CN116032636A - 一种基于神经网络的车联网数据加密方法及系统 - Google Patents

Abstract

本发明公开了一种基于神经网络的车联网数据加密方法及系统，包括，利用伪随机数生成器生成随机序列，并将车联网数据划分为n个数据块，将n个数据块与随机序列输入至密钥生成网络模型，生成第一密钥；将车联网数据转换为二进制，并与第一密钥进行异或运算；将异或运算结果输入至初始密文生成网络模型，并利用群体优化算法对初始密文生成网络模型进行迭代训练，当初始密文生成网络模型的损失值达到最小时，停止训练，获得密文生成网络模型；将车联网数据输入至密文生成网络模型，获得密文；本发明根据车联网数据维度设计不同结构的神经网络，将神经网络与群体优化算法结合，极大提高了车联网数据的安全性。

Description

一种基于神经网络的车联网数据加密方法及系统

技术领域

本发明涉及数据加密的技术领域，尤其涉及一种基于神经网络的车联网数据加密方法及系统。

背景技术

由于车联网的不断扩展，所产生的数据也越来越多，随之而来的数据安全问题成为智能网联汽车发展中必须解决的关键问题。密码技术作为保障车联网安全的核心技术和基础支撑，在车联网数据加密和认证等方面发挥着不可替代的作用。

现有的车联网数据加密方法加密性不强，并且只能对单一维度的数据进行加密，容易存在安全漏洞，易造成用户的身份信息泄露，甚至篡改数据，严重时会造成交通安全事故，威胁用户的生命安全。

发明内容

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于神经网络的车联网数据加密方法，能够对一维数据和二维数据进行加密，同时通过结合神经网络，极大地提高了数据安全性和加密速度。

为解决上述技术问题，本发明提供如下技术方案，包括：利用伪随机数生成器生成随机序列，并将车联网数据划分为n个数据块，将所述n个数据块与随机序列输入至密钥生成网络模型，生成第一密钥；将车联网数据转换为二进制，并与第一密钥进行异或运算，将异或运算结果输入至初始密文生成网络模型，并利用群体优化算法对所述初始密文生成网络模型进行迭代训练，当初始密文生成网络模型的损失值达到最小时，停止训练，获得密文生成网络模型；将车联网数据输入至密文生成网络模型，获得密文；其中，设置学习率

和初始密文生成网络模型的初始权值W，基于所述学习率

和初始权值W构建损失函数Loss：

其中，y为初始密文生成网络模型的输出值，y’为初始密文生成网络模型的预测值。

作为本发明所述的基于神经网络的车联网数据加密方法的一种优选方案，其中：所述密钥生成网络模型包括：所述密钥生成网络模型包括一维子网络模型、二维子网络模型和NDDR特征融合层；一维子网络模型的第一输出层和二维子网络模型的第二输出层均与所述NDDR特征融合层连接，分别通过一维子网络模型和二维子网络模型输出第一混沌序列、第二混沌序列，经所述NDDR特征融合层进行融合生成所述第一密钥。

作为本发明所述的基于神经网络的车联网数据加密方法的一种优选方案，其中：所述一维子网络模型和所述二维子网络模型包括：所述一维子网络模型由第一输入层、第一卷积层、第一池化层、第一残差网络层、第一全连接层和第一输出层构成，且第一输入层、第一卷积层、第一池化层、第一残差网络层、第一全连接层和第一输出层依次连接；第一卷积层的卷积核大小为3*3，第一池化层的池化窗口为2*2，通过第一残差网络层将第一池化层输出的特征进行Henon映射，输出第一混沌序列；所述二维子网络模型由第二输入层、第二卷积层、第二池化层、第二残差网络层、第二全连接层和第二输出层构成；且第二输入层、第二卷积层、第二池化层、第二残差网络层、第二全连接层和第二输出层依次连接；第二卷积层的卷积核大小为5*5，第二池化层的池化窗口为3*3，通过第二残差网络层将第二池化层输出的特征进行Cat映射，输出第二混沌序列。

作为本发明所述的基于神经网络的车联网数据加密方法的一种优选方案，其中：NDDR特征融合层包括：将输入的第一混沌序列和第二混沌序列进行拼接，而后使用1*1*3的卷积核进行卷积，生成所述第一密钥。

作为本发明所述的基于神经网络的车联网数据加密方法的一种优选方案，其中：包括：选取交叉熵损失函数作为密钥生成网络模型的目标损失函数，对密钥生成网络模型进行反向传播训练，不断调整网络参数和权值偏差，直至目标损失函数值达到最小。

作为本发明所述的基于神经网络的车联网数据加密方法的一种优选方案，其中：所述初始密文生成网络模型包括：所述初始密文生成网络模型由第三输入层、第一隐含层、第三卷积层、第四卷积层、第五卷积层、第三全连接层和第三输出层构成；且第三输入层、第一隐含层、第三卷积层、第四卷积层、第五卷积层、第三全连接层和第三输出层依次连接；第三卷积层和第四卷积层的卷积核大小为1*3*1，第五卷积层的池化窗口为2*3*2，第一隐含层、第三卷积层、第四卷积层、第五卷积层和第三全连接层的激活函数为tanh函数，第三输出层的激活函数为sigmoid函数。

作为本发明所述的基于神经网络的车联网数据加密方法的一种优选方案，其中：包括：将所述初始权值W作为鲸鱼个体，初始化鲸鱼个体数、最大迭代次数T和初始密文生成网络模型的神经元的个数；随机生成鲸鱼个体的位置，并计算鲸鱼个体的适应度；更新鲸鱼个体的位置，计算此时鲸鱼个体的适应度，根据适应度选取最优个体；当初始密文生成网络模型的损失值达到最小时停止训练，获得最优权值；其中，鲸鱼个体的适应度包括：

Fit＝1/Loss

式中，Fit为鲸鱼个体的适应度。

作为本发明所述的基于神经网络的车联网数据加密系统的一种优选方案，其中：包括：密钥生成模块，被配置为执行利用伪随机数生成器生成随机序列，并将车联网数据划分为n个数据块，将所述n个数据块与随机序列输入至密钥生成网络模型，生成第一密钥；数据运算模块，被配置为执行将车联网数据转换为二进制，并与第一密钥进行异或运算；模型训练模块，被配置为执行将异或运算结果输入至初始密文生成网络模型，并利用群体优化算法对所述初始密文生成网络模型进行迭代训练，当初始密文生成网络模型的损失值达到最小时，停止训练，获得密文生成网络模型；密文生成模块，被配置为执行将车联网数据输入至密文生成网络模型，获得密文。

作为本发明所述的基于神经网络的车联网数据加密系统的一种优选方案，其中：所述密钥生成网络模型包括：所述密钥生成网络模型包括一维子网络模型、二维子网络模型和NDDR特征融合层；所述一维子网络模型的第一输出层和所述二维子网络模型的第二输出层均与所述NDDR特征融合层连接；所述一维子网络模型和所述二维子网络模型分别生成第一混沌序列、第二混沌序列，所述NDDR特征融合层对所述第一混沌序列和第二混沌序列进行融合生成所述第一密钥。

作为本发明所述的基于神经网络的车联网数据加密系统的一种优选方案，其中：包括：所述模型训练模块被配置为执行采用WOA算法对所述初始密文生成网络模型进行迭代训练。

本发明的有益效果：本发明根据车联网数据维度设计不同结构的神经网络，同时结合随机序列生成对应密钥，实现一次一个密钥；将神经网络与群体优化算法结合，生成密文，且密文数据量没有增加，提高了加密运算速度，若想破译密文，必须同时知道随机序列、神经网络模型结构，否则很难破译，极大提高了车联网数据的安全性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例所述的一种基于神经网络的车联网数据加密方法的流程示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1，为本发明的第一个实施例，该实施例提供了一种基于神经网络的车联网数据加密方法，包括：

S1：利用伪随机数生成器生成随机序列，并将车联网数据划分为n个数据块，将n个数据块与随机序列输入至密钥生成网络模型，生成第一密钥。

为了提高密钥的随机性，本实施例通过伪随机数生成器生成随机序列，无规律可循，安全性较高。

进一步地，将车联网数据划分为n个数据块，将n个数据块与随机序列输入至密钥生成网络模型，密钥生成网络模型包括一维子网络模型、二维子网络模型和NDDR特征融合层，由于车联网数据可能存在多个维度，因此，本实施例基于特征融合的思想，根据车联网数据的维度，建立一维子网络模型、二维子网络模型，分别用于处理不同维度的车联网数据，然后通过NDDR特征融合层进行融合，生成第一密钥。

具体的，一维子网络模型的第一输出层和二维子网络模型的第二输出层均与NDDR特征融合层连接，分别通过一维子网络模型和二维子网络模型输出第一混沌序列、第二混沌序列，经NDDR特征融合层进行融合生成第一密钥。

一维子网络模型由第一输入层、第一卷积层、第一池化层、第一残差网络层、第一全连接层和第一输出层构成，且第一输入层、第一卷积层、第一池化层、第一残差网络层、第一全连接层和第一输出层依次连接；第一卷积层的卷积核大小为3*3，第一池化层的池化窗口为2*2，通过第一残差网络层将第一池化层输出的特征进行Henon映射，输出第一混沌序列；即将n个数据块与随机序列通过第一输入层输入至一维子网络模型，接着由第一卷积层进行特征提取，然后由第一池化层进行特征降维处理，并从中提取主要特征，由第一残差网络层对池化层输出的特征进行Henon映射，通过第一全连接层和第一输出层输出第一混沌序列。

二维子网络模型由第二输入层、第二卷积层、第二池化层、第二残差网络层、第二全连接层和第二输出层构成；且第二输入层、第二卷积层、第二池化层、第二残差网络层、第二全连接层和第二输出层依次连接；第二卷积层的卷积核大小为5*5，第二池化层的池化窗口为3*3，通过第二残差网络层将第二池化层输出的特征进行Cat映射，输出第二混沌序列，即将n个数据块与随机序列通过第二输入层输入至二维子网络模型，接着由第二卷积层进行特征提取，然后由第二池化层进行特征降维处理，并从中提取主要特征，由第二残差网络层对池化层输出的特征进行Cat映射，通过第二全连接层和第二输出层输出第二混沌序列。

再进一步地，将输入的第一混沌序列和第二混沌序列进行拼接，而后使用1*1*3的卷积核进行卷积，生成第一密钥。

另外，为了提高密钥生成网络模型的模型精度，本实施例选取交叉熵损失函数作为密钥生成网络模型的目标损失函数，对密钥生成网络模型进行反向传播训练，不断调整网络参数和权值偏差，直至目标损失函数值达到最小值，获得最优模型。

较佳的是，本实施例根据数据维度设置不同的卷积层，提高了特征提取能力，对于一维数据，采用Henon映射生成混沌序列，对于二维数据，采用Cat映射生成混沌序列，且生成的混沌序列具有很强的随机性，在[0，1]间产生的混沌序列分布均匀。

S2：将车联网数据转换为二进制，并与第一密钥进行异或运算。

通过将车联网数据转换为二进制，并与第一密钥进行异或运算，有效提高加密运算的效率。

S3：将异或运算结果输入至初始密文生成网络模型，并利用群体优化算法对初始密文生成网络模型进行迭代训练，当初始密文生成网络模型的损失值达到最小时，停止训练，获得密文生成网络模型。

初始密文生成网络模型由第三输入层、第一隐含层、第三卷积层、第四卷积层、第五卷积层、第三全连接层和第三输出层构成；且第三输入层、第一隐含层、第三卷积层、第四卷积层、第五卷积层、第三全连接层和第三输出层依次连接；第三卷积层和第四卷积层的卷积核大小为1*3*1，第五卷积层的池化窗口为2*3*2，第一隐含层、第三卷积层、第四卷积层、第五卷积层和第三全连接层的激活函数为tanh函数，第三输出层的激活函数为sigmoid函数。

进一步地，为了提高初始密文生成网络模型的模型精度，本实施例采用WOA(WhaleOptimization Algorithm)算法对初始密文生成网络模型进行迭代训练，WOA算法简练易于实现，且对目标函数条件要求宽松，参数控制较少。

具体的训练步骤如下：

(1)将初始权值W作为鲸鱼个体，初始化鲸鱼个体数、最大迭代次数T和初始密文生成网络模型的神经元的个数；

(2)随机生成鲸鱼个体的位置，并计算鲸鱼个体的适应度；

鲸鱼个体的适应度为：

Fit＝1/Loss

式中，Fit为鲸鱼个体的适应度。

(3)更新鲸鱼个体的位置，计算此时鲸鱼个体的适应度，根据适应度选取最优个体；

(4)当初始密文生成网络模型的损失值达到最小时停止训练，获得最优权值。

设置学习率

和初始密文生成网络模型的初始权值W，基于学习率

和初始权值W构建损失函数Loss：

其中，y为初始密文生成网络模型的输出值，y’为初始密文生成网络模型的预测值。

为了防止模型过拟合同时加快训练速度，本实施例将学习率设置为0.01。

S4：将车联网数据输入至密文生成网络模型，获得密文。

较佳的是，本实施例将神经网络与群体优化算法结合，对车联网数据进行加密，实现了一次一密，安全性高；加密后，密文数据量没有增加，若想破译密文，必须同时知道随机序列、神经网络模型结构，否则很难破译。

实施例2

本实施例不同于第一个实施例的是，提供了一种基于神经网络的车联网数据加密系统，包括，

密钥生成模块，被配置为利用伪随机数生成器生成随机序列，并将车联网数据划分为n个数据块，将n个数据块与随机序列输入至密钥生成网络模型，生成第一密钥；密钥生成网络模型包括一维子网络模型、二维子网络模型和NDDR特征融合层；一维子网络模型的第一输出层和二维子网络模型的第二输出层均与NDDR特征融合层连接；一维子网络模型和二维子网络模型分别生成第一混沌序列、第二混沌序列，NDDR特征融合层对第一混沌序列和第二混沌序列进行融合生成第一密钥。

数据运算模块，被配置为执行将车联网数据转换为二进制，并与第一密钥进行异或运算。

模型训练模块，被配置为执行将异或运算结果输入至初始密文生成网络模型，并利用群体优化算法对初始密文生成网络模型进行迭代训练，当初始密文生成网络模型的损失值达到最小时，停止训练，获得密文生成网络模型；群体优化算法即为WOA算法。

密文生成模块，被配置为执行将车联网数据输入至密文生成网络模型，获得密文。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于神经网络的车联网数据加密方法，其特征在于，包括：

利用伪随机数生成器生成随机序列，并将车联网数据划分为n个数据块，将所述n个数据块与随机序列输入至密钥生成网络模型，生成第一密钥；

将所述车联网数据转换为二进制，并与所述第一密钥进行异或运算；

将异或运算结果输入至初始密文生成网络模型，并利用群体优化算法对所述初始密文生成网络模型进行迭代训练，当初始密文生成网络模型的损失值达到最小时，停止训练，获得密文生成网络模型；

将所述车联网数据输入至所述密文生成网络模型，获得密文；

其中，设置学习率

和初始密文生成网络模型的初始权值W，基于所述学习率

和初始权值W构建损失函数Loss：

其中，y为初始密文生成网络模型的输出值，y’为初始密文生成网络模型的预测值。

2.如权利要求1所述的基于神经网络的车联网数据加密方法，其特征在于，所述密钥生成网络模型包括：

所述密钥生成网络模型包括一维子网络模型、二维子网络模型和NDDR特征融合层；一维子网络模型的第一输出层和二维子网络模型的第二输出层均与所述NDDR特征融合层连接，分别通过一维子网络模型和二维子网络模型输出第一混沌序列、第二混沌序列，经所述NDDR特征融合层进行融合生成所述第一密钥。

3.如权利要求2所述的基于神经网络的车联网数据加密方法，其特征在于，所述一维子网络模型和所述二维子网络模型包括：

所述一维子网络模型由第一输入层、第一卷积层、第一池化层、第一残差网络层、第一全连接层和第一输出层构成，且第一输入层、第一卷积层、第一池化层、第一残差网络层、第一全连接层和第一输出层依次连接；第一卷积层的卷积核大小为3*3，第一池化层的池化窗口为2*2，通过第一残差网络层将第一池化层输出的特征进行Henon映射，输出第一混沌序列；

所述二维子网络模型由第二输入层、第二卷积层、第二池化层、第二残差网络层、第二全连接层和第二输出层构成；且第二输入层、第二卷积层、第二池化层、第二残差网络层、第二全连接层和第二输出层依次连接；第二卷积层的卷积核大小为5*5，第二池化层的池化窗口为3*3，通过第二残差网络层将第二池化层输出的特征进行Cat映射，输出第二混沌序列。

4.如权利要求2所述的基于神经网络的车联网数据加密方法，其特征在于，NDDR特征融合层包括：

将输入的第一混沌序列和第二混沌序列进行拼接，而后使用1*1*3的卷积核进行卷积，生成所述第一密钥。

5.如权利要求3或4所述的基于神经网络的车联网数据加密方法，其特征在于，包括：

选取交叉熵损失函数作为密钥生成网络模型的目标损失函数，对密钥生成网络模型进行反向传播训练，不断调整网络参数和权值偏差，直至目标损失函数值达到最小。

6.如权利要求2所述的基于神经网络的车联网数据加密方法，其特征在于，所述初始密文生成网络模型包括：

所述初始密文生成网络模型由第三输入层、第一隐含层、第三卷积层、第四卷积层、第五卷积层、第三全连接层和第三输出层构成；且第三输入层、第一隐含层、第三卷积层、第四卷积层、第五卷积层、第三全连接层和第三输出层依次连接；第三卷积层和第四卷积层的卷积核大小为1*3*1，第五卷积层的池化窗口为2*3*2，第一隐含层、第三卷积层、第四卷积层、第五卷积层和第三全连接层的激活函数为tanh函数，第三输出层的激活函数为sigmoid函数。

7.如权利要求6所述的基于神经网络的车联网数据加密方法，其特征在于，包括：

将所述初始权值W作为鲸鱼个体，初始化鲸鱼个体数、最大迭代次数T和初始密文生成网络模型的神经元的个数；

随机生成鲸鱼个体的位置，并计算鲸鱼个体的适应度；

更新鲸鱼个体的位置，计算此时鲸鱼个体的适应度，根据适应度选取最优个体；

当初始密文生成网络模型的损失值达到最小时停止训练，获得最优权值；

其中，鲸鱼个体的适应度包括：

Fit＝1/Loss

式中，Fit为鲸鱼个体的适应度。

8.一种基于神经网络的车联网数据加密系统，其特征在于，包括：

密钥生成模块，被配置为执行利用伪随机数生成器生成随机序列，并将车联网数据划分为n个数据块，将所述n个数据块与随机序列输入至密钥生成网络模型，生成第一密钥；

数据运算模块，被配置为执行将所述车联网数据转换为二进制，并与所述第一密钥进行异或运算；

模型训练模块，被配置为执行将异或运算结果输入至初始密文生成网络模型，并利用群体优化算法对所述初始密文生成网络模型进行迭代训练，当初始密文生成网络模型的损失值达到最小时，停止训练，获得密文生成网络模型；

密文生成模块，被配置为执行将车联网数据输入至所述密文生成网络模型，获得密文。

9.如权利要求8所述的基于神经网络的车联网数据加密系统，其特征在于，所述密钥生成网络模型包括：

所述密钥生成网络模型包括一维子网络模型、二维子网络模型和NDDR特征融合层；所述一维子网络模型的第一输出层和所述二维子网络模型的第二输出层均与所述NDDR特征融合层连接；

所述一维子网络模型和所述二维子网络模型分别生成第一混沌序列、第二混沌序列，所述NDDR特征融合层对所述第一混沌序列和第二混沌序列进行融合生成所述第一密钥。

10.如权利要求8所述的基于神经网络的车联网数据加密系统，其特征在于，包括：

所述模型训练模块被配置为执行采用WOA算法对所述初始密文生成网络模型进行迭代训练。

Images