基于HybridEfficientNet模型的车辆入侵检测系统及方法

本发明属于车联网和通信安全，具体地，涉及一种基于hybridefficientnet模型的车辆入侵检测系统及方法。

背景技术：

1、随着现代智能网联汽车的迅速发展，车载网络系统已经成为汽车功能的重要组成部分。通过车载网络，车辆不仅能够与外部环境进行信息交互，还可以进行自动驾驶、远程诊断、车联网服务等多项高科技应用。然而，随着车载网络的开放性和复杂性的提高，车辆面临的网络安全威胁也日益增加。网络攻击者可以通过远程方式入侵车载网络，导致车载系统异常、车辆功能失控，甚至危及驾驶安全。

2、早期的入侵检测系统主要采用基于规则的策略，通过预先设定的异常检测规则和网络行为模式，来判断是否存在入侵行为。这类系统依赖专家知识和人工定义规则，具有实现简单、检测准确的优势。然而，随着车载网络的复杂性增加和攻击手段的多样化，基于规则的入侵检测系统逐渐暴露出以下不足：（1）无法应对未知攻击（规则只能检测预定义的已知攻击，对变异攻击和未知攻击无效）；（2）维护成本高、难以应对动态网络环境（车载网络环境复杂且实时性强，基于固定规则的系统缺乏灵活性，难以适应动态的网络变化）。

3、近年来，随着机器学习和深度学习技术的迅猛发展，研究者开始尝试将这些智能技术应用于车载网络入侵检测系统。基于机器学习的入侵检测系统通过分析历史数据，自动学习正常行为模式，从而识别异常行为。然而，现有基于深度学习的车载网络入侵（也称车辆入侵）检测技术仍存在一些不足和挑战，主要表现在模型复杂度与计算资源限制、数据不平衡问题、实时性和高吞吐量需求。例如，he等人提出的resnet-152模型（he, k.,zhang, x., ren, s.,&sun, j. (2016). deep residual learning for imagerecognition. in proceedings of the ieee conference on computer vision andpattern recognition）包含超过6000万个参数，在资源受限的车载环境中难以实时运行。此外，车辆入侵检测系统需要快速响应潜在的安全威胁。然而，许多现有的深度学习模型，如lstm（long short-term memory）网络（hochreiter, s.,&schmidhuber, j. (1997).long short-term memory. neural computation, 9(8), 1735-1780），虽然能够有效处理序列数据，但其递归结构导致推理速度较慢，难以满足车载系统的实时性要求。虽然已有一些轻量级模型如mobilenet（howard, a. g., zhu, m., chen, b., kalenichenko, d.,wang, w., weyand, t., ...&adam, h. (2017). mobilenets: efficientconvolutional neural networks for mobile vision applications. arxiv preprintarxiv:1704.04861.）被提出，但这些模型主要针对移动设备上的图像处理任务进行优化，在处理车载网络数据时可能无法达到理想的检测性能。再者，现有的一些模型在特征提取方面效率不高。例如，常规的卷积神经网络在处理车载网络数据时，可能会提取大量冗余或不相关的特征，增加了计算开销并可能影响检测准确性。因此，有必要提供一种先进的网络结构，在保持模型表达能力的同时，显著减少参数量和计算复杂度。

技术实现思路

1、鉴于上述技术问题和缺陷，本发明提供一种基于hybrid efficientnet模型的车辆入侵检测系统，hybrid efficientnet模型结合了efficientnet的核心思想和多种先进的网络结构，如mbconv（mobile inverted bottleneck convolution）和fusedmbconv（fused mobile inverted bottleneck convolution）模型，这些结构能够在保持模型表达能力的同时，显著减少参数量和计算复杂度。

2、为实现上述目的，本发明采用如下技术方案：

3、一种基于hybrid efficientnet模型的车辆入侵检测系统，所述系统是通过对hybrid efficientnet模型进行训练得到；其中，所述hybrid efficientnet模型包括初始卷积层、主干网络、自适应全局池化层、flatten 层、丢弃层、隐藏层、分类层；hybridefficientnet模型输入层输入的数据是一个具有三个通道的图像，图像通过初始卷积层进行处理，所述初始卷积层为二维卷积层，用于提取输入图像的低级特征，对数据进行标准的卷积操作后进行批量归一化和 silu 激活函数处理后输出，输出的数据根据配置参数选择进入主干网络进行进一步的特征提取；

4、所述主干网络由1个 fusedmbconv模块和 15个mbconv 模块组成，主干网络设置参数t，若t=1，则利用fusedmbconv模块对数据进行处理；若t≠1，则利用mbconv模块对数据进行处理，具体参数配置如下：

5、t，c，n，s，cbam；

6、1，16，1，1，0；fusedmbconv；

7、4，24，2，2，0；mbconv；

8、4，40，2，2，0；mbconv；

9、4，80，3，2，1；mbconv；

10、6，112，3，1，1；mbconv；

11、6，192，4，2，1；mbconv；

12、6，320，1，1，1；mbconv；

13、其中，c：表示模块的输出通道数；n：表示模块重复的次数；s：表示模块的步幅；cbam：表示是否使用cbam模块，1表示使用cbam注意力机制，0表示不使用cbam注意力机制；

14、所述fusedmbconv 模块用于扩展和融合输入特征，先执行3x3标准卷积，提取空间信息的同时还负责扩展通道数，之后进行批量归一化和 silu 激活函数处理，对于激活后的输出判断扩展率是否等于1，若扩展率为 1，则直接输出；若扩展率大于 1，则继续执行1x1卷积，之后进行批量归一化后再输出；

15、所述mbconv 模块包括扩展层、深度可分离卷积模块、通道和空间注意力机制、投影层；所述扩展层用于将输入特征的通道数扩展，扩展层中输出通道数由扩展因子 t 和输入通道数决定，扩展卷积后数据经过批量归一化和silu激活函数进行处理；

16、所述深度可分离卷积模块分为深度卷积和逐点卷积，深度卷积输入通道数为拓展后的通道数，输出通道数与输入通道数一致，步幅s为1或2，在参数配置中设置；逐点卷积的输入通道数为深度卷积的输出通道数，输出通道数c在参数配置中设置，与原始通道数或扩展后的通道数相同；

17、所述通道和空间注意力机制包括通道注意力机制和空间注意力机制，所述通道注意力机制用于将生成的通道注意力系数与原始特征相乘，得到增强的通道特征；所述空间注意力机制用于将生成的空间注意力系数与输入特征图相乘，得到最终增强的空间特征；

18、所述投影层用于调整特征图的通道数，确保不同模块之间的通道数匹配，之后经过批量归一化操作后输出；

19、所述 mbconv模块内部使用残差连接，当mbconv模块的输入通道数与输出通道数相同且步幅s为1时，使用残差连接，将模块的输入直接加到模块的输出上；

20、所述自适应全局池化层用于将特征图的空间维度压缩为固定的输出尺寸，同时保持通道信息不变，从而生成一个全局特征向量；

21、所述flatten 层用于将多维特征图转换为一维向量；

22、所述隐藏层为第一个全连接层，展开后的特征向量通第一个全连接层逐步压缩为分类所需的向量；

23、所述分类层为第二个全连接层，用于将提取到的高维全局特征映射到输出类别的概率空间，完成车辆入侵检测的分类任务。

24、作为本发明的优选，初始卷积层的卷积核大小为 3x3，步幅为 2；所述扩展层的输出通道数为输入通道数的6倍，通过 1x1 卷积进行扩展，步幅为1，填充为0；所述深度卷积为3x3卷积，逐点卷积为1x1卷积；所述投影层通过步幅为1、无填充的1×1卷积操作有效地调整特征图的通道数；所述自适应全局池化层输出的空间维度固定为 (1, 1)；第一个全连接层执行线性变换，在线性变换之后，使用silu激活函数；所述丢弃层的丢弃率设定为0.2。

25、作为本发明的优选，所述通道注意力机制对特征图应用全局平均池化和全局最大池化，得到两个不同的全局信息表示；之后将获得的两个特征通过两个1x1卷积层进行处理，并通过relu激活函数引入非线性变换；然后，两个处理后的特征图相加并通过 sigmoid激活函数生成通道注意力系数；最后，将生成的通道注意力系数与原始特征相乘，得到增强的通道特征；完成通道注意力处理后，通过空间注意力机制对特征图进行进一步处理。

26、作为本发明的优选，所述空间注意力机制对特征图进行通道上的平均池化和最大池化操作，生成两个空间特征图；之后将两个空间特征图拼接在一起并通过3x3卷积层进行处理，并通过sigmoid激活函数生成空间注意力系数；最后，将生成的空间注意力系数与输入特征图相乘，得到最终增强的空间特征。

27、作为本发明的优选，对hybrid efficientnet模型进行训练的具体步骤为：

28、步骤s1.选用车辆数据集car-hacking作为车辆内部数据集，通过对数据进行预处理将其转换成hybrid efficientnet模型能够处理的数据形式；

29、作为本发明的优选，步骤s1具体包括以下步骤：

30、步骤s101.对原始car-hacking数据集进行数据采样；

31、对于车辆数据中的标签'r'、'fuzzy'、'ram'、'gear'、'dos'分别按照30%、60%、65%、65%、70%采样比例进行采样；

32、步骤s102.采样后的数据集降维后进行异常值检测；

33、利用改进的autoencoder模型进行降维处理，将高维数据压缩到低维潜在空间中，生成低维特征，之后应用孤立森林算法进行异常值检测；所述改进的autoencoder模型中加入了批归一化和dropout层；

34、步骤s103. 过采样；

35、使用smote对标签为'fuzzy'的样本进行过采样，过采样至标签'rpm'、'gear'和'dos'的平均样本数水平；之后，对于生成的每个样本，使用adasyn动态调整合成样本的生成比例；

36、步骤s104.进行特征选择；

37、基于互信息的特征选择方法，筛选出互信息得分高于0.2的特征；

38、步骤s105.在完成特征选择之后，选中的特征被标准化并缩放；

39、首先对选定的特征进行归一化处理，将特征值转换到 [0, 1] 区间内；其次，采用了基于分位数变换的归一化方法，将数据样本映射到[0, 255]范围内，以适配图像格式；

40、步骤s2.将步骤s1处理完的数据集按照标签转变并保存为多组图像数据集；

41、根据数据集的时间戳和特征大小将数据样本转换为数据块，之后将数据块转换为图像，并按比例划分了训练数据集和测试数据集；

42、步骤s3.将步骤s2处理完的训练数据集和测试数据集传入搭建好的hybridefficientnet模型中进行训练。

43、作为本发明的优选，所述改进的autoencoder 模型包括依次设置的输入层；第一全连接层，有256个神经元，relu激活函数；第一批归一化层；第一dropout层，比例0.3；第二全连接层，有128个神经元，relu激活函数；第二批归一化层；第二dropout层，比例0.3；第三全连接层， 有64个神经元， relu激活函数；第三批归一化层；第三dropout层，比例0.3；第四全连接层，有 32个神经元， relu激活函数，第四全连接层为瓶颈层 ，是编码器的最后一层；第五全连接层，有64个神经元，relu激活函数；第四批归一化层；第六全连接层， 有128个神经元，relu激活函数；第五批归一化层；第七全连接层，有256个神经元，relu激活函数；第六批归一化层；第八全连接层是解码器的最后一层，输出一个与输入数据维度一致的重建数据；网络训练的超参数设置为：批次大小为256，最大迭代次数为100轮。

44、作为本发明的优选，步骤s2的具体步骤为：选择了9个重要特征,分别为can id和data[0]-data[7]，将每27个连续的样本组成一个数据块，每个数据块包含 9×27=243个特征值，将243个特征值重塑为9x9x3的三维数组，三维数组的格式对应图像中的高度、宽度和颜色通道，用作图像数据的输入。

45、作为本发明的优选，所述步骤s3进行训练时，将处理完的数据输入到hybridefficientnet模型中，在模型进行最终训练评估之前，首先通过树形parzen估计器超参数优化方法调用数据集和hybrid efficientnet模型来寻找出适用于hybrid efficientnet模型的最佳超参数组合； 在得到最优的超参数组合后，对得到的最优超参数组合进行评估。

46、本发明提供一种基于hybrid efficientnet模型的车辆入侵检测方法，该方法包括以下步骤：

47、步骤1.实时接收can流量数据；

48、步骤2.对can流量数据预处理，进行归一化并转换成图像数据；

49、步骤3.将转换后的图像数据输入到上述所述的基于hybrid efficientnet模型的车辆入侵检测系统中；

50、步骤4. 基于hybrid efficientnet模型的车辆入侵检测系统对实时接收的can流量数据进行识别分类，输出分类结果；

51、步骤5.基于分类结果，确定入侵检测结果。

52、本发明的优点和有益效果：

53、（1）本发明设计了一种基于hybrid efficientnet模型的车辆入侵检测系统，该系统具有出色的检测异常流量的能力，可区分各个攻击类别，实现了高准确率，以及高效的处理能力和快速的响应速度（批处理的平均时间为7.68毫秒，内存使用量为15.6mb），满足车辆环境中的便捷操作需求，有效解决现有入侵检测模型复杂不便捷，无法直接部署到资源受限的车载网络环境中的技术难题。

54、（2）本发明提供的hybrid efficientnet的神经网络模型，结合了efficientnet的核心思想和多种先进的网络结构，如mbconv（mobile inverted bottleneck convolution）和fusedmbconv（fused mobile inverted bottleneck convolution），这些结构能够在保持模型表达能力的同时，显著减少参数量和计算复杂度。

55、（3）本发明同时使用了mbconv和fusedmbconv模块，根据不同层的需求灵活选择，以平衡效率和性能，在mbconv模块中通过将标准卷积分解为深度卷积和逐点卷积，大幅降低了计算复杂度，通过引入了cbam（convolutional block attention module）注意力机制，增强了模型对关键特征的感知能力，提高了模型对重要特征的关注，从而提升了模型的性能和泛化能力。

56、（4）本发明不仅优化了模型的训练过程，还通过详细的可视化手段，如混淆矩阵和训练曲线，帮助技术人员直观地评估和理解模型表现，从而实现高效、准确的车辆入侵检测任务。

57、（5）本发明模型训练前对数据进行预处理，预处理时引入了多层次的抽样策略，更加细化地平衡各类样本数据，有效保留各类别之间的差异，降低信息丢失的风险，提高数据集的代表性和采样质量。

58、（6）本发明对于采样后的数据集通过改进的autoencoder降维模型将高维数据压缩到低维潜在空间中，增强了特征提取的能力，使孤立森林算法更加高效地、精准地区分正常点和异常点，进行异常检测，减少高维特征空间中可能存在的冗余信息和噪声的干扰；而且由于改进的autoencoder网络中加入了batch normalization和dropout层，同时使用了早停策略（early stopping）来监控验证集的损失，有效避免模型过度训练。

59、（7）本发明为解决数据集出现类别不平衡问题采用了smote和adasyn结合的过采样技术，相比传统的smote方法，加入adasyn后，系统能够根据样本分布动态调整采样策略，减少了生成过于集中的新样本的可能性，增强了对复杂数据分布的适应性，确保数据的均衡性和合成样本的代表性，从而使得分类器对每个类别的学习能力得到显著提高，有效减少训练过程中的偏差，提高模型的泛化能力和准确性。

60、（8）本发明引入了基于互信息的特征选择方法，有效去除噪声特征或冗余特征，只保留对目标变量有显著贡献的特征，此种方式可以进一步优化模型性能，在保证准确率的同时提高模型训练效率。

61、（9）本发明对hybrid efficientnet的轻量级神经网络模型性能进行综合评估（包括精确度、召回率、f1分数等指标），结果表明，该模型在准确率、精确率、召回率、f1分数四个指标方面均为100%，拥有良好的模型表现，在车辆入侵检测方面，具有较好的表现效果，可以准确识别车联网中存在的恶意流量，保证车辆行驶的安全。