CN115412370B - 车辆通信数据检测方法、装置、电子设备和可读介质 - Google Patents
车辆通信数据检测方法、装置、电子设备和可读介质 Download PDFInfo
- Publication number
- CN115412370B CN115412370B CN202211342371.9A CN202211342371A CN115412370B CN 115412370 B CN115412370 B CN 115412370B CN 202211342371 A CN202211342371 A CN 202211342371A CN 115412370 B CN115412370 B CN 115412370B
- Authority
- CN
- China
- Prior art keywords
- data
- information
- characteristic
- vehicle communication
- data detection
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 251
- 238000004891 communication Methods 0.000 title claims abstract description 176
- 230000004044 response Effects 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims description 37
- 238000000605 extraction Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了车辆通信数据检测方法、装置、电子设备和可读介质。该方法的一具体实施方式包括：获取车辆通信数据总线中的车辆通信数据；对上述车辆通信数据进行特征提取，得到数据特征信息；对上述数据特征信息进行预分类处理，得到预分类特征信息；响应于确定上述预分类特征信息满足预设的特征条件，对上述数据特征信息进行特征分类，得到特征分类信息；响应于确定上述特征分类信息满足预设的检测条件，对上述数据特征信息进行数据检测，得到数据检测信息。该实施方式可以提高数据检测信息的准确度。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及车辆通信数据检测方法、装置、电子设备和可读介质。
背景技术
车辆通信数据检测方法，是检测车辆之间或者车辆与服务器之间通信数据中异常数据的一项技术。随着车辆系统上安装越来越多的功能设备，所需要与服务器或者其它车辆之间通信的需求也越来越大，因此，车辆通信数据的安全性也需要提高。目前，在进行车辆通信数据检测时，通常采用的方式为：基于预先设定的判定数据列表对待检测数据进行检测；或解析获得数据流中携带的明文特征，通过进行特征比对，以检测数据流是否为异常流量。
然而，当采用上述方式进行车辆通信数据检测时，经常会存在如下技术问题：
第一，预先设定的判定数据列表是基于历史异常流量的特征、规律等特点确定的，对于新类别的异常流量，检测结果精度较低；
第二，在车辆通信总线中还存在有大量的加密数据，若是攻击者将数据流中的加密数据进行伪造，由于难以获得这些加密数据的密钥而导致难以对数据包进行解密，所以也就无法对这些加密的数据包进行异常检测，因此，使得车辆通信数据检测的准确性降低，从而，导致车辆通信的安全性降低，进而，降低了车辆行驶的安全性。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了车辆通信数据检测方法、装置、电子设备和可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种车辆通信数据检测方法，该方法包括：获取车辆通信数据总线中的车辆通信数据；对上述车辆通信数据进行特征提取，得到数据特征信息；对上述数据特征信息进行预分类处理，得到预分类特征信息；响应于确定上述预分类特征信息满足预设的特征条件，对上述数据特征信息进行特征分类，得到特征分类信息；响应于确定上述特征分类信息满足预设的检测条件，对上述数据特征信息进行数据检测，得到数据检测信息。
第二方面，本公开的一些实施例提供了一种车辆通信数据检测装置，该装置包括：获取单元，被配置成获取车辆通信数据总线中的车辆通信数据； 特征处理单元，被配置成对上述车辆通信数据进行特征提取，得到数据特征信息预分类处理单元，被配置成对上述数据特征信息进行预分类处理，得到预分类特征信息；特征分类单元，被配置成响应于确定上述预分类特征信息满足预设的特征条件，对上述数据特征信息进行特征分类，得到特征分类信息；数据检测单元，被配置成响应于确定上述特征分类信息满足预设的检测条件，对上述数据特征信息进行数据检测，得到数据检测信息。
第三方面，本公开的一些实施例提供了一种电子设备，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上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些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，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的车辆通信数据检测方法，可以提高数据检测的准确度。具体来说，造成对新类别的异常流量检测结果准确度降低的原因在于：基于预先设定的判定数据列表对待检测数据进行检测，预先设定的判定数据列表是基于历史异常流量的特征、规律等特点确定的。基于此，本公开的一些实施例的车辆通信数据检测方法，首先，获取车辆通信数据总线中的车辆通信数据。其次，对上述车辆通信数据进行特征提取，得到数据特征信息。然后，对上述数据特征信息进行预分类处理，得到预分类特征信息。通过预分类处理，可以用于识别车辆通信数据的特征。由此，即使车辆通信数据属于新类别的异常流量，也可以确定其是否为异常流量。之后，响应于确定上述预分类特征信息满足预设的特征条件，对上述数据特征信息进行特征分类，得到特征分类信息。通过特征分类，可以用于进一步对确定车辆通信数据是否为异常流量。以此提高检测结果的精度。最后，响应于确定上述特征分类信息满足预设的检测条件，对上述数据特征信息进行数据检测，得到数据检测信息。通过数据检测，以完成对车辆通信数据的数据检测。从而，本公开的一些实施例的车辆通信数据检测方法，不仅可以基于预先设定的判定数据列表对待检测数据进行检测，还可以对新类别的异常流量进行数据检测。由此，实现对新类别的异常流量的识别检测。进而，可以提高数据检测信息的准确度。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的车辆通信数据检测方法的一个应用场景的示意图；
图2是根据本公开的车辆通信数据检测方法的一些实施例的流程图；
图3是根据本公开的车辆通信数据检测方法的另一些实施例的流程图；
图4是根据本公开的车辆通信数据检测装置的一些实施例的结构示意图；
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
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。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的车辆通信数据检测方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以获取车辆通信数据总线中的车辆通信数据。其次，计算设备101可以对车辆通信数据102进行特征提取，得到数据特征信息103。接着，计算设备101可以对上述数据特征信息103进行预分类处理，得到预分类特征信息104。然后，计算设备101可以响应于确定上述预分类特征信息104满足预设的特征条件，对上述数据特征信息103进行特征分类，得到特征分类信息105。最后，计算设备101可以响应于确定上述特征分类信息105满足预设的检测条件，对上述数据特征信息103进行数据检测，得到数据检测信息106。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备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计算设备。
继续参考图2，示出了根据本公开的车辆通信数据检测方法的一些实施例的流程200。该车辆通信数据检测方法的流程200，包括以下步骤：
步骤201，获取车辆通信数据总线中的车辆通信数据。
在一些实施例中，车辆通信数据检测的执行主体（如图1所示的计算设备101）可以通过有线方式或者无限方式获取车辆通信数据总线中的车辆通信数据。其中，车辆通信数据可以是当前车辆与其它车辆之间的通信数据，也可以是当前车辆与服务器之间的通信数据。
步骤202，对车辆通信数据进行特征提取，得到数据特征信息。
在一些实施例中，上述执行主体可以对上述车辆通信数据进行特征提取，得到数据特征信息。其中，可以通过流量特征提取工具或流量特征提取算法对上述车辆通信数据进行特征提取，得到数据特征信息。数据特征信息可以表征上述车辆通信数据的数据特征。数据特征信息可以包括但不限于以下至少一项：数据类型、数据包大小、数据接收时间、首部、空行、请求行、统一资源定位符、协议版本、主机编号、路径、端口号、域名、源地址、目的地址等。
作为示例，流量特征提取工具可以是：WireShark（网络数据包分析软件）、Tcptrace（TCP流量数据分析软件）等。流量特征提取算法可以是：主成分分析算法、KNN（k-Nearest Neighbors，最近邻节点算法）等。另外，上述数据类型可以包括但不限于以下至少一项：激光雷达数据、地图数据、图像数据、定位数据等。
步骤203，对数据特征信息进行预分类处理，得到预分类特征信息。
在一些实施例中，上述执行主体可以对数据特征信息进行预分类处理，得到预分类特征信息。其中，对上述数据特征信息进行预分类处理，可以是通过预设的分类算法，利用上述数据特征信息确定上述车辆通信数据的类别。作为示例，上述预设的分类算法可以包括但不限于以下至少一项：支持向量机、随机森林、极端梯度提升算法、逻辑回归等。预分类特征信息可以是：“上述车辆通信数据存在恶意流量特征”或者“上述车辆通信数据不存在恶意流量特征”，以此用于表征对车辆通信数据的分类结果。
在另一些实施例中，可以通过匹配算法，对比数据特征信息与预设的判定数据列表中是否存在匹配的判定数据。若存在，则生成的预分类特征信息可以是：“上述车辆通信数据存在恶意流量特征”。若不存在，则生成的预分类特征信息可以是：“上述车辆通信数据不存在恶意流量特征”。
作为示例，上述匹配算法可以包括但不限于以下至少一项：汉明距离、马氏距离、杰卡德相似系数、闵可夫斯基距离等。
步骤204，响应于确定预分类特征信息满足预设的特征条件，对数据特征信息进行特征分类，得到特征分类信息。
在一些实施例中，上述执行主体可以响应于确定上述预分类特征信息满足预设的特征条件，对上述数据特征信息进行特征分类，得到特征分类信息。其中，上述预设的特征条件可以是预分类特征信息是：“上述车辆通信数据存在恶意流量特征”。 对上述数据特征信息进行特征分类，可以是通过预设的网络模型，确定上述数据特征信息的分类特征值。该分类特征值可以用于表征上述车辆通信数据中所存在的恶意流量的危险程度。可以将上述分类特征值确定为特征分类信息。
作为示例，上述预设的网络模型可以包括但不限于以下至少一项：FCAR-Net（Feature Cross Attention Relation Network，特征交叉注意力关系网络）、长短期记忆网络（LSTM，Long Short-Term Memory）、或DSSM（Deep Structured Semantic Model，深度结构化语义模型）等。上述分类特征值的取值范围可以是[0，10]。其中，取值越大，可以表示车辆通信数据对网络的危险程度越高。
步骤205，响应于确定特征分类信息满足预设的检测条件，对数据特征信息进行数据检测，得到数据检测信息。
在一些实施例中，上述执行主体可以响应于确定上述特征分类信息满足预设的检测条件，对上述数据特征信息进行数据检测，得到数据检测信息。其中，上述预设的检测条件可以是上述特征分类信息对应的分类特征值大于预设的特征阈值（例如，1）。可以通过预设的数据检测算法，对上述数据特征信息进行数据检测，得到数据检测信息。若上述车辆通信数据中存在异常信息，通过数据检测可以确定车辆通信数据的异常信息，由此得到数据检测信息。上述数据检测信息可以用于表征上述车辆通信数据中的异常信息。若上述车辆通信数据中不存在异常信息，则数据异常检测信息可以为空。另外，在数据检测过程中，还可以通过预设的约束条件，提高数据检测结果的准确度。例如，约束条件可以是：传输速度约束、比特流约束等。
作为示例，上述数据检测信息可以包括但不限于以下至少一项：异常类型、数据接收时间异常、协议版本异常、主机编号异常、路径异常、端口号异常、域名异常、源地址异常或目的地址异常等。上述数据检测算法可以包括但不限于以下至少一项：卷积神经网络、FCAR-Net（Feature Cross Attention Relation Network，特征交叉注意力关系网络）等。
可选的，上述执行主体可以响应于确定上述数据检测信息满足预设的预警条件，执行预警操作。其中，上述预警条件可以是上述数据检测信息包括异常信息。预警操作可以是将数据检测信息中的异常信息发送至显示终端以供显示。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的车辆通信数据检测方法，可以提高数据检测的准确度。具体来说，造成对新类别的异常流量检测结果准确度降低的原因在于：基于预先设定的判定数据列表对待检测数据进行检测，预先设定的判定数据列表是基于历史异常流量的特征、规律等特点确定的。基于此，本公开的一些实施例的车辆通信数据检测方法，首先，获取车辆通信数据总线中的车辆通信数据。其次，对上述车辆通信数据进行特征提取，得到数据特征信息。然后，对上述数据特征信息进行预分类处理，得到预分类特征信息。通过预分类处理，可以用于识别车辆通信数据的特征。由此，即使车辆通信数据属于新类别的异常流量，也可以确定其是否为异常流量。之后，响应于确定上述预分类特征信息满足预设的特征条件，对上述数据特征信息进行特征分类，得到特征分类信息。通过特征分类，可以用于进一步对确定车辆通信数据是否为异常流量。以此提高检测结果的精度。最后，响应于确定上述特征分类信息满足预设的检测条件，对上述数据特征信息进行数据检测，得到数据检测信息。通过数据检测，以完成对车辆通信数据的数据检测。从而，本公开的一些实施例的车辆通信数据检测方法，不仅可以基于预先设定的判定数据列表对待检测数据进行检测，还可以对新类别的异常流量进行数据检测。由此，实现对新类别的异常流量的识别检测。进而，可以提高数据检测信息的准确度。
进一步参考图3，其示出了车辆通信数据检测方法的另一些实施例的流程300。该车辆通信数据检测方法的流程300，包括以下步骤：
步骤301，获取车辆通信数据总线中的车辆通信数据。
在一些实施例中，步骤301的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤201，在此不再赘述。
步骤302，对车辆通信数据进行加密识别，得到加密信息。
在一些实施例中，车辆通信数据检测的执行主体（如图1所示的计算设备101）可以对上述车辆通信数据进行加密识别，得到加密信息。其中，加密识别可以是，通过数据分析工具，对车辆通信数据进行加密检测，得到加密信息。加密识别可以识别出车辆通信数据是否被加密。因此，加密信息可以是“加密”或“未加密”。
作为示例，上述数据分析工具可以包括但不限于以下至少一项：DPI（Deep PacketInspection，深度包检测方法）、马尔科夫链模型等。
步骤303，对车辆通信数据进行特征字符串提取，得到特征字符串信息。
在一些实施例中，上述执行主体可以对上述车辆通信数据进行特征字符串提取，得到特征字符串信息。其中，可以通过正则表达式，对上述车辆通信数据进行特征字符串提取，得到特征字符串信息。
步骤304，对车辆通信数据进行特征向量提取，得到特征向量。
在一些实施例中，上述执行主体可以对上述车辆通信数据进行特征向量提取，得到特征向量。其中，可以通过上述网络模型对上述车辆通信数据进行特征向量提取，得到特征向量。
步骤305，将加密信息、特征字符串信息和特征向量确定为数据特征信息。
在一些实施例中，上述执行主体可以将上述加密信息、上述特征字符串信息和上述特征向量确定为数据特征信息。
步骤306，响应于确定加密信息满足预设的加密条件，提取车辆通信数据的协议特征和关系特征，得到协议特征信息和关系特征信息。
在一些实施例中，上述执行主体可以响应于确定上述加密信息满足预设的加密条件，提取上述车辆通信数据的协议特征和关系特征，得到协议特征信息和关系特征信息。其中，上述加密条件可以是车辆通信数据特征信息中的加密信息为“加密”。可以通过上述流量特征提取工具提取上述车辆通信数据的协议特征和关系特征，得到协议特征信息和关系特征信息。上述协议特征可以是加密协议。关系特征可以是车辆通信数据与总线数据中邻近比特之间的变化关系。
作为示例，加密协议可以包括但不限于以下至少一项：QUIC（Quick UDP InternetConnection，低时延的互联网传输层协议）、SSL（Secure Sockets Layer 安全套接字协议）、SSH（Secure Shell，安全外壳协议）或Ipsec（Internet Protocol Security，互联网安全协议）等。
步骤307，基于协议特征信息和关系特征信息，对数据特征信息进行预分类处理，得到预分类特征信息。
在一些实施例中，上述执行主体可以基于上述协议特征信息和关系特征信息，对上述数据特征信息进行预分类处理，得到预分类特征信息。其中，可以通过预设的多模态模型，对上述数据特征信息进行预分类处理，得到预分类特征信息。
步骤308，响应于确定预分类特征信息满足预设的特征条件，对数据特征信息进行特征分类，得到特征分类信息。
在一些实施例中，上述执行主体可以响应于确定上述预分类特征信息满足预设的特征条件，对上述数据特征信息进行特征分类，得到特征分类信息。
在一些实施例的一些可选的实现方式中，上述执行主体对数据特征信息进行特征分类，得到特征分类信息，可以包括以下步骤：
第一步，响应于确定上述加密信息不满足上述预设的加密条件，确定预设的元路径集中与上述车辆通信数据对应的元路径，作为目标元路径。其中，预设的元路径集可以将历史流量数据输入至预设的异构信息网络生成。可以将上述数据特征信息输入至上述异构信息网络，从元路径集中匹配出与上述车辆通信数据对应的元路径，作为目标元路径。
第二步，获取与上述目标元路径对应的元路径指标信息。其中，可以通过有线方式或无线方式，从本地（例如，当前车辆的汽车中控系统的）缓存中获取与上述目标元路径对应的元路径指标信息。上述元路径指标信息可以是表征上述目标元路径的可信度的值。
第三步，基于上述元路径指标信息，生成特征分类信息。其中，若上述元路径指标信息对应的可信度值大于等于预设的可信度阈值，可以将上述可信度值确定为特征分类信息。具体的，可信度值越大，可以表征上述目标元路径的异常度越高。
在一些实施例的一些可选的实现方式中，上述执行主体对数据特征信息进行特征分类，得到特征分类信息，还可以包括以下步骤：
基于上述数据检测信息，对上述元路径指标信息进行更新。其中，若上述特征分类信息对应的可信度值大于等于上述预设的可信度阈值，可以将上述元路径指标信息包括的可信度值进行增加（例如，增加1）。由此，可以用于提高元路径指标信息对应的元路径的异常度。
步骤309，响应于确定特征分类信息满足预设的检测条件，对数据特征信息进行数据检测，得到数据检测信息。
在一些实施例中，上述执行主体可以响应于确定上述特征分类信息满足预设的检测条件，对上述数据特征信息进行数据检测，得到数据检测信息。
在一些实施例的一些可选的实现方式中，上述执行主体响应于确定上述特征分类信息满足预设的检测条件，对上述数据特征信息进行数据检测，得到数据检测信息，可以包括以下步骤：
第一步，对上述数据特征信息进行数据检测，得到第一数据检测信息和第一数据检测系数。其中，可以通过上述数据检测算法，对上述数据特征信息进行数据检测，得到第一数据检测信息和第一数据检测系数。其次，第一数据检测信息可以表征上述车辆通信数据的异常检测值。上述第一数据检测系数可以用于表征通过上述数据检测算法对上述车辆通信数据进行检测的不确定度。
第二步，对上述车辆通信数据进行目标特征提取，得到目标特征信息。其中，目标特征提取，可以是通过上述流量特征提取工具，对上述车辆通信数据进行数据包和会话流级别的特征提取。
第三步，对上述车辆通信数据特征信息进行数据检测，得到第二数据检测信息和第二数据检测系数。其中，可以通过预设的长短期记忆网络对上述车辆通信数据特征信息进行数据检测，得到第二数据检测信息和第二数据检测系数。其中，第二数据检测信息可以表征、由长短期记忆网络生成的上述车辆通信数据的异常检测值。上述第二数据检测系数可以是长短期记忆网络在生成第二数据检测信息时的不确定度。
第四步，对上述车辆通信数据进行特征字段提取，得到特征字段数据组。其中，可以通过上述流量特征提取工具，对上述车辆通信数据进行特征字段提取，得到特征字段数据组。特征字段数据组中的字段数据可以包括但不限于以下至少一项：报文大小、流速率、总载荷数、流持续时间、空闲时间、报文分布信息、双向流特征和子流特征等。
第五步，对上述特征字段数据组中的各个特征字段数据进行标准化处理，得到标准特征字段数据组。其中，标准化处理可以是对上述特征字段数据组中的每个特征字段数据进行比特填充或删减，使得每个特征字段数据的字节数达到固定字节阈值（例如1024字节）。以此，可以得到标准特征字段数据组。
第六步，将上述标准特征字段数据组转化为特征图像。其中，可以将每个标准特征字段数据以一字节八位的二进制数据转化为灰度值序列。然后，可以将灰度值序列中的各个灰度值按照顺序填充至空白特征图像中一行像素中的各个像素点上。以此可以得到特征图像。
作为示例，上述特征图像的大小可以是64×64。
第七步，对上述特征图像进行特征识别，得到第三数据检测信息和第三数据检测系数。其中，可以通过上述多模态模型对上述特征图像进行特征识别，得到第三数据检测信息和第三数据检测系数。其中，上述第三数据检测信息可以表征、由上述多模态模型检测的上述车辆通信数据的异常检测值。上述第三数据检测系数可以用于表征上述多模态模型在检测上述车辆通信数据时的不确定度。
第八步，基于上述第一数据检测信息、上述第一数据检测系数、上述第二数据检测信息、上述第二数据检测系数、上述第三数据检测信息和上述第三数据检测系数，生成数据检测信息。其中，首先，可以将上述第一数据检测信息的异常检测值和第一数据检测系数的乘积确定为第一加权值。可以将上述第二数据检测信息的异常检测值和第二数据检测系数的乘积确定为第二加权值。可以将上述第三数据检测信息的异常检测值和第三数据检测系数的乘积确定为第三加加权值。然后，可以将上述第一加权值、上述第二加权值和上述第三加权值的平均值确定为目标检测数值，作为数据检测信息。
上述各实施例及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“在网络中还存在有大量的加密数据，若是攻击者将数据流中的加密数据进行伪造，由于难以获得这些加密数据的密钥而导致难以对数据包进行解密，所以也就无法对这些加密的数据包进行异常检测，使得数据检测的准确性大大降低”。导致数据检测的准确性大大降低的原因在于：在网络中还存在有大量的加密数据，若是攻击者将数据流中的加密数据进行伪造，由于难以获得这些加密数据的密钥而导致难以对数据包进行解密，所以也就无法对这些加密的数据包进行异常检测。如果解决了上述因素，就能提高数据检测的准确度。为了达到这一效果，首先，通过加密识别，可以用于判断车辆通信数据是否被加密。由此可以便于后续有针对性的进行数据检测。以此提高数据检测的准确度。然后，通过提取上述车辆通信数据的协议特征和关系特征，可以有针对性的生成与加密的车辆通信数据对应的预分类特征信息，以此便于后续进行数据检测。之后，通过引入元路径和元路径指标信息，可以更进一步确定车辆通信数据对应的特征分类信息。另外，还通过对元路径指标信息的更新，可以实时的对缓存中的元路径指标信息进行调整，以提高其对元路径的异常情况的表征能力。接着，通过生成第一数据检测信息、第一数据检测系数、第二数据检测信息、第二数据检测系数、第三数据检测信息和第三数据检测系数，可以从多角度对车辆通信数据进行检测，以提高数据检测结果的准确度。其中，通过将上述标准特征字段数据组转化为特征图像，可以更好的体现出车辆通信数据的特征。以此便于提高数据检测结果的准确度。最终，通过将第一数据检测信息、第一数据检测系数、第二数据检测信息、第二数据检测系数、第三数据检测信息和第三数据检测系数进行融合，得到数据检测信息，可以更好的克服上述技术问题。达到提高数据检测结果准确度的目的。
可选的，上述执行主体可以响应于确定上述数据检测信息满足预设的预警条件，执行预警操作。其中，上述预警条件还可以是上述数据检测信息中的目标检测数值大于等于预设的预警阈值。执行预警操作可以是将数据检测信息中的异常信息发送至显示终端以供显示，同时对上述车辆通信数据进行拦截，以提高网络安全。
从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的车辆通信数据检测方法的流程300体现了特征提取、预分类处理、特征分类和数据检测的步骤。通过上述实现方式，可以在网络中存在大量的加密数据的情况下，对数据流中的加密数据的异常进行检测识别。从而，提高了数据检测结果的准确度。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种车辆通信数据检测装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，一些实施例的车辆通信数据检测装置400包括：获取单元401、特征处理单元402、预分类处理单元403、特征分类单元404和数据检测单元405。其中，获取单元401，被配置成获取车辆通信数据总线中的车辆通信数据；特征处理单元402，被配置成对上述车辆通信数据进行特征提取，得到数据特征信息预分类处理单元403，被配置成对上述数据特征信息进行预分类处理，得到预分类特征信息；特征分类单元404，被配置成响应于确定上述预分类特征信息满足预设的特征条件，对上述数据特征信息进行特征分类，得到特征分类信息；数据检测单元405，被配置成响应于确定上述特征分类信息满足预设的检测条件，对上述数据特征信息进行数据检测，得到数据检测信息。
可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。
下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备500（例如图1中的计算设备101）的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置501（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM）502中的程序或者从存储装置508加载到随机访问存储器（RAM）503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出（I/O）接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上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。在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（Hyper Text TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，adhoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；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：获取车辆通信数据总线中的车辆通信数据；对上述车辆通信数据进行特征提取，得到数据特征信息；对上述数据特征信息进行预分类处理，得到预分类特征信息；响应于确定上述预分类特征信息满足预设的特征条件，对上述数据特征信息进行特征分类，得到特征分类信息；响应于确定上述特征分类信息满足预设的检测条件，对上述数据特征信息进行数据检测，得到数据检测信息。
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公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—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服务器上执行。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，图示了按照本公开各种实施例的系统、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。
描述于本公开的一些实施例中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、特征处理单元、预分类处理单元、特征分类单元、数据检测单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，特征处理单元还可以被描述为“对车辆通信数据进行特征提取的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些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，本公开的实施例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。例如上述特征与本公开的实施例中公开的（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 (8)
1.一种车辆通信数据检测方法，包括：
获取车辆通信数据总线中的车辆通信数据；
对所述车辆通信数据进行特征提取，得到数据特征信息；
对所述数据特征信息进行预分类处理，得到预分类特征信息；
响应于确定所述预分类特征信息满足预设的特征条件，对所述数据特征信息进行特征分类，得到特征分类信息；
响应于确定所述特征分类信息满足预设的检测条件，对所述数据特征信息进行数据检测，得到数据检测信息；
其中，所述对所述车辆通信数据进行特征提取，得到数据特征信息，包括：
对所述车辆通信数据进行加密识别，得到加密信息；
对所述车辆通信数据进行特征字符串提取，得到特征字符串信息；
对所述车辆通信数据进行特征向量提取，得到特征向量；
将所述加密信息、所述特征字符串信息和所述特征向量确定为数据特征信息；
其中，所述对所述数据特征信息进行特征分类，得到特征分类信息，包括：
响应于确定所述加密信息不满足所述预设的加密条件，确定预设的元路径集中与所述车辆通信数据对应的元路径，作为目标元路径，其中，从元路径集中匹配出与所述车辆通信数据对应的元路径，作为目标元路径；
获取与所述目标元路径对应的元路径指标信息，其中，元路径指标信息是表征所述目标元路径的可信度的值；
基于所述元路径指标信息，生成特征分类信息，其中，响应于所述元路径指标信息对应的可信度值大于等于预设的可信度阈值，将所述可信度值确定为特征分类信息；
其中，所述对所述数据特征信息进行数据检测，得到数据检测信息，包括：
对所述数据特征信息进行数据检测，得到第一数据检测信息和第一数据检测系数，其中，所述第一数据检测信息用于表征所述车辆通信数据的异常检测值，所述第一数据检测系数用于表征通过数据检测算法对所述车辆通信数据进行检测的不确定度；
对所述车辆通信数据进行目标特征提取，得到车辆通信数据特征信息；
对所述车辆通信数据特征信息进行数据检测，得到第二数据检测信息和第二数据检测系数，其中，所述第二数据检测信息用于表征由长短期记忆网络生成的车辆通信数据的异常检测值，所述第二数据检测系数是所述长短期记忆网络在生成第二数据检测信息时的不确定度；
对所述车辆通信数据进行特征字段提取，得到特征字段数据组；
对所述特征字段数据组中的各个特征字段数据进行标准化处理，得到标准特征字段数据组；
将所述标准特征字段数据组转化为特征图像；
对所述特征图像进行特征识别，得到第三数据检测信息和第三数据检测系数，其中，所述第三数据检测信息用于表征由多模态模型检测的车辆通信数据的异常检测值，所述第三数据检测系数用于表征所述多模态模型在检测所述车辆通信数据时的不确定度；
基于所述第一数据检测信息、所述第一数据检测系数、所述第二数据检测信息、所述第二数据检测系数、所述第三数据检测信息和所述第三数据检测系数，生成数据检测信息。
2.根据权利要求1所述的方法，其中，所述方法还包括：
响应于确定所述数据检测信息满足预设的预警条件，执行预警操作。
3.根据权利要求1所述的方法，其中，在所述对所述数据特征信息进行预分类处理，得到预分类特征信息之前，所述方法还包括：
响应于确定所述加密信息满足预设的加密条件，提取所述车辆通信数据的协议特征和关系特征，得到协议特征信息和关系特征信息，其中，通过流量特征提取工具提取车辆通信数据的协议特征和关系特征，得到协议特征信息和关系特征信息，协议特征是加密协议，关系特征是车辆通信数据与总线数据中邻近比特之间的变化关系。
4.根据权利要求3所述的方法，其中，所述对所述数据特征信息进行预分类处理，得到预分类特征信息，包括：
基于所述协议特征信息和关系特征信息，对所述数据特征信息进行预分类处理，得到预分类特征信息。
5.根据权利要求1所述的方法，其中，所述方法还包括：
基于所述数据检测信息，对所述元路径指标信息进行更新。
6.一种车辆通信数据检测装置，包括：
获取单元，被配置成获取车辆通信数据总线中的车辆通信数据；
特征处理单元，被配置成对所述车辆通信数据进行特征提取，得到数据特征信息；
预分类处理单元，被配置成对所述数据特征信息进行预分类处理，得到预分类特征信息；
特征分类单元，被配置成响应于确定所述预分类特征信息满足预设的特征条件，对所述数据特征信息进行特征分类，得到特征分类信息；
数据检测单元，被配置成响应于确定所述特征分类信息满足预设的检测条件，对所述数据特征信息进行数据检测，得到数据检测信息；
其中，所述对所述车辆通信数据进行特征提取，得到数据特征信息，包括：
对所述车辆通信数据进行加密识别，得到加密信息；
对所述车辆通信数据进行特征字符串提取，得到特征字符串信息；
对所述车辆通信数据进行特征向量提取，得到特征向量；
将所述加密信息、所述特征字符串信息和所述特征向量确定为数据特征信息；
其中，所述对所述数据特征信息进行特征分类，得到特征分类信息，包括：
响应于确定所述加密信息不满足所述预设的加密条件，确定预设的元路径集中与所述车辆通信数据对应的元路径，作为目标元路径，其中，从元路径集中匹配出与所述车辆通信数据对应的元路径，作为目标元路径；
获取与所述目标元路径对应的元路径指标信息，其中，元路径指标信息是表征所述目标元路径的可信度的值；
基于所述元路径指标信息，生成特征分类信息，其中，响应于所述元路径指标信息对应的可信度值大于等于预设的可信度阈值，将所述可信度值确定为特征分类信息；
其中，所述对所述数据特征信息进行数据检测，得到数据检测信息，包括：
对所述数据特征信息进行数据检测，得到第一数据检测信息和第一数据检测系数，其中，所述第一数据检测信息用于表征所述车辆通信数据的异常检测值，所述第一数据检测系数用于表征通过数据检测算法对所述车辆通信数据进行检测的不确定度；
对所述车辆通信数据进行目标特征提取，得到车辆通信数据特征信息；
对所述车辆通信数据特征信息进行数据检测，得到第二数据检测信息和第二数据检测系数，其中，所述第二数据检测信息用于表征由长短期记忆网络生成的车辆通信数据的异常检测值，所述第二数据检测系数是所述长短期记忆网络在生成第二数据检测信息时的不确定度；
对所述车辆通信数据进行特征字段提取，得到特征字段数据组；
对所述特征字段数据组中的各个特征字段数据进行标准化处理，得到标准特征字段数据组；
将所述标准特征字段数据组转化为特征图像；
对所述特征图像进行特征识别，得到第三数据检测信息和第三数据检测系数，其中，所述第三数据检测信息用于表征由多模态模型检测的车辆通信数据的异常检测值，所述第三数据检测系数用于表征所述多模态模型在检测所述车辆通信数据时的不确定度；
基于所述第一数据检测信息、所述第一数据检测系数、所述第二数据检测信息、所述第二数据检测系数、所述第三数据检测信息和所述第三数据检测系数，生成数据检测信息。
7.一种电子设备，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1-5中任一所述的方法。
8.一种计算机可读介质，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1-5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211342371.9A CN115412370B (zh) | 2022-10-31 | 2022-10-31 | 车辆通信数据检测方法、装置、电子设备和可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211342371.9A CN115412370B (zh) | 2022-10-31 | 2022-10-31 | 车辆通信数据检测方法、装置、电子设备和可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115412370A CN115412370A (zh) | 2022-11-29 |
| CN115412370B true CN115412370B (zh) | 2023-03-21 |
Family
ID=84167264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211342371.9A Active CN115412370B (zh) | 2022-10-31 | 2022-10-31 | 车辆通信数据检测方法、装置、电子设备和可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115412370B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115546767B (zh) * | 2022-11-30 | 2023-04-07 | 广汽埃安新能源汽车股份有限公司 | 数据发送方法、装置、设备和计算机可读介质 |
| CN116781389B (zh) * | 2023-07-18 | 2023-12-22 | 山东溯源安全科技有限公司 | 一种异常数据列表的确定方法、电子设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111865949A (zh) * | 2020-07-09 | 2020-10-30 | 恒安嘉新（北京）科技股份公司 | 一种异常通信的检测方法、装置、服务器及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6423402B2 (ja) * | 2015-12-16 | 2018-11-14 | 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Ｐａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ | セキュリティ処理方法及びサーバ |
| CN112437056B (zh) * | 2015-12-16 | 2023-07-25 | 松下电器（美国）知识产权公司 | 安全处理方法以及服务器 |
| JP6839963B2 (ja) * | 2016-01-08 | 2021-03-10 | 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 | 異常検知方法、異常検知装置及び異常検知システム |
| WO2017119246A1 (ja) * | 2016-01-08 | 2017-07-13 | 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 | 異常検知方法、異常検知装置及び異常検知システム |
-
2022
- 2022-10-31 CN CN202211342371.9A patent/CN115412370B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111865949A (zh) * | 2020-07-09 | 2020-10-30 | 恒安嘉新（北京）科技股份公司 | 一种异常通信的检测方法、装置、服务器及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115412370A (zh) | 2022-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115412370B (zh) | 车辆通信数据检测方法、装置、电子设备和可读介质 | |
| CN114422267B (zh) | 流量检测方法、装置、设备及介质 | |
| CN112685799B (zh) | 设备指纹生成方法、装置、电子设备和计算机可读介质 | |
| CN112434620B (zh) | 场景文字识别方法、装置、设备和计算机可读介质 | |
| CN111478861B (zh) | 流量识别方法、装置、电子设备、及存储介质 | |
| CN116664849B (zh) | 数据处理方法、装置、电子设备和计算机可读介质 | |
| CN115361450B (zh) | 请求信息处理方法、装置、电子设备、介质和程序产品 | |
| CN115051874B (zh) | 一种多特征的cs恶意加密流量检测方法和系统 | |
| CN115587593B (zh) | 信息抽取方法、装置、电子设备和计算机可读介质 | |
| CN112434619B (zh) | 病例信息提取方法、装置、设备和计算机可读介质 | |
| CN112688897A (zh) | 一种流量识别的方法、装置、存储介质及电子设备 | |
| CN116702220A (zh) | 基于加密特征分析的数据比对方法及系统 | |
| CN113452810B (zh) | 一种流量分类方法、装置、设备和介质 | |
| CN116361121A (zh) | 异常接口告警方法、装置、电子设备和计算机可读介质 | |
| CN115344852A (zh) | 弱口令的检测方法、装置、设备、存储介质及程序产品 | |
| CN110868410B (zh) | 获取网页木马连接密码的方法、装置、电子设备、及存储介质 | |
| CN111338318B (zh) | 用于检测异常的方法和装置 | |
| CN111797931A (zh) | 图像处理方法、图像处理网络训练方法、装置、设备 | |
| CN116881914B (zh) | 文件系统操作处理方法、系统、设备和计算机可读介质 | |
| CN116881974B (zh) | 基于数据获取请求的数据处理方法、装置和电子设备 | |
| CN115801447B (zh) | 基于工业安全的流量解析方法、装置与电子设备 | |
| CN115941357B (zh) | 基于工业安全的流量日志检测方法、装置与电子设备 | |
| CN114238976B (zh) | 文件的检测方法、装置、可读介质和电子设备 | |
| CN115529159B (zh) | 加密流量检测模型的训练方法、装置、设备及存储介质 | |
| CN114765634B (zh) | 网络协议识别方法、装置、电子设备及可读存储介质 |
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 |