买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉吉林大学申请的专利一种基于时空的自动驾驶车辆入侵检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118677669B 。

龙图腾网通过国家知识产权局官网在2025-09-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410804253.8，技术领域涉及：H04L9/40；该发明授权一种基于时空的自动驾驶车辆入侵检测方法是由刘庆欣;秦贵和;梁艳花;刘婉宁;宋佳儒;周雪设计研发完成，并于2024-06-21向国家知识产权局提交的专利申请。

本一种基于时空的自动驾驶车辆入侵检测方法在说明书摘要公布了：本发明涉及一种基于时空的自动驾驶车辆入侵检测方法，属于车载网络通信安全领域。获取车辆状态数据值，预处理后的得到多元车辆状态数据，划分滑动窗口，在空间模型中，计算每个车辆状态数据的异常分数，将异常分数和阈值进行比较，得到空间模型的入侵检测结果，在时间模型中对于一个滑动窗口内的数据，计算相邻两个时间戳之间的马氏距离的累加和，与阈值进行比较，综合时间模型和空间模型的结果得到最终的异常检测结果。本发明优点是通过对车载传感器数据进行多维度分析，识别异常模式，及时发现并应对潜在的安全威胁，在满足实时性的前提下，能够更准确高效的进行入侵检测。

本发明授权一种基于时空的自动驾驶车辆入侵检测方法在权利要求书中公布了：1.一种基于时空的自动驾驶车辆入侵检测方法，其特征在于，包括下列步骤： S1：从自动驾驶车辆网络系统的传感器中获取若干个车辆状态数据值； S2：对获取的原始数据进行数据重采样，对缺失值进行处理，之后再进行数据标准化操作，得到预处理后的多元车辆状态数据； S3：为时间模型和空间模型划分滑动窗口； S4：在空间模型中，用图注意力机制进行入侵检测：首先构建图结构对各个车辆状态数据之间的关系进行学习，接着利用图注意力机制对每个时刻各个车辆状态数据的值进行预测，最后根据预测结果计算每个车辆状态数据的异常分数，将异常分数和阈值进行比较，得到空间模型的入侵检测结果；具体步骤如下： （1）有向图构建 对于输入空间模型的车辆状态数据，先为每一个车辆状态数据引入一个嵌入向量，然后根据它们之间的关系，构建图结构； 为每个车辆状态数据引入的嵌入向量表示为： ； 其中表示第i个车辆状态数据的嵌入向量，d表示这个车辆状态数据有d维的特征； 构建一个有向图来表示各个车辆状态数据之间的关系，该图是一个完全图，把每个车辆状态数据看作有向图中的一个节点，其嵌入向量为，节点之间的边表示各个车辆状态数据之间的依赖关系，边上的权重为两个车辆状态数据之间的依赖程度，用表示： ； 和分别表示车辆状态数据i和j的嵌入向量，j表示除i之外的所有车辆状态数据，也就是节点i的任意一个邻居节点，计算的是和之间的余弦相似度，用以表示两个车辆状态数据之间的依赖程度； 2基于图注意力机制聚合 以时刻为例：使用图注意力机制基于一个滑动窗口内的数据以及图结构，对时刻的N个车辆状态数据进行预测： 利用图注意力机制从空间维度学习图中各个节点之间的关系，对每个节点的特征也就是进行更新，对于每个节点根据注意力系数聚合相邻节点的特征，计算公式为： ； 其中，表示从节点j到节点i的注意力系数，j表示节点i的邻居节点，用于衡量节点j对节点i的重要性；和分别表示车辆状态数据i和j的嵌入向量；是可训练的权重参数矩阵，用于对每个节点进行线性变换；和分别表示节点i和节点j的输入特征；表示对注意力机制的学习系数向量进行转置；表示连接符号；使用作为非线性激活函数，并且使用softmax函数对注意力系数进行归一化； 在t时刻各个节点的聚合结果表示为，对于节点i，不仅要考虑其邻居节点对其特征的影响，还会考虑自身特征对其特征的贡献，聚合结果可表述为： ； 其中，表示在时刻t节点i的更新特征；L为节点i所有邻居节点的集合，j表示任意一个邻居节点；表示从节点j到节点i的注意力系数，表示节点j对节点i的重要性，是节点i自己对自己的注意力系数，表示节点i自身特征对其更新特征的贡献程度；和分别表示节点i和节点j的输入特征；是可训练的权重参数矩阵，对每个节点进行线性变换；ReLU是激活函数，用于对节点i的加权特征和进行非线性变换； 3输出预测结果 把每个节点的聚合结果和它对应的嵌入向量相乘，得到t时刻各个车辆状态数据的预测结果： ； 表示一个带有参数𝜃的函数，用于将输入特征映射到预测结果； 空间模型的损失函数如下： 基于预测结果和真实值，使用均方误差作为最小化损失函数，利用损失函数结果最小的时的模型作为最优的网络模型，也就是异常检测阶段使用的模型，损失函数表示为： ； 其中为t时刻模型的预测结果，为真实值，M为训练集中所有的时间戳总数，为一个滑动窗口的大小，在上述公式中用于表示在训练过程中被忽略的初始时间步数； 4计算异常分数 基于预测结果和真实值计算t时刻每个车辆状态数据的异常分数，对残差进行归一化处理，使得不同尺度的残差具有可比性，异常分数的计算过程为: ； 公式中表示t时刻车辆状态数据i的真实值，表示t时刻车辆状态数据i的预测值，表示第i个车辆状态数据真实值与预测值在t时刻的差异，为其中的均值，为标准差，用于对残差进行标准化处理； 5和阈值进行比较 取t时刻异常分数最大的车辆状态数据作为该时刻的异常对象，并把它和阈值进行比较，如果大于阈值，则该时刻车辆存在异常情况，可能被攻击；如果小于阈值，滑动窗口移动一步，继续预测下一时刻的车辆状态数据的值； 基于空间模型，如果发现某一时刻存在异常，先检查该时刻哪个车辆状态数据的异常分数最大，定位到该车辆状态数据后，再检查1中该车辆状态数据依赖程度最高的几个车辆状态数据，进行原因筛查等异常处理工作； S5：在时间模型中，用马氏距离进行入侵检测：对于一个滑动窗口内的数据，计算相邻两个时间戳之间的马氏距离的累加和，如果大于阈值则判定为异常； S6：对于各个滑动窗口内的车辆状态数据，综合时间模型和空间模型的结果得到最终的异常检测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人吉林大学，其通讯地址为：130012 吉林省长春市前进大街2699号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。