本发明涉及车辆，特别是涉及一种can信号异常检测方法、系统、电子设备、存储介质及车辆。
背景技术：
1、目前，随着汽车行业改革趋势的日益强劲，智能网联汽车的概念频繁出现在各大汽车企业的未来规划中。智能网联汽车一般包含两个概念：智能汽车和车联网。智能汽车包含两个模式：自主式和网联式。自主式指的是通过汽车自己装载的传感器(摄像头、激光雷达、雷达、全球定位系统等等)感知汽车所处周围的环境，使用汽车搭载的控制器达到决策以及控制的目的，并且所得结果交付底层系统(线控制动与驱动、线控转向、自动变速系统、底盘一体化控制等等)执行，最终达成自动驾驶的功能。网联式指的是汽车依赖车联网通信的方式得到周围的外部信息(其他车辆和路测计算单元)并协助车辆进行决策以及控制。
2、现有技术中，汽车内部使用的控制区域网络面临多种安全缺陷，受到攻击篡改的控制器总线报文将影响汽车内部系统的正常运行，严重情况下影响到汽车的驾驶安全。
3、因此，本申请提供一种can信号异常检测方法以解决上述技术问题。
技术实现思路
1、本发明的目的在于提供一种can信号异常检测方法、系统、电子设备、存储介质及车辆，用以解决现有技术中车辆内部的控制区域网络具有较多的安全缺陷，当出现异常时，影响驾驶安全的技术问题。
2、为了解决上述技术问题，本发明提供了一种can信号异常检测方法，包括：
3、数据预处理步骤，包括对控制器总线报文进行归一化处理，获取数据集；
4、模型构建步骤，包括基于堆叠式lstm模型并引入残差连接，其中，所述残差连接用于结合所述堆叠式lstm模型；
5、模型优化步骤，包括基于遗传算法对所述堆叠式lstm模型的参数进行优化；
6、仿真与评估步骤，包括使用预处理后的所述数据集对所述堆叠式lstm模型进行训练与仿真，并评估所述堆叠式lstm模型对各类攻击的检测效果。
7、在其中一些具体实施例中，数据预处理步骤，包括对控制器总线报文进行归一化处理，获取数据集，进一步包括：
8、采集所述控制器总线报文的id和数据域作为输入数据；
9、对所述输入数据进行z-score标准化处理，将所述输入数据收缩至零一区间内，以消除特殊数据特征的影响；
10、检测所述控制器总线报文的序列平稳性，用于确保报文序列满足弱平稳性条件。
11、在其中一些具体实施例中，模型构建步骤，包括基于堆叠式lstm模型并引入残差连接，其中，所述残差连接用于结合所述堆叠式lstm模型，进一步包括：
12、构建双层堆叠lstm模型，第一层lstm接收所述控制器总线报文及其前一时刻的隐层输出，生成中间隐层输出；
13、第二层lstm接收所述中间隐层输出，进一步生成最终隐层输出；
14、在所述第一层lstm与所述第二层lstm之间引入所述残差连接，将输入的所述控制器总线报文与所述最终隐层输出结合，以增强所述双层堆叠lstm模型的学习能力。
15、在其中一些具体实施例中，模型优化步骤，包括基于遗传算法对所述堆叠式lstm模型的参数进行优化，进一步包括：
16、遗传算法初始化，包括随机生成一定数量的参数组合作为初始种群；
17、适应度评估，包括将每个所述参数组合应用到所述堆叠式lstm模型中，计算所述lstm模型在验证集上的性能指标作为适应度；
18、遗传操作，包括选择、交叉和变异，根据所述适应度对所述初始种群进行更新，生成新的参数组合；
19、迭代优化，包括重复执行所述适应度评估和所述遗传操作，直至达到预设的迭代次数或所述lstm模型性能不再显著提升。
20、在其中一些具体实施例中，仿真与评估步骤，包括使用预处理后的所述数据集对所述堆叠式lstm模型进行训练与仿真，并评估所述堆叠式lstm模型对各类攻击的检测效果，进一步包括：
21、将预处理后的所述数据集划分为训练集、验证集和测试集；
22、使用tensorflow框架构建所述堆叠式lstm模型，并在所述训练集上进行训练；
23、在所述测试集上评估所述lstm模型对各类攻击的检测效果，记录评价指标，包括准确率、召回率以及f1分数；
24、根据评估结果调整所述lstm模型结构或参数设置，以提升所述lstm模型的检测精度和泛化能力。
25、在其中一些具体实施例中，还包括添加优先级调度任务，包括：
26、根据不同的任务需求设定不同的优先级，包括为每个任务设定优先级值，其中，所述优先级值越高的任务在执行时将获得更高的资源分配优先级；
27、根据所述优先级值，动态地为每个任务进行资源分配和任务调度；
28、基于关键的安全性信号，提高在所述任务调度中的优先级。
29、基于同一构思，本发明还提供一种can信号异常检测系统，包括：
30、数据预处理模块，配置为包括对控制器总线报文进行归一化处理，获取数据集；
31、模型构建模块，配置为包括基于堆叠式lstm模型并引入残差连接，其中，所述残差连接用于结合所述堆叠式lstm模型；
32、模型优化模块，配置为包括基于遗传算法对所述堆叠式lstm模型的参数进行优化；
33、仿真与评估模块，配置为包括使用预处理后的所述数据集对所述堆叠式lstm模型进行训练与仿真，并评估所述堆叠式lstm模型对各类攻击的检测效果。
34、基于同一构思，本发明还提供一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；所述存储器中存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行can信号异常检测方法的步骤。
35、基于同一构思，本发明还提供一种计算机可读存储介质，其存储有可由电子设备执行的计算机程序，当所述计算机程序在所述电子设备上运行时，使得所述电子设备执行can信号异常检测方法的步骤。
36、基于同一构思，本发明还提供一种车辆，所述车辆设置有如上所述的can信号异常检测系统。
37、与现有技术相比，其有益效果在于：
38、本发明公开了一种can信号异常检测方法、系统、电子设备、存储介质及车辆，可有效防止车内控制网络面临的众多安全缺陷，保障智能车载系统的驾驶安全性。
1.一种can信号异常检测方法，其特征在于，包括：
2.根据权利要求1所述的can信号异常检测方法，其特征在于，数据预处理步骤，包括对控制器总线报文进行归一化处理，获取数据集，进一步包括：
3.根据权利要求1所述的can信号异常检测方法，其特征在于，模型构建步骤，包括基于堆叠式lstm模型并引入残差连接，其中，所述残差连接用于结合所述堆叠式lstm模型，进一步包括：
4.根据权利要求1所述的can信号异常检测方法，其特征在于，模型优化步骤，包括基于遗传算法对所述堆叠式lstm模型的参数进行优化，进一步包括：
5.根据权利要求1所述的can信号异常检测方法，其特征在于，仿真与评估步骤，包括使用预处理后的所述数据集对所述堆叠式lstm模型进行训练与仿真，并评估所述堆叠式lstm模型对各类攻击的检测效果，进一步包括：
6.根据权利要求1所述的can信号异常检测方法，其特征在于，还包括添加优先级调度任务，包括：
7.一种can信号异常检测系统，其特征在于，包括：
8.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；所述存储器中存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其特征在于，其存储有可由电子设备执行的计算机程序，当所述计算机程序在所述电子设备上运行时，使得所述电子设备执行权利要求1至6中任一项所述方法的步骤。
10.一种车辆，其特征在于，所述车辆设置有如权利要求7所述的can信号异常检测系统。
