CN114884849A - 基于Adaboost的CAN总线异常检测方法及系统 - Google Patents
基于Adaboost的CAN总线异常检测方法及系统 Download PDFInfo
- Publication number
- CN114884849A CN114884849A CN202210337734.3A CN202210337734A CN114884849A CN 114884849 A CN114884849 A CN 114884849A CN 202210337734 A CN202210337734 A CN 202210337734A CN 114884849 A CN114884849 A CN 114884849A
- Authority
- CN
- China
- Prior art keywords
- data
- bus
- adaboost
- abnormal
- data frame
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/12—Network monitoring probes
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Small-Scale Networks (AREA)
Abstract
本发明公开了一种基于Adaboost的CAN总线异常检测方法及系统,该方法包括:对Adaboost模型进行训练;获取若干汽车处于正常和异常状态下的CAN数据帧包,以得到数据集B和数据集C;通过Adaboost模型分别对数据集B、C中的每一CAN数据帧进行分辨,以得到每一CAN数据帧包中异常CAN数据帧所占比例,并通过统计分析获得异常率阈值;通过Adaboost模型获得当前状态下的CAN数据帧包的异常率,将该异常率与异常率阈值作比较,并根据比较结果判定汽车的CAN总线当前处于正常或异常状态;通过上述方法,无需查阅汽车对应私有协议文档,普适性较好,对测试平台性能要求较低,可适应各种各样的测试环境,而且测试效率高,而且可实现流程自动化,无需专业人员的参与即可完成测试,节约人力成本。
Description
技术领域
本发明涉及CAN总线异常检测技术领域,尤其涉及一种基于Adaboost的CAN总线异常检测方法及系统。
背景技术
汽车中的ECU使用明文传输数据,存在缺乏安全检测机制的隐患,以及潜在的网络安全风险。为了发现CAN总线网络中潜在的网络安全漏洞,传统的异常检测机制主要基于汽车开发商根据CAN总线私有协议制定,通用性较差,且在测试环境中很难有效监控CAN总线网络。另外,在嵌入式系统、网络节点设备和服务器中,异常检测工具可通过分析目标系统返回的数据是否符合预期来判断是否存在异常行为,或者查询目标系统的日志,在目标系统上安装一个监控程序来监控其系统资源,由此可有效判断系统是否存在异常行为,但是汽车中ECU不同,其固件相对简单,没有操作系统,且部分ECU具有基于“请求-响应”的访问控制机制,这使得在ECU上安装异常监控程序较难。因此,由于汽车消息传输网络的封闭性,使得很难在CAN总线网络中使用与传统网络设备类似的异常检测方法并获得好的检测效果。
发明内容
本发明的目的是为解决上述技术问题而提供一种无需查阅汽车对应私有协议文档、普适性较好且无需专业人员即可对汽车的CAN总线的安全状态进行检测的基于Adaboost的CAN总线异常检测方法及系统。
为了实现上述目的,本发明公开了一种基于Adaboost的CAN总线异常检测方法,其包括:
采用基础数据对Adaboost模型进行训练,使得训练好的所述Adaboost模型具备对所述CAN数据帧的异常分辨的能力;
获取若干汽车处于正常状态下的CAN数据帧包,以得到数据集B;
获取若干汽车处于异常状态下的CAN数据帧包,以得到数据集C;
通过所述Adaboost模型分别对所述数据集B、C中的每一CAN数据帧包中的每一CAN数据帧进行分辨,以得到每一所述CAN数据帧包中异常CAN数据帧所占比例,并通过统计分析获得用于判定CAN总线处于正常状态或异常状态的CAN数据帧包的异常率阈值;
通过所述Adaboost模型获得当前状态下的CAN数据帧包的异常率,将该异常率与所述异常率阈值作比较,并根据比较结果判定汽车的CAN总线当前处于正常或异常状态。
较佳地,用于训练所述Adaboost模型的基础数据的获取方法包括:
采集汽车CAN总线中传输的所述CAN数据帧,以获得用作所述基础数据的数据集A,所述数据集A中包括若干已知属于正常数据的CAN数据帧和若干已知属于异常数据的CAN数据帧。
较佳地,,采用数据集A对所述Adaboost模型进行训练前,还包括对所述数据集A进行处理的预处理步骤:
将所述CAN数据帧中的标识符、数据域部分数据提取并存储到目标文件,并在所述目标文件中为与每一所述CAN数据帧所对应的数据条添加状态标识符,所述状态标识符表示该CAN数据帧为正常状态或异常状态。
较佳地,通过OBD接口采集CAN总线上传输的CAN数据帧。
本发明还公开一种基于Adaboost的CAN总线异常检测系统,其包括模型训练模块、第一数据采集模块、第二数据采集模块、阈值生成模块、检测模块以及比对模块;
所述模型训练模块,用于采用基础数据对Adaboost模型进行训练,使得训练好的所述Adaboost模型具备对所述CAN数据帧的异常分辨的能力;
所述第一数据采集模块,用于获取若干汽车处于正常状态下的CAN数据帧包,以得到数据集B;
所述第二数据采集模块,用于获取若干汽车处于异常状态下的CAN数据帧包,以得到数据集C;
所述阈值生成模块,用于通过所述Adaboost模型分别对所述数据集B、C中的每一CAN数据帧包中的每一CAN数据帧进行分辨,以得到每一所述CAN数据帧包中异常CAN数据帧所占比例,并通过统计分析获得用于判定CAN总线处于正常状态或异常状态的CAN数据帧包的异常率阈值;
所述检测模块,用于通过Adaboost模型检测当前状态下的CAN数据帧包的异常率;
所述比对模块,用于将所述检测模块返回的所述异常率与所述异常率阈值比较,并根据比较结果判定汽车的CAN总线当前处于正常或异常状态。
较佳地,还包括训练数据采集模块,所述训练数据采集模块用于采集汽车CAN总线中传输的所述CAN数据帧,以获得用作训练所述Adaboost模型的所述基础数据的数据集A,所述数据集A中包括若干已知属于正常数据的CAN数据帧和若干已知属于异常数据的CAN数据帧。
较佳地,还包括对用于训练所述Adaboost模型的数据集A进行处理的预处理模块,所述预处理模块用于将所述CAN数据帧中的标识符、数据域部分数据提取并存储到目标文件,并在所述目标文件中为与每一所述CAN数据帧所对应的数据条添加状态标识符,所述状态标识符表示该CAN数据帧为正常状态或异常状态。
较佳地,还包括与CAN总线通信连接的OBD接口,所述OBD接口用于采集CAN总线上传输的CAN数据帧。
本发明还公开另一种基于Adaboost的CAN总线异常检测系统,其包括:
一个或多个处理器;
存储器;
以及一个或多个程序,其中一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的基于Adaboost的CAN总线异常检测方法的指令。
本发明还公开一种计算机可读存储介质,其包括计算机程序,所述计算机程序可被处理器执行以完成如上所述的基于Adaboost的CAN总线异常检测方法。
与现有技术相比,本发明CAN总线异常检测方法具有如下有益技术效果:
1、根据CAN总线内的数据帧进行数据挖掘与分析,无需查阅汽车对应私有协议文档,普适性较好;
2、采用Adaboost模型自动对汽车当前CAN总线中的数据进行自动检测,只需通过较简单的运算即可实现异常判定,对测试平台性能要求较低,可适应各种各样的测试环境,而且测试效率高;
3、除了在Adaboost模型训练阶段需要专业人员参与,在实际检测运行过程中,可实现流程自动化,无需专业人员的参与即可完成测试;
4、通过对CAN数据帧的直接分析,具有更高细粒度的异常监测能力,对于肉眼可见或不可见的异常行为均可监测。
附图说明
图1为本发明实施例中CAN总线异常检测方法流程图。
图2为图1中步骤S1的详细流程图。
图3为本发明实施例中CAN总线异常检测系统结构原理图。
具体实施方式
为详细说明本发明的技术内容、构造特征、所实现目的及效果,以下结合实施方式并配合附图详予说明。
本实施例公开了一种基于Adaboost的CAN总线异常检测方法,以对汽车CAN总线的异常状态进行监测,如图1,该检测方法包括如下步骤:
S1:采用基础数据对Adaboost模型进行训练,使得训练好的Adaboost模型具备对CAN数据帧的异常分辨的能力,也即可分辨出所输入的CAN数据帧属于正常属于还是异常数据。关于Adaboost模型的具体训练方式属于本领域的公知技术常识,在此不再赘述。
S2:获取若干汽车处于正常状态下的CAN数据帧包,以得到数据集B;
获取若干汽车处于异常状态下的CAN数据帧包,以得到数据集C;
S3:通过Adaboost模型分别对数据集B、C中的每一CAN数据帧包中的每一CAN数据帧进行分辨,以得到每一CAN数据帧包中异常CAN数据帧所占比例,也即,将数据集B中的每一CAN数据帧包中的每一CAN数据帧导入Adaboost模型,通过Adaboost模型分辨每一CAN数据帧属于正常数据还是异常数据,然后计算该CAN数据帧包中属于异常数据的CAN数据帧所占比例。同理,将数据集C中的每一CAN数据帧包中的每一CAN数据帧导入Adaboost模型,通过Adaboost模型分辨每一CAN数据帧属于正常数据还是异常数据,然后计算该CAN数据帧包中属于异常数据的CAN数据帧所占比例。
S4:根据统计学原理,对步骤S3中的计算结果进行统计分析,以获得用于判定CAN总线处于正常状态或异常状态的CAN数据帧包的异常率阈值。具体地,分别统计与汽车处于正常状态和异常状态相对应的样本集中各个CAN数据帧包的异常率(也即异常CAN数据帧所占比例),然后通过对各个异常率的综合分析得到异常率阈值。
例如,选择使用包括10000条CAN数据帧的CAN数据帧包来表征汽车当前的状态,首先间隔收录十个汽车处于正常情况下的CAN数据帧包,将该十个CAN数据帧包分别交由Adaboost模型进行判断,被判断为异常的CAN数据帧的比例分别为:1.82%、1.71%、1.77%、1.79%、1.80%、1.85%、1.96%、1.68%、1.73%、1.87%。同理,收集十组汽车处于异常情况下的CAN数据帧包,将该十个CAN数据帧包分别交由Adaboost模型进行判断,被判断为异常的CAN数据帧的比例分别为:2.06%、12.14%、2.77%、6.75%、7.56%、2.79%、3.74%、4.09%、9.73%、2.70%。因此,可设定2.0%作为判明汽车CAN总线状态是否异常的阈值,错误率达到2%以上,则判定为异常,反之为正常。
S5:获取当前状态下CAN总线中的CAN数据帧包。
S6:通过Adaboost模型获得当前状态下的CAN数据帧包的异常率。
S7:将该异常率与异常率阈值作比较,并根据比较结果判定汽车的CAN总线当前处于正常或异常状态。具体地,如果当前异常率大于或等于异常率阈值,则判定汽车的CAN总线当前处于异常状态,否则处于正常状态。
在此需要说明的是,由于无法确保Adaboost模型对每一CAN数据帧都能做到绝对正确分辨,因此,本实施例中通过CAN数据帧包的异常率来判断CAN总线的状态,可有效避免由于偶然的误判造成的误检。
进一步地,在上述步骤S1中,用于训练Adaboost模型的基础数据的获取方法的步骤:
采集汽车CAN总线中传输的CAN数据帧,以获得用作基础数据的数据集A,数据集A中包括若干已知属于正常数据的CAN数据帧和若干已知属于异常数据的CAN数据帧。
更进一步地,采用数据集A对Adaboost模型进行训练前,还包括对数据集A进行处理的预处理步骤,因此,如图2,上述步骤S1包括:
S10:获取用作基础数据的数据集A。
S11:对数据集A进行数据预处理,即将数据集A中CAN数据帧中的标识符、数据域部分数据提取并存储到目标文件,并在目标文件中为与每一CAN数据帧所对应的数据条添加状态标识符,状态标识符表示该CAN数据帧为正常状态或异常状态,例如,正常数据标记为1,异常数据标记为-1。
S12:采用预处理后的CAN数据帧数据对Adaboost模型进行训练。
另外,在上述实施例中,数据集A、数据集B、数据集C的收集以及对当前CAN数据帧包的获取,均通过OBD接口采集CAN总线上传输的CAN数据帧,使得数据采集工作更加方便、快捷。
综上,通过本发明公开的CAN总线异常检测方法,Adaboost模型训练成熟后,只需通过OBD接口实时采集CAN总线中的数据即可自动完成CAN总线状态的检测,由此可知,该检测方法是根据CAN总线内数据帧进行数据挖掘与分析,无需查阅汽车对应私有协议文档,普适性较好。其次,检测端只需实现相对较简单的运算即可实现异常判定,对测试平台性能要求较低,可适应各种各样的测试环境,如可直接挂载在CAN总线上实现异常检测。再者,除了在Adaboost模型训练阶段需要专业人员参与,在实际检测运行过程中,可实现流程自动化,无需专业人员的参与即可完成测试。另外,在传统的CAN总线Fuzzing测试方法中,只有肉眼能看到的异常现象才会被认为是车辆的异常行为。事实上,汽车的许多异常均无法通过肉眼直接观测获知,而通过本发明公开的上述检测方法能够直接监测CAN总线网络中的数据异常,具有更高细粒度的异常监测能力。
本发明还公开一种基于Adaboost的CAN总线异常检测系统,如图3,其包括模型训练模块12、第一数据采集模块14、第二数据采集模块15、阈值生成模块16、检测模块17以及比对模块18。
模型训练模块12,用于采用基础数据对Adaboost模型13进行训练,使得训练好的Adaboost模型13具备对CAN数据帧的异常分辨的能力。
第一数据采集模块14,用于获取若干汽车处于正常状态下的CAN数据帧包,以得到数据集B。
第二数据采集模块15,用于获取若干汽车处于异常状态下的CAN数据帧包,以得到数据集C。
阈值生成模块16,用于通过Adaboost模型13分别对数据集B、C中的每一CAN数据帧包中的每一CAN数据帧进行分辨,以得到每一CAN数据帧包中异常CAN数据帧所占比例,并通过统计分析获得用于判定CAN总线处于正常状态或异常状态的CAN数据帧包的异常率阈值。
检测模块17,用于通过Adaboost模型13检测当前状态下的CAN数据帧包的异常率。
比对模块18,用于将检测模块17返回的异常率与异常率阈值比较,并根据比较结果判定汽车的CAN总线当前处于正常或异常状态。
进一步地,上述检测系统还包括训练数据采集模块10,训练数据采集模块10用于采集汽车CAN总线中传输的CAN数据帧,以获得用作训练Adaboost模型13的基础数据的数据集A,数据集A中包括若干已知属于正常数据的CAN数据帧和若干已知属于异常数据的CAN数据帧。
进一步地,上述检测系统还包括对用于训练Adaboost模型13的数据集A进行处理的预处理模块11,预处理模块11用于将CAN数据帧中的标识符、数据域部分数据提取并存储到目标文件,并在目标文件中为与每一CAN数据帧所对应的数据条添加状态标识符,状态标识符表示该CAN数据帧为正常状态或异常状态。
进一步地,上述检测系统还包括与CAN总线通信连接的OBD接口,OBD接口用于采集CAN总线上传输的CAN数据帧。
在此需要说明的是,本实施例中的检测系统的工作原理和过程详见上述检测方法,在此不再赘述。
本发明还公开另一种CAN总线异常检测系统,其包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的具有CAN总线异常检测系方法的指令。处理器可以采用通用的中央处理器(Central Processing Unit,CPU),微处理器,应用专用集成电路(Application Specific Integrated Circuit,ASIC),或者一个或多个集成电路,用于执行相关程序,以实现本申请实施例的CAN总线异常检测系统中的模块所需执行的功能,或者执行本申请方法实施例的CAN总线异常检测方法。
本发明还公开一种计算机可读存储介质,其包括计算机程序,所述计算机程序可被处理器执行以完成如上所述的CAN总线异常检测方法。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read-onlymemory,ROM),或随机存取存储器(random access memory,RAM),或磁性介质,例如,软盘、硬盘、磁带、磁碟、或光介质,例如,数字通用光盘(digital versatile disc,DVD)、或者半导体介质,例如,固态硬盘(solidstate disk,SSD)等。
本申请实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该电子设备执行上述CAN总线异常检测方法。
以上所揭露的仅为本发明的优选实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明申请专利范围所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种基于Adaboost的CAN总线异常检测方法,其特征在于:
采用基础数据对Adaboost模型进行训练,使得训练好的所述Adaboost模型具备对所述CAN数据帧的异常分辨的能力;
获取若干汽车处于正常状态下的CAN数据帧包,以得到数据集B;
获取若干汽车处于异常状态下的CAN数据帧包,以得到数据集C;
通过所述Adaboost模型分别对所述数据集B、C中的每一CAN数据帧包中的每一CAN数据帧进行分辨,以得到每一所述CAN数据帧包中异常CAN数据帧所占比例,并通过统计分析获得用于判定CAN总线处于正常状态或异常状态的CAN数据帧包的异常率阈值;
通过所述Adaboost模型获得当前状态下的CAN数据帧包的异常率,将该异常率与所述异常率阈值作比较,并根据比较结果判定汽车的CAN总线当前处于正常或异常状态。
2.根据权利要求1所述的基于Adaboost的CAN总线异常检测方法,其特征在于,用于训练所述Adaboost模型的基础数据的获取方法包括:
采集汽车CAN总线中传输的所述CAN数据帧,以获得用作所述基础数据的数据集A,所述数据集A中包括若干已知属于正常数据的CAN数据帧和若干已知属于异常数据的CAN数据帧。
3.根据权利要求2所述的基于Adaboost的CAN总线异常检测方法,其特征在于,采用数据集A对所述Adaboost模型进行训练前,还包括对所述数据集A进行处理的预处理步骤:
将所述CAN数据帧中的标识符、数据域部分数据提取并存储到目标文件,并在所述目标文件中为与每一所述CAN数据帧所对应的数据条添加状态标识符,所述状态标识符表示该CAN数据帧为正常状态或异常状态。
4.根据权利要求2所述的基于Adaboost的CAN总线异常检测方法,其特征在于,通过OBD接口采集CAN总线上传输的CAN数据帧。
5.一种基于Adaboost的CAN总线异常检测系统,其特征在于,包括模型训练模块、第一数据采集模块、第二数据采集模块、阈值生成模块、检测模块以及比对模块;
所述模型训练模块,用于采用基础数据对Adaboost模型进行训练,使得训练好的所述Adaboost模型具备对所述CAN数据帧的异常分辨的能力;
所述第一数据采集模块,用于获取若干汽车处于正常状态下的CAN数据帧包,以得到数据集B;
所述第二数据采集模块,用于获取若干汽车处于异常状态下的CAN数据帧包,以得到数据集C;
所述阈值生成模块,用于通过所述Adaboost模型分别对所述数据集B、C中的每一CAN数据帧包中的每一CAN数据帧进行分辨,以得到每一所述CAN数据帧包中异常CAN数据帧所占比例,并通过统计分析获得用于判定CAN总线处于正常状态或异常状态的CAN数据帧包的异常率阈值;
所述检测模块,用于通过Adaboost模型检测当前状态下的CAN数据帧包的异常率;
所述比对模块,用于将所述检测模块返回的所述异常率与所述异常率阈值比较,并根据比较结果判定汽车的CAN总线当前处于正常或异常状态。
6.根据权利要求5所述的基于Adaboost的CAN总线异常检测系统,其特征在于,还包括训练数据采集模块,所述训练数据采集模块用于采集汽车CAN总线中传输的所述CAN数据帧,以获得用作训练所述Adaboost模型的所述基础数据的数据集A,所述数据集A中包括若干已知属于正常数据的CAN数据帧和若干已知属于异常数据的CAN数据帧。
7.根据权利要求6所述的基于Adaboost的CAN总线异常检测系统,其特征在于,还包括对用于训练所述Adaboost模型的数据集A进行处理的预处理模块,所述预处理模块用于将所述CAN数据帧中的标识符、数据域部分数据提取并存储到目标文件,并在所述目标文件中为与每一所述CAN数据帧所对应的数据条添加状态标识符,所述状态标识符表示该CAN数据帧为正常状态或异常状态。
8.根据权利要求6所述的基于Adaboost的CAN总线异常检测系统,其特征在于,还包括与CAN总线通信连接的OBD接口,所述OBD接口用于采集CAN总线上传输的CAN数据帧。
9.一种基于Adaboost的CAN总线异常检测系统,其特征在于,包括:
一个或多个处理器;
存储器;
以及一个或多个程序,其中一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如权利要求1至4任一项所述的基于Adaboost的CAN总线异常检测方法的指令。
10.一种计算机可读存储介质,其特征在于,包括计算机程序,所述计算机程序可被处理器执行以完成如权利要求1至4任一项所述的基于Adaboost的CAN总线异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210337734.3A CN114884849B (zh) | 2022-04-01 | 2022-04-01 | 基于Adaboost的CAN总线异常检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210337734.3A CN114884849B (zh) | 2022-04-01 | 2022-04-01 | 基于Adaboost的CAN总线异常检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114884849A true CN114884849A (zh) | 2022-08-09 |
CN114884849B CN114884849B (zh) | 2023-10-13 |
Family
ID=82669318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210337734.3A Active CN114884849B (zh) | 2022-04-01 | 2022-04-01 | 基于Adaboost的CAN总线异常检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114884849B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377465A (zh) * | 2019-06-26 | 2019-10-25 | 江苏大学 | 一种车载can总线的异常检测方法 |
US20200322237A1 (en) * | 2018-03-06 | 2020-10-08 | Huawei Technologies Co., Ltd. | Traffic detection method and traffic detection device |
CN111880983A (zh) * | 2020-08-04 | 2020-11-03 | 北京天融信网络安全技术有限公司 | 一种can总线异常检测方法及装置 |
CN112508100A (zh) * | 2020-12-07 | 2021-03-16 | 国网浙江省电力有限公司双创中心 | 一种智慧社区公共设备的运行状态监控方法及装置 |
US11057409B1 (en) * | 2019-01-16 | 2021-07-06 | Akitra, Inc. | Apparatus having engine using artificial intelligence for detecting anomalies in a computer network |
-
2022
- 2022-04-01 CN CN202210337734.3A patent/CN114884849B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200322237A1 (en) * | 2018-03-06 | 2020-10-08 | Huawei Technologies Co., Ltd. | Traffic detection method and traffic detection device |
US11057409B1 (en) * | 2019-01-16 | 2021-07-06 | Akitra, Inc. | Apparatus having engine using artificial intelligence for detecting anomalies in a computer network |
CN110377465A (zh) * | 2019-06-26 | 2019-10-25 | 江苏大学 | 一种车载can总线的异常检测方法 |
CN111880983A (zh) * | 2020-08-04 | 2020-11-03 | 北京天融信网络安全技术有限公司 | 一种can总线异常检测方法及装置 |
CN112508100A (zh) * | 2020-12-07 | 2021-03-16 | 国网浙江省电力有限公司双创中心 | 一种智慧社区公共设备的运行状态监控方法及装置 |
Non-Patent Citations (1)
Title |
---|
王成龙: "《基于AdaBoost算法的车载CAN总线报文异常检测,硕士学位论文》", pages: 1 - 58 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN114884849B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106462702B (zh) | 用于在分布式计算机基础设施中获取并且分析电子取证数据的方法和系统 | |
KR101239401B1 (ko) | 보안 시스템의 로그 분석 시스템 및 방법 | |
CN112491805B (zh) | 一种应用于云平台的网络安全设备管理系统 | |
CN112124076B (zh) | 动力电池短路检测方法、装置、汽车、系统及存储介质 | |
CN113691432A (zh) | 汽车can网络报文监测方法、装置、计算机设备和存储介质 | |
CN111866016A (zh) | 日志的分析方法及系统 | |
CN115118581B (zh) | 一种基于5g的物联网数据全链路监控和智能保障系统 | |
CN114884849A (zh) | 基于Adaboost的CAN总线异常检测方法及系统 | |
CN111209213B (zh) | 应用程序运行时的异常检测方法及系统、设备及存储介质 | |
JP3937341B2 (ja) | 計算機システム性能測定分析用のトランザクションプロファイルの生成システム、その生成方法及びプログラム | |
CN111596638B (zh) | 车辆故障排查方法、装置、设备和计算机可读存储介质 | |
CN111090593A (zh) | 确定崩溃归属的方法、装置、电子设备及存储介质 | |
CN111526109A (zh) | 自动检测web威胁识别防御系统的运行状态的方法及装置 | |
CN116775464A (zh) | 一种整车测试方法及系统 | |
CN112242917A (zh) | 一种车联网服务质量检测方法及系统 | |
CN109190408B (zh) | 一种数据信息的安全处理方法及系统 | |
CN111651760A (zh) | 一种设备安全状态综合分析的方法及计算机可读存储介质 | |
CN109086185B (zh) | 一种存储集群的故障检测方法、装置、设备及存储介质 | |
CN115454015A (zh) | 控制器节点检测方法、装置、控制系统、车辆及存储介质 | |
CN112866270A (zh) | 入侵检测防御方法及系统 | |
JP5130968B2 (ja) | 障害箇所特定方法 | |
CN117290150B (zh) | 故障原因确定方法、装置、设备、系统和介质 | |
US11829122B2 (en) | Industrial network behavior analysis method, apparatus and system, and computer-readable medium | |
CN117728582B (zh) | 一种具有自适应判断能力的5g电力监控系统 | |
CN117040870A (zh) | 网络扫描异常检测方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |