(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111670511.0 (22)申请日 2021.12.31 (71)申请人 网络通信与安全紫金山实验室 地址 210000 江苏省南京市江宁区秣周东 路9号 申请人 国家数字交换系统工程 技术研究中 心 (72)发明人 张震　张金锋　伊鹏　段通　 谢记超　张跃中　 (74)专利代理 机构 江苏圣典律师事务所 32 237 专利代理师 徐晓鹭 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 智能网联汽 车异常智能检测方法、 装置及可 读存储介质 (57)摘要 本发明公开了智能网联汽车异常智能检测 方法、 装置及可读存储介质， 所述检测方法包括： 根据根不同车辆数据类型间的关系确定样本特 征的数据类型， 获取所述样本特征对应的车辆数 据， 对所述车辆数据预处理后得到用于训练的样 本数据； 用所述样本数据训练车辆异常检测决策 树模型， 生成泛化能力达到预设目标的决策树模 型； 将所述决策树模型部署到车载终端， 获取实 时车辆数据， 得到车辆数据是否异常的结果。 本 发明实施例利用大数据和人工智能技术构建了 基于数据驱动的智能网联汽车异常智能检测模 型， 有效解决了传统检测方法依赖先验规则难以 感知未知异常的不足。 权利要求书3页 说明书7页 附图1页 CN 114707566 A 2022.07.05 CN 114707566 A 1.一种智能网联汽车异常智能检测方法， 其特 征在于， 所述检测方法包括： 根据根不同车辆数据类型间的关系确定样本特征的数据类型， 获取所述样本特征对应 的车辆数据， 对所述车辆数据预处 理后得到用于训练的样本数据； 用所述样本数据训练车辆异常检测决策树模型， 生成泛化 能力达到预设目标的决策树 模型； 将所述决策树模型部署到车载终端， 获取实时车辆数据， 得到车辆数据是否异常的结 果。 2.根据权利要求1所述的一种智能网联汽车异常智能检测方法， 其特征在于， 所述样本 数据包含多种不同的样本特 征， 各类型样本数据之间互不关联。 3.根据权利要求1所述的一种智能网联汽车异常智能检测方法， 其特征在于， 用所述样 本数据训练决策树模型， 生成泛化能力达 到预设目标的决策树模型 具体过程 为： 根据信息增益率计算方法得到特征分裂点序， 生成车辆异常检测初始决策树模型， 采 用后剪枝方式对所述初始决策树模型进行精剪， 生成优化的决策树模型。 4.根据权利要求3所述的一种智能网联汽车异常智能检测方法， 其特征在于， 所述根据 信息增益 率计算生成初始决策树模型 具体为： 根据信息增益 率计算方法得到特 征分裂点序， 信息增益 率计算函数表示 为： 其中， Info(U)为分裂前的信息熵， InfoA(U)表示按特征A分裂后的信息熵， Ub是特征A将 U划分成n个不同类的样本 子集， U为训练数据集； 根据所述特 征分裂点序， 生成车辆异常检测初始决策树模型i nitree。 5.根据权利要求3所述的一种智能网联汽车异常智能检测方法， 其特征在于， 通过后剪 枝精剪决策树模型生成优化的决策树模型 具体为： 通过以下 条件确定 子树是否需要剪枝： 其中， sub tree为初始决策树模型initree中 的子树， leaf为初始决策树模型initree中 的叶子节点， 子树 Esub为子树下各叶子节点误判的 数量， α 为 惩罚因子； f(leaf)＝Eleaf+α， Eleaf为子树换成叶子后的误判数量。 6.根据权利要求3至5任一项所述的一种智能网联汽车异常智能检测方法， 其特征在 于， 采用代价敏感因素方法测试所述优化的决策树模型， 直到决策树模型误判的概率小于 设定值， 生成泛化能力达 到预设目标的决策树模型。 7.根据权利要求6所述的一种智能网联汽车异常智能检测方法， 其特征在于， 采用代价 敏感因素方法测试所述优化的决策树模型， 直到决策树模型误判的概率小于设定值， 生成 泛化能力达 到预设目标的决策树模型 具体为： 将样本U判断错误的代价转化为抽样权重， 并反馈到样本数据抽样训练中， 定义的融合 综合代价的样本数据抽样权 重表示为：权　利　要　求　书 1/3 页 2 CN 114707566 A 2其中， βi为样本数据 在s时刻被机器 决策树模型误判的概率， 按照样本数据新的权重 抽样形成新的训练数据子集， 生成泛化能力达 到预设目标的决策树模型。 8.根据权利要求5所述的一种智能网联汽车异常智能检测方法， 其特征在于， 车辆管理 云平台定期更新所述决策树模型。 9.一种智能网联汽车异常智能检测装置， 其特 征在于， 所述检测装置包 含： 样本数据获取模块， 所述样本数据模块根据根不同车辆数据类型间的关系确定样本特 征的数据类型， 获取所述样本特征对应的车辆数据， 对所述车辆数据预处理后得到用于训 练的样本数据； 决策树模型生成模块， 所述决策树模型生成模块用所述样本数据训练车辆异常检测决 策树模型， 生成泛化能力达 到预设目标的决策树模型； 车载终端， 所述车载终端内设置有所述决策树模型， 所述车载终获取实时车辆数据， 将 其输入所述决策树模型中得到车辆数据是否异常的结果。 10.根据权利要求8所述的一种智能网联汽车异常智能检测装置， 其特征在于， 所述样 本数据包 含多种不同的样本特 征， 各类型样本数据之间互不关联。 11.根据权利要求8所述的一种智能网联汽车异常智能检测装置， 其特征在于， 用所述 样本数据训练决策树模型， 生成泛化能力达 到预设目标的决策树模型 具体过程 为： 根据信息增益率计算方法得到特征分裂点序， 生成车辆异常检测初始决策树模型， 采 用后剪枝方式对所述初始决策树模型进行精剪， 生成优化的决策树模型。 12.根据权利要求11所述的一种智能网联汽车异常智能检测装置， 其特征在于， 所述根 据信息增益 率计算生成初始决策树模型 具体为： 根据信息增益 率计算方法得到特 征分裂点序， 信息增益 率计算函数表示 为： 其中， Info(U)为分裂前的信息熵， InfoA(U)表示按特征A分裂后的信息熵， Ub是特征A将 U划分成n个不同类的样本 子集， U为训练数据集； 根据所述特 征分裂点序， 生成车辆异常检测初始决策树模型i nitree。 13.根据权利要求11所述的一种智能网联汽车异常智能检测装置， 其特征在于， 通过后 剪枝精剪决策树模型生成优化的决策树模型 具体为： 通过以下 条件确定 子树是否需要剪枝： 其中， sub tree为初始决策树模型initree中 的子树， leaf为初始决策树模型initree中权　利　要　求　书 2/3 页 3 CN 114707566 A 3