分提取外部车辆信息与内部正常车辆信息的特征；构建支持向量数据描述分类器并进行训练；利用训练好的支持向量数据描述分类器对外部车辆进行检测。本发明利用车辆信息的时空特征，实现了无监督的VCC异常车辆检测。

Description

一种基于深度学习的VCC车辆攻击检测方法
技术领域
本发明涉及计算机技术领域，尤其涉及一种深度学习的VCC车辆攻击检测方法。
背景技术
车载云计算(Vehicular Cloud Computing,VCC)，VCC整合车辆闲置的计算。通信与存储能力，再结合VANETs通信构成一种移动云计算。其中，车辆既是资源的提供者也是资源的使用者，多个车辆协作执行任务。但不同于传统的云计算，VCC由多个车辆自组提供云资源，正常车辆和攻击车辆具有相同的访问权限，他们可以共享云计算平台提供的各种资源，因此难以部署安全防护策略。同时，车辆快速的拓扑变化和开放的通信网络，使得VCC中传输的数据更易遭受攻击。
随着信息科技的迅速发展，智能交通系统中的数据日益增多。这些数据往往涉及车辆的身份、位置等隐私信息，而VCC中的终端是车辆，如果因车辆攻击而出现任何安全问题都关乎驾乘人员的生命与财产安全。因此，VCC中的数据面临着其独有的，甚至更为严重的安全问题，这些安全问题的研究思路并不同于VANETs或传统云计算中的数据安全研究。
目前，车联网中的攻击检测技术主要分为基于统计方法、基于规则方法和基于机器学习方法。然而基于统计的方法在高维数据上的检测性能较差，基于规则的方法可以达到较好的分类效果，但是检测决策的过程异常复杂，检测的结果往往取决于专家的业务决策水平和能力，且需要耗费大量的人力，基于机器学习方法的检测模型建立是目前最主流的研究方向，但是随着网络容量的扩大，以及越来越多的无标签数据，传统的机器学习方法的优势不复存在。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种基于深度学习的VCC车辆攻击检测的方法，以期能利用车辆信息的时空特征，实现无监督的VCC异常车辆检测，及时发现已存在于VCC中的车辆是否产生了攻击，并阻止可能产生攻击的车辆加入VCC，从而保证提供云资源车辆的可靠性。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于深度学习的VCC车辆攻击检测方法的特点是应用于由云平台、VANETs基础设施和若干车辆所构成的VCC网络中；所述VCC车辆攻击检测方法包括如下步骤：
步骤1.VCC网络内部的异常车辆检测：
步骤1.1.持续采集VCC网络内部的车辆信息并进行预处理，得到预处理后的内部车辆信息；
步骤1.2.利用卷积长短期记忆神经网络构建自编码器；所述自编码器包括编码器和解码器，均由卷积长短期记忆神经网络构造；
步骤1.3.利用预处理后的内部车辆信息对所述自编码器进行训练，得到训练好的自编码器模型；
步骤1.4.使用训练好的自编码器模型重构VCC网络内部的车辆数据，并将重构数据与输入数据之间的误差作为异常值；
步骤1.5.若异常值高于所设置的阈值，则将相应的输入数据识别为异常，反之，则为正常。
步骤2.VCC网络外部的异常车辆检测：
步骤2.1.对请求加入VCC网络的外部车辆信息进行预处理，得到预处理后的外部车辆信息；
步骤2.2.提取与外部车辆申请时间最邻近的VCC网络内部的车辆信息作为正常车辆数据；
步骤2.3.利用训练好的自编码器模型的编码器分别提取预处理后的外部车辆信息的特征与所述正常车辆数据的特征；
步骤2.4.利用所述正常车辆数据的特征训练支持向量数据描述分类器，得到分类器的决策边界域；
步骤2.5.使用分类器的决策边界域对VCC网络外部的车辆信息的特征进行检测，若特征在决策边界域内，则认为申请加入VCC网络的外部车辆是正常车辆，允许其加入VCC网络中，反之，则为异常车辆，不允许加入VCC网络中。
本发明所述的VCC中车辆攻击检测的方法的特点也在于：
对所述步骤1.1和步骤2.1中的预处理过程包括：
对于包含n个向量的车辆信息，选择大小为b的滑动窗口，b＞0，并将两个连续的滑动窗口重叠
Figure BDA0003069008430000021
对于每个滑动窗口，计算车辆信息中每个数据的衍生特征：范数NOR和范数差异DOR，从而得到初步处理后的车辆信息；
对于初步处理后的车辆信息，选择大小为c的滑动窗口，c＞0，并将两个连续的滑动窗口重叠
Figure BDA0003069008430000031
对于每个滑动窗口，计算初步处理后的车辆信息中每个衍生特征的统计特征，以获取衍生特征随时间的变化程度，从而得到预处理后的车辆信息。
所述编码器由两个卷积长短期记忆编码网络堆叠组成，第一卷积长短期记忆编码网络使用w×v尺寸的卷积核对输入的预处理后的内部车辆信息S进行编码后的结果，再经过第二卷积长短期记忆编码网络的处理后，得到编码后的时空特征表示H；
所述解码器由两个卷积长短期记忆解码网络堆叠组成，第一卷积长短期记忆解码网络使用w×v尺寸的卷积核对编码后的时空特征H进行解码后的结果，再经过第二卷积长短期记忆解码网络的处理后，得到重构后的内部车辆信息
Figure BDA0003069008430000032
其中，
Figure BDA0003069008430000033
表示重构后的第n辆内部车辆信息；
利用式(1)构建自编码器训练的损失函数JMSE(θen,θde)，并利用反向传播算法对网络模型进行训练，得到训练好的自编码器模型；
Figure BDA0003069008430000034
式(1)中，θen表示卷积长短期记忆编码网络的相关参数，θde表示卷积长短期记忆解码网络的相关参数。
对于所述步骤2.4中的决策边界域是由惩罚因子C和核函数K中的参数ε决定，并采用参数寻优法对所设定的阈值内惩罚因子C和参数ε进行寻优，以找到最优参数组。
所述步骤2.5中是计算外部的车辆信息的特征与支持向量数据描述分类器的超球体球心之间的距离d，若d小于超球体的半径R，则表示在决策边界域内，否则，表示不在决策边界域内。
与现有技术相比，本发明的有益效果在于：
1、本发明通过构建卷积长短期记忆神经编码网络，从输入的车辆信息中提取有效的时空特征，并将提取到的特征送入卷积长短期记忆神经解码网络中进行解码，可以很好的提取时空序列数据的高维特征，并且还强调了空间的关键信息，解决了现有检测技术提取特征不够完整等问题，最终提高了车辆检测的精度。
2、本发明能够实现端到端的训练和预测，与传统的背景算法相比，端到端的结构能将复杂的背景建模简化成一个简单的分类过程。自编码器网络以无监督训练的方式进行学习，不需要手工制作复杂的标签，降低了检测的复杂度，提高了检测的效率。
3、本发明通过采用神经网络和支持向量描述相结合，这种模型的设计更符合VCC中车辆的攻击检测的实际应用，能够高效准确地维护VCC组网的安全。
附图说明
图1a是本发明VCC内部车辆攻击检测方法的流程示意图；
图1b是本发明申请加入VCC的外部车辆攻击检测方法的流程示意图；
图2是本发明VCC车辆攻击检测方法的数据预处理模块的结构示意图；
图3是本发明VCC车辆攻击检测方法的系统模型图；
图4是本发明VCC车辆攻击检测方法的申请入网车辆检测模型图。
具体实施方式
本实施例中，一种基于深度学习的VCC车辆攻击检测方法，是应用于由云平台、VANETs基础设施和若干车辆所构成的VCC网络中，VCC车辆攻击检测方法包括如下步骤：
步骤1.参阅图1a，VCC网络内部的异常车辆检测：
步骤1.1、如图2所示，持续采集VCC网络内部的车辆信息并进行预处理，将车辆传输到VCC的数据T先进行预处理，通过两个步骤来丰富初始时间序列，第一步是计算初始序列中每个特征的衍生特征-范数(NOR)和范数差异(DOR),对于包含16个向量的时序数据，选择大小为4的滑动窗口，其中两个连续窗口重叠了2个向量的时序数据，对于每个滑动窗口，先计算衍生特征-范数(NOR)，计算公式如下：
Figure BDA0003069008430000041
再计算衍生特征-范数差异(DOR)，计算公式如下：
DONj(wdi)＝normj(wdi)-normj(wdi-1)
范数特征捕获滑动窗口中特征的幅度，而范数特征的差异捕获两个连续窗口中特征幅度的时间变化，即时间相关性。经过计算，得到一个新的时间序列T′＝＜G1,G2,...,Gn′＞。
第二步是计算T′中每个衍生特征的统计特征，进一步获取衍生特征随时间的变化程度，根据最近一项研究中的建议，为每个衍生特征计算4个统计特征，mean(MEA)、minimum(MIN)、maximum(MAX)、standard deviation(STD),经过计算，得到一个丰富后的时间序列
Figure BDA0003069008430000042
得到预处理后的内部车辆信息，记为S＝{S1,S2,...Sn,...,SN}，其中，Sn表示预处理后的第n辆内部车辆信息，n＝1,2,3...,N；
步骤1.2、如图3所示，利用卷积长短期记忆神经网络构建自编码器；自编码器包括编码器和解码器，均由卷积长短期记忆神经网络构造；将预处理后的车辆信息S＝{S1,S2,...Sn,...,SN}作为编码网络的输入，其中N为输入数据的序列长度；经过编码器的两层卷积长短期记忆神经网络构成的基本单元，得到各个时刻编码网络的最终隐藏状态
Figure BDA0003069008430000051
以及每一层卷积长短期记忆神经网络的记忆单元状态
Figure BDA0003069008430000052
其中l表示第l层卷积长短期记忆神经网络，t表示第t个时刻。
当前时刻的隐藏单元状态输出的计算公式为：
Figure BDA0003069008430000053
其中，ct是当前时刻的细胞单元状态，ht为输出门输出，当前时刻的细胞单元状态的计算公式为：
Figure BDA0003069008430000054
其中，
Figure BDA0003069008430000055
是当前时刻输入的单元状态，ct-1是上一时刻的细胞单元状态，ft是遗忘门输出，it是输入门输出，当前时刻输入的单元状态的计算公式为：
Figure BDA0003069008430000056
遗忘门输出的计算公式为：
Figure BDA0003069008430000057
其中，bf是遗忘门的偏置项，σ是sigmoid函数；
输入门输出的计算公式为：
Figure BDA0003069008430000058
其中，W是输入门的权重矩阵，bi是输入门的偏置项；
输出门输出的计算公式为：
Figure BDA0003069008430000059
步骤1.3.利用预处理后的内部车辆信息对自编码器进行训练，得到训练好的自编码器模型；其中，编码器由两个卷积长短期记忆编码网络堆叠组成，第一卷积长短期记忆编码网络使用3×3尺寸的卷积核对输入的预处理后的内部车辆信息S进行编码后的结果，再经过第二卷积长短期记忆编码网络的处理后，得到编码后的时空特征表示H；其中，编码器中卷积核大小为3×3，每层卷积核数分别为128、64；编码运算过程具体表示为：
Hn＝Encoder(Sn|θen)
其中，Sn表示输入，θen表示卷积长短期记忆编码网络的相关参数，Hn表示编码后的时空特征表示；
解码器由两个卷积长短期记忆解码网络堆叠组成，第一卷积长短期记忆解码网络使用3×3尺寸的卷积核对编码后的时空特征H进行解码后的结果，再经过第二卷积长短期记忆解码网络的处理后，得到重构后的内部车辆信息
Figure BDA0003069008430000061
其中，解码器中卷积核大小为3×3，每层卷积核数分别为64、128；解码运算过程具体表示为：
Figure BDA0003069008430000062
其中，
Figure BDA0003069008430000063
表示重构后的数据，θen表示卷积长短期记忆编码网络的相关参数，θde表示卷积长短期记忆解码网络的相关参数；
利用式(1)构建自编码器训练的损失函数JMSE(θen,θde)，并利用反向传播算法对网络模型进行训练，得到训练好的自编码器模型；
Figure BDA0003069008430000064
式(1)中，Sn和
Figure BDA0003069008430000065
分别表示输入数据和重构数据。
步骤1.4.使用训练好的自编码器模型重构VCC网络内部的车辆数据，并将重构数据与输入数据之间的误差作为异常值；损失函数可以做到对于正常车辆信息，其重构误差尽量小，对于异常车辆信息，其重构误差尽量大。从而在对输入数据进行重构时，正常车辆信息的重构误差会远小于异常车辆信息的重构误差，提高最终检测的准确性。重构误差error的计算公式为：
Figure BDA0003069008430000066
步骤1.5.若异常值高于所设置的阈值，则将相应的输入数据识别为异常，反之，则为正常。
步骤2.参阅图1b，VCC网络外部的异常车辆检测：
步骤2.1.对请求加入VCC网络的外部车辆信息进行预处理，得到预处理后的外部车辆信息，预处理步骤与上述步骤1.1相同；
步骤2.2.提取与外部车辆申请时间最邻近的VCC网络内部的车辆信息作为正常车辆数据；如图4所示，T时刻有车辆申请加入VCC中，将用训练好的基于时空特征的神经网络模型编码车辆信息，提取隐藏层的表示。编码前VCC内的车辆信息为
Figure BDA0003069008430000071
申请加入VCC中的车辆信息为XT,其中t是距离T最近的时刻。提取距离外部车辆申请时间T最邻近的VCC内部车辆信息
Figure BDA0003069008430000072
作为正常车辆数据；
步骤2.3.利用训练好的自编码器模型的编码器分别提取预处理后的外部车辆信息的特征与正常车辆数据的特征；将距离外部车辆申请时间T最邻近的VCC内部车辆信息
Figure BDA0003069008430000073
和申请加入VCC中的车辆信息XT作为编码网络的输入，然后提取内部车辆信息在自编码器中间隐藏层的特征
Figure BDA0003069008430000074
和外部车辆信息在自编码器中间隐藏层的特征ZT。
步骤2.4.利用正常车辆数据的特征训练支持向量数据描述分类器，得到分类器的决策边界域；将提取的特征
Figure BDA0003069008430000075
输入至支持向量数据描述分类器中训练，得到一个决策边界,。支持向量数据描述分类器的目标函数为:
Figure BDA0003069008430000076
Figure BDA0003069008430000077
其中，R是超球体半径，a是超球体的球心，ε是松弛因子，C是一个权衡超球体体积和误分率的惩罚参数。结合拉格朗日乘子法，原问题的对偶问题为：
Figure BDA0003069008430000078
Figure BDA0003069008430000079
其中，αi是输入数据Xi对应的拉格朗日系数，求解对偶问题后，可以获取所有输入数据对应的拉格朗日系数。在输入的数据中，把拉格朗日系数满足0＜αi＜C的数据样本称为支持向量，假设输入数据集中属于支持向量的样本集合为V,那么超球体的球心和半径的计算公式分别为：
Figure BDA0003069008430000081
Figure BDA0003069008430000082
其中，K(Xv,Xi)是核函数。
本实例中，决策边界域是由惩罚因子C和核函数K中的参数ε决定，并采用参数寻优法对惩罚因子C和参数ε进行寻优，以找到最优参数组。
步骤2.5.使用分类器的决策边界域对VCC网络外部的车辆信息的特征进行检测，若特征在决策边界域内，则认为申请加入VCC网络的外部车辆是正常车辆，允许其加入VCC网络中，反之，则为异常车辆，不允许加入VCC网络中。如图4所示，计算外部的车辆信息的特征与支持向量数据描述分类器的超球体球心之间的距离d，若d小于超球体的半径R，则表示在决策边界域内，否则，表示不在决策边界域内。
综上所述，如图3所示，本发明方法由两个部分组成，分别是基于自编码器的内部异常车辆检测和基于支持向量数据描述的外部异常车辆检测。通过训练好的基于卷积长短期记忆神经网络的自编码器来检测内部车辆的异常，通过训练好的支持向量数据描述分类器来检测申请加入VCC的外部车辆的异常。整个模型开始工作时，对于车辆信息，先经过预处理模块进行预处理，得到丰富后的时序数据。通过自编码器来对预处理后的时序数据进行编码和解码，对于VCC内部车辆数据，计算与重构后数据的误差，若重构误差大于所设置的阈值，则该车辆是异常的。利用提取的内部正常车辆信息特征训练支持向量数据描述分类器，得到决策边界，对于申请加入VCC的外部车辆数据，通过编码器提取输入数据的特征，计算所提取的外部车辆特征数据与支持向量数据描述分类器的超球体球心之间的距离d,若d小于超球体的半径R，则认为申请加入的车辆是正常的，允许其加入VCC中，否则不允许加入。
具体地，该VCC车辆攻击检测的方法通过部署在VCC中的检测模型，可以有效地对VCC中车辆的攻击进行检测。并通过实验验证了该方法在基于深度学习的条件下对VCC中车辆攻击检测应用的有效性。此外，与未部署攻击检测模型的正常情况相比，神经网络模型的计算精度几乎不受影响。
在本申请所提供的几个实施例中，应该理解到，所揭露的基于深度学习的攻击检测模型，可以通过其它的方式实现。例如，以上所描述的由基于卷积长短期记忆神经网络构成的自编码器网络结构实施例仅仅是示意性的。编码器和解码器的构成，实际实现时可以有另外的设计方式。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本申请实施例方法的网络结构中卷积长短期记忆神经网络的层数以及的卷积长短期记忆神经网络层中的隐藏单元可以根据实际需要进行选择。

Claims (4)

1.一种基于深度学习的VCC车辆攻击检测方法，其特征是应用于由云平台、VANETs基础设施和若干车辆所构成的VCC网络中；所述VCC车辆攻击检测方法包括如下步骤：
步骤1.VCC网络内部的异常车辆检测：
步骤1.1.持续采集VCC网络内部的车辆信息并进行预处理，得到预处理后的内部车辆信息；
步骤1.2.利用卷积长短期记忆神经网络构建自编码器；所述自编码器包括编码器和解码器，均由卷积长短期记忆神经网络构造；
步骤1.3.利用预处理后的内部车辆信息对所述自编码器进行训练，得到训练好的自编码器模型；
步骤1.4.使用训练好的自编码器模型重构VCC网络内部的车辆数据，并将重构数据与输入数据之间的误差作为异常值；
步骤1.5.若异常值高于所设置的阈值，则将相应的输入数据识别为异常，反之，则为正常；
步骤2.VCC网络外部的异常车辆检测：
步骤2.1.对请求加入VCC网络的外部车辆信息进行预处理，得到预处理后的外部车辆信息；
对所述步骤1.1和步骤2.1中的预处理过程包括：
对于包含m个向量的车辆信息，选择大小为b的滑动窗口，b＞0，并将两个连续的滑动窗口重叠
Figure FDA0003850798340000011
对于每个滑动窗口，计算车辆信息中每个数据的衍生特征：范数NOR和范数差异DOR，从而得到初步处理后的车辆信息；
对于初步处理后的车辆信息，选择大小为c的滑动窗口，c＞0，并将两个连续的滑动窗口重叠
Figure FDA0003850798340000012
对于每个滑动窗口，计算初步处理后的车辆信息中每个衍生特征的统计特征，以获取衍生特征随时间的变化程度，从而得到预处理后的车辆信息；
步骤2.2.提取与外部车辆申请时间最邻近的VCC网络内部的车辆信息作为正常车辆数据；
步骤2.3.利用训练好的自编码器模型的编码器分别提取预处理后的外部车辆信息的特征与所述正常车辆数据的特征；
步骤2.4.利用所述正常车辆数据的特征训练支持向量数据描述分类器，得到分类器的决策边界域；
步骤2.5.使用分类器的决策边界域对VCC网络外部的车辆信息的特征进行检测，若特征在决策边界域内，则认为申请加入VCC网络的外部车辆是正常车辆，允许其加入VCC网络中，反之，则为异常车辆，不允许加入VCC网络中。
2.根据权利要求1所述的VCC车辆攻击检测方法，其特征在于：
所述编码器由两个卷积长短期记忆编码网络堆叠组成，第一卷积长短期记忆编码网络使用w×v尺寸的卷积核对输入的预处理后的内部车辆信息S进行编码后的结果，再经过第二卷积长短期记忆编码网络的处理后，得到编码后的时空特征表示H；
所述解码器由两个卷积长短期记忆解码网络堆叠组成，第一卷积长短期记忆解码网络使用w×v尺寸的卷积核对编码后的时空特征H进行解码后的结果，再经过第二卷积长短期记忆解码网络的处理后，得到重构后的内部车辆信息
Figure FDA0003850798340000021
其中，
Figure FDA0003850798340000022
表示重构后的第n辆内部车辆信息；
利用式(1)构建自编码器训练的损失函数JMSE(θen,θde)，并利用反向传播算法对网络模型进行训练，得到训练好的自编码器模型；
Figure FDA0003850798340000023
式(1)中，θen表示卷积长短期记忆编码网络的相关参数，θde表示卷积长短期记忆解码网络的相关参数。
3.根据权利要求1所述的VCC车辆攻击检测方法，其特征在于，对于所述步骤2.4中的决策边界域是由惩罚因子C和核函数K中的参数ε决定，并采用参数寻优法对所设定的阈值内惩罚因子C和参数ε进行寻优，以找到最优参数组。
4.根据权利要求1所述的VCC车辆攻击检测方法，其特征在于，所述步骤2.5中是计算外部的车辆信息的特征与支持向量数据描述分类器的超球体球心之间的距离d，若d小于超球体的半径R，则表示在决策边界域内，否则，表示不在决策边界域内。
CN202110533988.8A 2021-05-17 2021-05-17 一种基于深度学习的vcc车辆攻击检测方法 Active CN113255750B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110533988.8A CN113255750B (zh) 2021-05-17 2021-05-17 一种基于深度学习的vcc车辆攻击检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110533988.8A CN113255750B (zh) 2021-05-17 2021-05-17 一种基于深度学习的vcc车辆攻击检测方法

Publications (2)

Publication Number Publication Date
CN113255750A CN113255750A (zh) 2021-08-13
CN113255750B true CN113255750B (zh) 2022-11-08

Family

ID=77183424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110533988.8A Active CN113255750B (zh) 2021-05-17 2021-05-17 一种基于深度学习的vcc车辆攻击检测方法

Country Status (1)

Country Link
CN (1) CN113255750B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113859250B (zh) * 2021-10-14 2023-10-10 泰安北航科技园信息科技有限公司 一种基于驾驶行为异常识别的智能网联汽车信息安全威胁检测系统
CN114978579A (zh) * 2022-04-08 2022-08-30 联合汽车电子有限公司 一种信息处理方法、异常检测装置、介质及车载控制器

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104869126A (zh) * 2015-06-19 2015-08-26 中国人民解放军61599部队计算所 一种网络入侵异常检测方法
CN107608810A (zh) * 2017-08-24 2018-01-19 北京寄云鼎城科技有限公司 一种基于迭代的异常检测方法和检测装置
WO2018162628A1 (en) * 2017-03-10 2018-09-13 Irdeto B.V. Secured system operation
CN108848095A (zh) * 2018-06-22 2018-11-20 安徽大学 SDN环境下基于双熵的服务器DDoS攻击检测与防御方法
CN109948424A (zh) * 2019-01-22 2019-06-28 四川大学 一种基于加速度运动特征描述子的群体异常行为检测方法
CN110533112A (zh) * 2019-09-04 2019-12-03 天津神舟通用数据技术有限公司 车联网大数据跨域分析融合方法
CN110691100A (zh) * 2019-10-28 2020-01-14 中国科学技术大学 基于深度学习的分层网络攻击识别与未知攻击检测方法
CN110826054A (zh) * 2019-11-05 2020-02-21 哈尔滨工业大学 一种基于报文数据场特征的车载can总线入侵检测方法
CN110991504A (zh) * 2019-11-22 2020-04-10 齐鲁工业大学 基于motcn-ae的多维时间序列异常值检测方法及系统
CN111294341A (zh) * 2020-01-17 2020-06-16 成都信息工程大学 基于自编码器和递归神经网络的车载系统入侵检测方法
WO2020159439A1 (en) * 2019-01-29 2020-08-06 Singapore Telecommunications Limited System and method for network anomaly detection and analysis
CN111865932A (zh) * 2020-06-30 2020-10-30 哈尔滨工程大学 基于上下文关联注意力机制和简化lstm网络的入侵检测方法
CN111967502A (zh) * 2020-07-23 2020-11-20 电子科技大学 一种基于条件变分自编码器的网络入侵检测方法
CN112491854A (zh) * 2020-11-19 2021-03-12 郑州迪维勒普科技有限公司 一种基于fcnn的多方位安全入侵检测方法及系统
CN112622862A (zh) * 2020-12-24 2021-04-09 北京理工大学前沿技术研究院 一种自动驾驶汽车制动异常/攻击在线监测方法及系统
CN112671701A (zh) * 2020-11-03 2021-04-16 北京航空航天大学合肥创新研究院 基于车载网络异常行为特征驱动的车载终端入侵检测方法
CN112765896A (zh) * 2021-01-29 2021-05-07 湖南大学 一种基于lstm的水处理时序数据异常检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10931687B2 (en) * 2018-02-20 2021-02-23 General Electric Company Cyber-attack detection, localization, and neutralization for unmanned aerial vehicles

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104869126A (zh) * 2015-06-19 2015-08-26 中国人民解放军61599部队计算所 一种网络入侵异常检测方法
WO2018162628A1 (en) * 2017-03-10 2018-09-13 Irdeto B.V. Secured system operation
CN107608810A (zh) * 2017-08-24 2018-01-19 北京寄云鼎城科技有限公司 一种基于迭代的异常检测方法和检测装置
CN108848095A (zh) * 2018-06-22 2018-11-20 安徽大学 SDN环境下基于双熵的服务器DDoS攻击检测与防御方法
CN109948424A (zh) * 2019-01-22 2019-06-28 四川大学 一种基于加速度运动特征描述子的群体异常行为检测方法
WO2020159439A1 (en) * 2019-01-29 2020-08-06 Singapore Telecommunications Limited System and method for network anomaly detection and analysis
CN110533112A (zh) * 2019-09-04 2019-12-03 天津神舟通用数据技术有限公司 车联网大数据跨域分析融合方法
CN110691100A (zh) * 2019-10-28 2020-01-14 中国科学技术大学 基于深度学习的分层网络攻击识别与未知攻击检测方法
CN110826054A (zh) * 2019-11-05 2020-02-21 哈尔滨工业大学 一种基于报文数据场特征的车载can总线入侵检测方法
CN110991504A (zh) * 2019-11-22 2020-04-10 齐鲁工业大学 基于motcn-ae的多维时间序列异常值检测方法及系统
CN111294341A (zh) * 2020-01-17 2020-06-16 成都信息工程大学 基于自编码器和递归神经网络的车载系统入侵检测方法
CN111865932A (zh) * 2020-06-30 2020-10-30 哈尔滨工程大学 基于上下文关联注意力机制和简化lstm网络的入侵检测方法
CN111967502A (zh) * 2020-07-23 2020-11-20 电子科技大学 一种基于条件变分自编码器的网络入侵检测方法
CN112671701A (zh) * 2020-11-03 2021-04-16 北京航空航天大学合肥创新研究院 基于车载网络异常行为特征驱动的车载终端入侵检测方法
CN112491854A (zh) * 2020-11-19 2021-03-12 郑州迪维勒普科技有限公司 一种基于fcnn的多方位安全入侵检测方法及系统
CN112622862A (zh) * 2020-12-24 2021-04-09 北京理工大学前沿技术研究院 一种自动驾驶汽车制动异常/攻击在线监测方法及系统
CN112765896A (zh) * 2021-01-29 2021-05-07 湖南大学 一种基于lstm的水处理时序数据异常检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Detecting Attacks Smartly in Vehicle Cloud Computing;Wei Zhang等;《UIC/ATC/ScalCom/CBDCom/IoP/SmartWorld》;20170116;245-252 *
Long Short-Term Memory Neural Network-Based Attack Detection Model for In-Vehicle Network Security;Zadid Khan等;《IEEE Sensors Letters》;20200630;第4卷(第6期);1-4 *
车联网异常检测及数据恢复技术研究;张倩;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190215;第2019年卷(第2期);C034-456 *
车载网络异常检测技术研究;安童乐;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210515;第2021年卷(第5期);C035-208 *

Also Published As

Publication number Publication date
CN113255750A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
Shao et al. Task-oriented communication for multidevice cooperative edge inference
CN113255750B (zh) 一种基于深度学习的vcc车辆攻击检测方法
CN113905391A (zh) 集成学习网络流量预测方法、系统、设备、终端、介质
CN111695435B (zh) 基于深度混合编解码神经网络的驾驶员行为识别方法
CN114783608A (zh) 基于图自编码器的慢病人群疾病风险预测模型的构建方法
CN113328755A (zh) 一种面向边缘计算的压缩数据传输方法
CN113361559A (zh) 基于深宽度联合神经网络的多模态数据知识信息提取方法
CN114067162A (zh) 一种基于多尺度多粒度特征解耦的图像重构方法及系统
Wang et al. Deep joint source-channel coding for multi-task network
CN114817773A (zh) 一种基于多级分解和融合的时序预测系统及方法
CN111141879B (zh) 一种深度学习的空气质量监测方法以及装置、设备
CN115168443A (zh) 一种基于gcn-lstm和注意力机制的异常检测方法及系统
CN113971440A (zh) 一种基于深度聚类的无监督雷达信号分选方法
Yang et al. Efficient asynchronous federated learning research in the internet of vehicles
CN117217368A (zh) 预测模型的训练方法、装置、设备、介质及程序产品
Zhang et al. An intrusion detection method based on stacked sparse autoencoder and improved gaussian mixture model
CN115470799B (zh) 一种用于网络边缘设备的文本传输和语义理解一体化方法
CN114819196B (zh) 基于噪音蒸馏的联邦学习系统及方法
CN114332699B (zh) 路况预测方法、装置、设备及存储介质
CN116647391A (zh) 基于并行自编码器与权重丢弃的网络入侵检测方法及系统
CN116155873A (zh) 一种云边协同的图像处理方法、系统、设备及介质
CN115295018A (zh) 基于贝叶斯网络的基音周期调制信息隐藏检测方法
CN112950933B (zh) 一种新型时空特征的车流量预测的方法
CN115348182A (zh) 一种基于深度堆栈自编码器的长期频谱预测方法
Wei et al. Compression and storage algorithm of key information of communication data based on backpropagation neural network

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