CN114019940A - 用于检测异常的方法和装置 - Google Patents
用于检测异常的方法和装置 Download PDFInfo
- Publication number
- CN114019940A CN114019940A CN202111293053.3A CN202111293053A CN114019940A CN 114019940 A CN114019940 A CN 114019940A CN 202111293053 A CN202111293053 A CN 202111293053A CN 114019940 A CN114019940 A CN 114019940A
- Authority
- CN
- China
- Prior art keywords
- detected
- message
- dimensional space
- vehicle
- points
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000010606 normalization Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Small-Scale Networks (AREA)
Abstract
本申请实施例公开了用于检测异常的方法和装置。该方法的一具体实施方式包括：获取待检测车载网络的待检测控制器局域网CAN消息；将待检测CAN消息转化为N维空间上的待检测点；将待检测点输入至待检测车载网络的预先训练的CAN消息分布模型，得到待检测点的分布情况；基于待检测点的分布情况，生成待检测CAN消息的异常检测结果。该实施方式将CAN消息转化为N维空间上的点，基于点的分布情况对CAN消息进行异常检测，提高了异常检测的准确度，有助于阻止车辆入侵事件的发生。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及用于检测异常的方法和装置。
背景技术
车载网络CAN(Controller Area Network，控制器局域网)消息边界检测技术是能够检测在车载网络中传输的不符合当前车型DBC文档规定的异常CAN消息的技术。在当今互联网的浪潮中，车联网、自动驾驶等技术相继出现，带来了巨大的价值。但是与此同时不断发生的“黑客”通过网络技术袭击车辆的事件，也让人们认识到了它的安全风险。车载网络作为车辆信息安全的最后一道防线，其信息安全显得尤为重要。
目前，CAN消息边界检测技术普遍采用如下两种方案来解决。其一，使用深度学习预测。该方案使用DNN(Deep Neural Networks，深度神经网络)等深度学习技术，通过对收集到的CAN消息进行模型训练，利用当前历史最新的一定数量的CAN消息来预测未来下一条CAN消息，然后将预测的CAN消息与实际接收到的CAN消息进行比较，确定是否在能够接受的误差范围内，从而判断当前CAN消息是否异常。然而，该方案与CAN消息的时序有关，而车载网络的很多CAN消息是人为触发的，不具有规律性，其检测准确率较低。其二，使用硬编码来判断。该方案是利用DBC文档规定的CAN消息格式，采用程序设计语言来进行逻辑判断是否符合DBC文档规定的消息格式，从而识别出异常CAN消息。然而，该方案仅在已知CAN消息格式的情况下，能够高可靠的识别异常CAN消息，但是大部分无法得到CAN消息的具体格式的场景下无法应用，其应用范围有限。
发明内容
本申请实施例提出了用于检测异常的方法和装置。
第一方面，本申请实施例提出了一种用于检测异常的方法，包括：获取待检测车载网络的待检测控制器局域网CAN消息；将待检测CAN消息转化为N维空间上的待检测点；将待检测点输入至待检测车载网络的预先训练的CAN消息分布模型，得到待检测点的分布情况；基于待检测点的分布情况，生成待检测CAN消息的异常检测结果。
在一些实施例中，将待检测CAN消息转化为N维空间上的待检测点，包括：对待检测CAN消息进行数据维度划分和归一化处理，生成N维空间上的待检测点。
在一些实施例中，对待检测CAN消息进行数据维度划分和归一化处理，生成N维空间上的待检测点，包括：将待检测CAN消息划分为N部分，其中，待检测CAN消息是M位二进制数，N部分中的每部分包括至少一位二进制数；将N部分中的每部分转化为十进制数，生成待检测CAN消息对应的N维坐标点。
在一些实施例中，CAN消息分布模型通过如下步骤训练：获取训练样本集，其中，训练样本集中的训练样本包括待检测车载网络的正常CAN消息；将训练样本集转化为N维空间上的点集；基于点集训练出点集的范围分布表达式，作为CAN消息分布模型。
在一些实施例中，基于点集训练出点集的范围分布表达式，作为CAN消息分布模型，包括：在N维空间上确定包含点集的封闭几何图形，以及将封闭几何图形作为CAN消息分布模型。
在一些实施例中，在N维空间上确定包含点集的封闭几何图形，以及将封闭几何图形作为CAN消息分布模型，包括：在N维空间上学习点集的几何边界的表达式，将几何边界的表达式作为CAN消息分布模型。
第二方面，本申请实施例提出了一种用于检测异常的装置，包括：获取单元，被配置成获取待检测车载网络的待检测控制器局域网CAN消息；转化单元，被配置成将待检测CAN消息转化为N维空间上的待检测点；输入单元，被配置成将待检测点输入至待检测车载网络的预先训练的CAN消息分布模型，得到待检测点的分布情况；生成单元，被配置成基于待检测点的分布情况，生成待检测CAN消息的异常检测结果。
在一些实施例中，转化单元包括：生成子单元，被配置成对待检测CAN消息进行数据维度划分和归一化处理，生成N维空间上的待检测点。
在一些实施例中，生成子单元包括：划分模块，被配置成将待检测CAN消息划分为N部分，其中，待检测CAN消息是M位二进制数，N部分中的每部分包括至少一位二进制数；生成模块，被配置成将N部分中的每部分转化为十进制数，生成待检测CAN消息对应的N维坐标点。
在一些实施例中，CAN消息分布模型通过如下步骤训练：获取训练样本集，其中，训练样本集中的训练样本包括待检测车载网络的正常CAN消息；将训练样本集转化为N维空间上的点集；基于点集训练出点集的范围分布表达式，作为CAN消息分布模型。
在一些实施例中，基于点集训练出点集的范围分布表达式，作为CAN消息分布模型，包括：在N维空间上确定包含点集的封闭几何图形，以及将封闭几何图形作为CAN消息分布模型。
在一些实施例中，在N维空间上确定包含点集的封闭几何图形，以及将封闭几何图形作为CAN消息分布模型，包括：在N维空间上学习点集的几何边界的表达式，将几何边界的表达式作为CAN消息分布模型。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于检测异常的方法和装置，首先获取待检测车载网络的待检测控制器局域网CAN消息；之后将待检测CAN消息转化为N维空间上的待检测点；然后将待检测点输入至待检测车载网络的预先训练的CAN消息分布模型，得到待检测点的分布情况；最后基于待检测点的分布情况，生成待检测CAN消息的异常检测结果。将CAN消息转化为N维空间上的点，基于点的分布情况对CAN消息进行异常检测，该方法不依赖于CAN消息的时序，提高了异常检测的准确度，有助于阻止车辆入侵事件的发生。此外，该方法可以应用于任何格式的CAN消息的异常检测，其应用范围广泛。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构；
图2是根据本申请的用于检测异常的方法的一个实施例的流程图；
图3是根据本申请的用于检测异常的方法的又一个实施例的流程图；
图4是根据本申请的CAN消息分布模型训练方法的一个实施例的流程图；
图5是CAN消息在二维空间上的点集范围分布图；
图6是根据本申请的用于检测异常的装置的一个实施例的结构示意图；
图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于检测异常的方法或用于检测异常的装置的实施例的示例性系统架构100。
如图1所示，系统架构100中可以包括车辆101、网络102和服务器103。网络102用以在车辆101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
车辆101可以是车联网中的车辆或自动驾驶车辆。
服务器103可以是提供各种服务的服务器。例如车辆101的后台服务器。车辆101的后台服务器可以对从车辆101获取到的待检测CAN消息等数据进行分析等处理，并生成处理结果(例如待检测CAN消息的异常检测结果)。
需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的用于检测异常的方法一般由服务器103执行，相应地，用于检测异常的装置一般设置于服务器103中。
应该理解，图1中的车辆、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的车辆、网络和服务器。
继续参考图2，其示出了根据本申请的用于检测异常的方法的一个实施例的流程200。该用于检测异常的方法包括以下步骤：
步骤201，获取待检测车载网络的待检测控制器局域网CAN消息。
在本实施例中，用于检测异常的方法的执行主体(例如图1所示的服务器103)可以获取待检测车载网络的待检测CAN消息。其中，待检测车载网络可以是任一车型的车辆的车载网络。CAN消息可以是通过CAN总线传递的消息，包括正常CAN消息和异常CAN消息。正常CAN消息可以是实现车辆正常行驶的消息，包括但不限于车辆上的各种传感器数据、控制车辆行驶的各种指令消息等等。异常CAN消息可以是导致车辆异常行驶的消息，例如入侵车辆的消息。待检测CAN消息可以是通过CAN总线传递的任一消息。
步骤202，将待检测CAN消息转化为N维空间上的待检测点。
在本实施例中，上述执行主体可以将待检测CAN消息转化为N维空间上的待检测点。通常，在待检测车载网络中，一个CAN消息可以转化为N维空间上的唯一一个点。待检测车载网络的CAN消息可以对应N维空间上的一个封闭范围，正常CAN消息可以分布在该封闭范围内，异常CAN消息可以分布在该封闭范围外。
步骤203，将待检测点输入至待检测车载网络的预先训练的CAN消息分布模型，得到待检测点的分布情况。
在本实施例中，上述执行主体可以将待检测点输入至待检测车载网络的CAN消息分布模型，得到待检测点的分布情况。其中，CAN消息分布模型可以用于确定待检测点的分布情况。通常，CAN消息分布模型可以确定待检测点是否分布在待检测车载网络的CAN消息对应的封闭范围内。
步骤204，基于待检测点的分布情况，生成待检测CAN消息的异常检测结果。
在本实施例中，上述执行主体可以基于待检测点的分布情况，生成待检测CAN消息的异常检测结果。通常，若待检测点分布在待检测车载网络的CAN消息对应的封闭范围内，则其对应的待检测CAN消息是正常CAN消息。若待检测点分布在待检测车载网络的CAN消息对应的封闭范围外，则其对应的待检测CAN消息是异常CAN消息。
本申请实施例提供的用于检测异常的方法，首先获取待检测车载网络的待检测控制器局域网CAN消息；之后将待检测CAN消息转化为N维空间上的待检测点；然后将待检测点输入至待检测车载网络的预先训练的CAN消息分布模型，得到待检测点的分布情况；最后基于待检测点的分布情况，生成待检测CAN消息的异常检测结果。将CAN消息转化为N维空间上的点，基于点的分布情况对CAN消息进行异常检测，该方法不依赖于CAN消息的时序，提高了异常检测的准确度，有助于阻止车辆入侵事件的发生。此外，该方法可以应用于任何格式的CAN消息的异常检测，其应用范围广泛。
进一步参考图3，其示出了根据本申请的用于检测异常的方法的又一个实施例的流程300。该用于检测异常的方法包括以下步骤：
步骤301，获取待检测车载网络的待检测控制器局域网CAN消息。
步骤302，对待检测CAN消息进行数据维度划分和归一化处理，生成N维空间上的待检测点。
在本实施例中，用于检测异常的方法的执行主体(例如图1所示的服务器103)可以对待检测CAN消息进行数据维度划分和归一化处理，生成N维空间上的待检测点。通常，待检测CAN消息可以是M位二进制数(例如64位二进制数)，其具体的表达方式由车型对应的DBC文档进行约束。上述执行主体可以将待检测CAN消息划分为N部分，其中，N不大于M，N部分中的每部分包括至少一位二进制数。随后，上述执行主体可以将N部分中的每部分转化为十进制数，生成待检测CAN消息对应的N维坐标点。
为了便于理解，以二维空间为例，上述执行主体可以将待检测CAN消息的64位二进制数划分为前32位二进制数部分和后32位二进制数部分。随后，上述执行主体可以将前32位二进制数部分转化为十进制数，作为二维空间上的待检测点的横坐标，同理，将后32位二进制数部分转化为十进制数，作为二维空间上的待检测点的纵坐标。这样，就将待检测CAN消息转化为了二维空间上的待检测点。
步骤303，将待检测点输入至待检测车载网络的预先训练的CAN消息分布模型，得到待检测点的分布情况。
步骤304，基于待检测点的分布情况，生成待检测CAN消息的异常检测结果。
在本实施例中，步骤301-302、304的具体操作已在图2所示的实施例中步骤201-202、204中进行了详细的介绍，在此不再赘述。
从图3中可以看出，与图2对应的实施例相比，本实施例中的用于检测异常的方法的流程300突出了将CAN消息转化为N维空间上的点的步骤。由此，本实施例描述的方案通过数据维度划分和归一化处理，实现了CAN消息到N维空间上的点的快速转化。
进一步参考图4，其示出了根据本申请的CAN消息分布模型训练方法的一个实施例的流程400。该CAN消息分布模型训练方法包括以下步骤：
步骤401，获取训练样本集。
在本实施例中，CAN消息分布模型训练方法的执行主体(例如图1所示的服务器103)可以获取训练样本集。其中，训练样本集中的一个训练样本可以包括待检测车载网络的一条正常CAN消息。上述执行主体可以收集待检测车载网络的大量正常CAN消息，生成训练样本集。
步骤402，将训练样本集转化为N维空间上的点集。
在本实施例中，上述执行主体可以将训练样本集转化为N维空间上的点集。其中，一个训练样本可以转化为N维空间上的唯一一个点。
应当理解的是，将训练样本转化为N维空间上的点的方法可参照将待检测CAN消息转化为N维空间上的待检测点的方法，这里不再赘述。
步骤403，基于点集训练出点集的范围分布表达式，作为CAN消息分布模型。
在本实施例中，上述执行主体可以基于N维空间上的点集训练出点集的范围分布表达式，作为CAN消息分布模型。通常，在N维空间上总能找到某个规则或不规则的封闭范围，使N维空间上的点集处于该封闭范围内。上述执行主体可以学习该封闭范围的边界的表达式，即为N维空间上的点集的范围分布表达式。
为了便于理解，以二维空间为例，图5示出了CAN消息在二维空间上的点集范围分布图。其中，灰色部分代表正常CAN消息在N维空间上的点所在的范围。白色部分代表异常CAN消息在N维空间上的点所在的范围。
在本实施例的一些可选的实现方式中，上述执行主体可以在N维空间上确定包含点集的封闭几何图形，以及将封闭几何图形作为CAN消息分布模型。具体地，上述执行主体可以在N维空间上学习点集的几何边界的表达式，将几何边界的表达式作为CAN消息分布模型。
进一步参考图6，作为对上述各图所示的方法的实现，本申请提供了一种用于检测异常的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的用于检测异常的装置600可以包括：获取单元601、转化单元602、输入单元603和生成单元604。其中，获取单元601，被配置成获取待检测车载网络的待检测控制器局域网CAN消息；转化单元602，被配置成将待检测CAN消息转化为N维空间上的待检测点；输入单元603，被配置成将待检测点输入至待检测车载网络的预先训练的CAN消息分布模型，得到待检测点的分布情况；生成单元604，被配置成基于待检测点的分布情况，生成待检测CAN消息的异常检测结果。
在本实施例中，用于检测异常的装置600中：获取单元601、转化单元602、输入单元603和生成单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，转化单元602包括：生成子单元(图中未示出)，被配置成对待检测CAN消息进行数据维度划分和归一化处理，生成N维空间上的待检测点。
在本实施例的一些可选的实现方式中，生成子单元包括：划分模块(图中未示出)，被配置成将待检测CAN消息划分为N部分，其中，待检测CAN消息是M位二进制数，N部分中的每部分包括至少一位二进制数；生成模块(图中未示出)，被配置成将N部分中的每部分转化为十进制数，生成待检测CAN消息对应的N维坐标点。
在本实施例的一些可选的实现方式中，CAN消息分布模型通过如下步骤训练：获取训练样本集，其中，训练样本集中的训练样本包括待检测车载网络的正常CAN消息；将训练样本集转化为N维空间上的点集；基于点集训练出点集的范围分布表达式，作为CAN消息分布模型。
在本实施例的一些可选的实现方式中，基于点集训练出点集的范围分布表达式，作为CAN消息分布模型，包括：在N维空间上确定包含点集的封闭几何图形，以及将封闭几何图形作为CAN消息分布模型。
在本实施例的一些可选的实现方式中，在N维空间上确定包含点集的封闭几何图形，以及将封闭几何图形作为CAN消息分布模型，包括：在N维空间上学习点集的几何边界的表达式，将几何边界的表达式作为CAN消息分布模型。
下面参考图7，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器103)的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或电子设备上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、转化单元、输入单元和生成单元。其中，这些单元的名称在种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待检测车载网络的待检测控制器局域网CAN消息的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待检测车载网络的待检测控制器局域网CAN消息；将待检测CAN消息转化为N维空间上的待检测点；将待检测点输入至待检测车载网络的预先训练的CAN消息分布模型，得到待检测点的分布情况；基于待检测点的分布情况，生成待检测CAN消息的异常检测结果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种用于检测异常的方法，包括：
获取待检测车载网络的待检测控制器局域网CAN消息，其中，CAN消息包括正常CAN消息和异常CAN消息，所述正常CAN消息包括车辆上的各种传感器数据或控制车辆行驶的各种指令消息；
将所述待检测CAN消息转化为N维空间上的待检测点；
将所述待检测点输入至所述待检测车载网络的预先训练的CAN消息分布模型，得到所述待检测点的分布情况；
基于所述待检测点的分布情况，生成所述待检测CAN消息的异常检测结果；
其中，所述将所述待检测CAN消息转化为N维空间上的待检测点，包括：
将所述待检测CAN消息划分为N部分，其中，所述待检测CAN消息是M位二进制数，所述N部分中的每部分包括至少一位二进制数；
将所述N部分中的每部分转化为十进制数，生成所述待检测CAN消息对应的N维坐标点。
2.根据权利要求1所述的方法，其中，所述CAN消息分布模型通过如下步骤训练：
获取训练样本集，其中，所述训练样本集中的训练样本包括所述待检测车载网络的正常CAN消息；
将所述训练样本集转化为所述N维空间上的点集；
基于所述点集训练出所述点集的范围分布表达式，作为所述CAN消息分布模型。
3.根据权利要求2所述的方法，其中，所述基于所述点集训练出所述点集的范围分布表达式，作为所述CAN消息分布模型，包括：
在所述N维空间上确定包含所述点集的封闭几何图形，以及将所述封闭几何图形作为所述CAN消息分布模型。
4.根据权利要求3所述的方法，其中，所述在所述N维空间上确定包含所述点集的封闭几何图形，以及将所述封闭几何图形作为所述CAN消息分布模型，包括：
在所述N维空间上学习所述点集的几何边界的表达式，将所述几何边界的表达式作为所述CAN消息分布模型。
5.一种用于检测异常的装置，包括：
获取单元，被配置成获取待检测车载网络的待检测控制器局域网CAN消息，其中，CAN消息包括正常CAN消息和异常CAN消息，所述正常CAN消息包括车辆上的各种传感器数据或控制车辆行驶的各种指令消息；
转化单元，被配置成将所述待检测CAN消息转化为N维空间上的待检测点；
输入单元，被配置成将所述待检测点输入至所述待检测车载网络的预先训练的CAN消息分布模型，得到所述待检测点的分布情况；
生成单元，被配置成基于所述待检测点的分布情况，生成所述待检测CAN消息的异常检测结果；
其中，所述转化单元包括：
划分模块，被配置成将所述待检测CAN消息划分为N部分，其中，所述待检测CAN消息是M位二进制数，所述N部分中的每部分包括至少一位二进制数；
生成模块，被配置成将所述N部分中的每部分转化为十进制数，生成所述待检测CAN消息对应的N维坐标点。
6.根据权利要求5所述的装置，其中，所述CAN消息分布模型通过如下步骤训练：
获取训练样本集，其中，所述训练样本集中的训练样本包括所述待检测车载网络的正常CAN消息；
将所述训练样本集转化为所述N维空间上的点集；
基于所述点集训练出所述点集的范围分布表达式，作为所述CAN消息分布模型。
7.根据权利要求6所述的装置，其中，所述基于所述点集训练出所述点集的范围分布表达式，作为所述CAN消息分布模型，包括：
在所述N维空间上确定包含所述点集的封闭几何图形，以及将所述封闭几何图形作为所述CAN消息分布模型。
8.根据权利要求7所述的装置，其中，所述在所述N维空间上确定包含所述点集的封闭几何图形，以及将所述封闭几何图形作为所述CAN消息分布模型，包括：
在所述N维空间上学习所述点集的几何边界的表达式，将所述几何边界的表达式作为所述CAN消息分布模型。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111293053.3A CN114019940A (zh) | 2020-03-02 | 2020-03-02 | 用于检测异常的方法和装置 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010135811.8A CN111338318B (zh) | 2020-03-02 | 2020-03-02 | 用于检测异常的方法和装置 |
| CN202111293053.3A CN114019940A (zh) | 2020-03-02 | 2020-03-02 | 用于检测异常的方法和装置 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010135811.8A Division CN111338318B (zh) | 2020-03-02 | 2020-03-02 | 用于检测异常的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114019940A true CN114019940A (zh) | 2022-02-08 |
Family
ID=71184097
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111310191.8A Pending CN114035544A (zh) | 2020-03-02 | 2020-03-02 | 用于检测异常的方法和装置 |
| CN202010135811.8A Active CN111338318B (zh) | 2020-03-02 | 2020-03-02 | 用于检测异常的方法和装置 |
| CN202111293053.3A Pending CN114019940A (zh) | 2020-03-02 | 2020-03-02 | 用于检测异常的方法和装置 |
Family Applications Before (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111310191.8A Pending CN114035544A (zh) | 2020-03-02 | 2020-03-02 | 用于检测异常的方法和装置 |
| CN202010135811.8A Active CN111338318B (zh) | 2020-03-02 | 2020-03-02 | 用于检测异常的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (3) | CN114035544A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015170121A (ja) * | 2014-03-06 | 2015-09-28 | 株式会社豊田中央研究所 | 異常診断装置及びプログラム |
| CN107786368A (zh) * | 2016-08-31 | 2018-03-09 | 华为技术有限公司 | 异常节点检测方法以及相关装置 |
| CN108112016A (zh) * | 2016-11-24 | 2018-06-01 | 腾讯科技（深圳）有限公司 | 无线局域网安全评估方法及装置 |
| WO2018105320A1 (ja) * | 2016-12-06 | 2018-06-14 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 情報処理装置、情報処理方法及びプログラム |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102299911B (zh) * | 2011-06-22 | 2014-04-30 | 天津大学 | 基于同心轴多维数据可视化模型检测DDos攻击的方法 |
| WO2016108963A1 (en) * | 2014-12-30 | 2016-07-07 | Battelle Memorial Institute | Temporal anomaly detection on automotive networks |
| CN104793605B (zh) * | 2015-04-10 | 2017-06-20 | 北京金控数据技术股份有限公司 | 一种利用正态分布判定设备故障的方法 |
| CN113014464B (zh) * | 2016-01-08 | 2022-07-26 | 松下电器（美国）知识产权公司 | 异常检测方法、异常检测装置及异常检测系统 |
| JP6782679B2 (ja) * | 2016-12-06 | 2020-11-11 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ | 情報処理装置、情報処理方法及びプログラム |
| US20180300477A1 (en) * | 2017-04-13 | 2018-10-18 | Argus Cyber Security Ltd. | In-vehicle cyber protection |
| US10326788B1 (en) * | 2017-05-05 | 2019-06-18 | Symantec Corporation | Systems and methods for identifying suspicious controller area network messages |
| US10308242B2 (en) * | 2017-07-01 | 2019-06-04 | TuSimple | System and method for using human driving patterns to detect and correct abnormal driving behaviors of autonomous vehicles |
| CN107992026B (zh) * | 2017-12-13 | 2020-09-08 | 南京越博动力系统股份有限公司 | 一种基于labveiw的解析dbc分析报文的方法 |
| CN109144039B (zh) * | 2018-11-04 | 2021-06-22 | 兰州理工大学 | 一种基于时序扩展和邻域保持极限学习机的间歇过程故障检测方法 |
-
2020
- 2020-03-02 CN CN202111310191.8A patent/CN114035544A/zh active Pending
- 2020-03-02 CN CN202010135811.8A patent/CN111338318B/zh active Active
- 2020-03-02 CN CN202111293053.3A patent/CN114019940A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015170121A (ja) * | 2014-03-06 | 2015-09-28 | 株式会社豊田中央研究所 | 異常診断装置及びプログラム |
| CN107786368A (zh) * | 2016-08-31 | 2018-03-09 | 华为技术有限公司 | 异常节点检测方法以及相关装置 |
| CN108112016A (zh) * | 2016-11-24 | 2018-06-01 | 腾讯科技（深圳）有限公司 | 无线局域网安全评估方法及装置 |
| WO2018105320A1 (ja) * | 2016-12-06 | 2018-06-14 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 情報処理装置、情報処理方法及びプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111338318B (zh) | 2021-12-14 |
| CN114035544A (zh) | 2022-02-11 |
| CN111338318A (zh) | 2020-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111046027B (zh) | 时间序列数据的缺失值填充方法和装置 | |
| CN114091617A (zh) | 联邦学习建模优化方法、电子设备、存储介质及程序产品 | |
| EP3637310A1 (en) | Method and apparatus for generating vehicle damage information | |
| CN108228428B (zh) | 用于输出信息的方法和装置 | |
| CN115412370B (zh) | 车辆通信数据检测方法、装置、电子设备和可读介质 | |
| CN112200173B (zh) | 多网络模型训练方法、图像标注方法和人脸图像识别方法 | |
| CN116166271A (zh) | 代码生成方法、装置、存储介质及电子设备 | |
| CN114780338A (zh) | 主机信息处理方法、装置、电子设备和计算机可读介质 | |
| JP2022520731A (ja) | デプロイされた機械学習モデルの信頼尺度 | |
| CN112651172B (zh) | 一种降雨峰值类型划分方法、装置、设备和存储介质 | |
| CN111858109B (zh) | 互斥逻辑的验证方法、装置、设备及存储介质 | |
| CN116541251B (zh) | 显示设备状态预警方法、装置、设备和计算机可读介质 | |
| US11704222B2 (en) | Event log processing | |
| CN111338318B (zh) | 用于检测异常的方法和装置 | |
| CN112232326A (zh) | 行驶信息生成方法、装置、电子设备和计算机可读介质 | |
| US20210073674A1 (en) | Automated explainer of reinforcement learning actions using occupation measures | |
| CN111049988A (zh) | 移动设备的亲密度预测方法、系统、设备及存储介质 | |
| CN111709784B (zh) | 用于生成用户留存时间的方法、装置、设备和介质 | |
| CN113822313A (zh) | 图节点异常检测方法及装置 | |
| CN112668194A (zh) | 基于页面的自动驾驶场景库信息展示方法、装置和设备 | |
| CN111310858A (zh) | 用于生成信息的方法和装置 | |
| CN114399355B (zh) | 基于用户转化率的信息推送方法、装置和电子设备 | |
| CN111709787B (zh) | 用于生成用户留存时间的方法、装置、电子设备和介质 | |
| CN110633596A (zh) | 预测车辆方向角的方法和装置 | |
| CN113469159B (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 |
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: 20220208 |