基于深度度量學(xué)習(xí)的車載無線設(shè)備安全認(rèn)證方法 技術(shù)領(lǐng)域 [0001] 本發(fā)明涉及機器學(xué)習(xí)技術(shù)領(lǐng)域，更為具體地說是指基于深度度量學(xué)習(xí)的車載無線設(shè)備安全認(rèn)證方法。 背景技術(shù) [0002] 近年來，智能汽車在自動駕駛和座艙交互等功能方面取得了顯著進展。隨著技術(shù)的不斷創(chuàng)新，汽車不僅具備了基本的駕駛功能，還逐漸實現(xiàn)了高度智能化的用戶體驗。電子電器架構(gòu)的持續(xù)演進使得車內(nèi)的通信節(jié)點數(shù)量不斷增加，性能要求也隨之提高。然而，傳統(tǒng)的有線通信技術(shù)面臨著越來越明顯的瓶頸。具體表現(xiàn)為線束長度隨著車內(nèi)通信節(jié)點數(shù)量增加隨之增長，導(dǎo)致整體成本、整備質(zhì)量和人工安裝成本顯著上升。與此同時，連接點的增加限制了部件的安裝位置靈活性，導(dǎo)致車輛設(shè)計的自由度下降。 [0003] 鑒于上述問題，汽車制造商在制造過程中，為有效滿足車輛制造過程中的成本控制、靈活部署和減輕重量等需求，智能車輛通信方式的研究重點逐漸轉(zhuǎn)向無線通信，以取代部分有線通信。這能夠提高生產(chǎn)和裝配效率，顯著降低線束接插件失效的風(fēng)險，同時也優(yōu)化了整車布局的靈活性。 [0004] 新一代車載無線短距通信技術(shù)能夠支持超低時延、超高可靠、精準(zhǔn)同步的車載無線服務(wù)。具體來說，通過無線短距通信技術(shù)，車載無線設(shè)備可以實時將數(shù)據(jù)傳輸至車輛網(wǎng)關(guān)，以便與路側(cè)單元進行信息交互，從而支持自動駕駛、智慧交通管理、智能停車系統(tǒng)等車路協(xié)同應(yīng)用場景。但是，目前現(xiàn)有無線通信技術(shù)支持的車載服務(wù)范圍大多限于無線主動降噪、全景環(huán)視、燈光控制等座艙娛樂、信息輔助類型業(yè)務(wù)，涉及行駛和安全的車路協(xié)同業(yè)務(wù)數(shù)據(jù)還是由傳統(tǒng)線束傳輸方法為主導(dǎo)。這是由于行駛安全攸關(guān)業(yè)務(wù)對數(shù)據(jù)傳輸?shù)陌踩煽恳髽O高，而惡意攻擊設(shè)備可能發(fā)送不正當(dāng)無線信號攻擊車輛網(wǎng)關(guān)，從而影響車輛的正常運行，甚至威脅駕駛安全。因此，迫切需要引入無線網(wǎng)關(guān)認(rèn)證技術(shù)，確保只有經(jīng)過認(rèn)證的設(shè)備才能與車輛網(wǎng)關(guān)進行通信。這種認(rèn)證機制將有助于防止惡意攻擊設(shè)備接入網(wǎng)關(guān)，進一步保護車輛的安全性和數(shù)據(jù)的完整性，以支持更安全可靠的車路協(xié)同應(yīng)用，確保智能車輛系統(tǒng)能夠在安全的環(huán)境中高效運行。 [0005] 射頻指紋認(rèn)證技術(shù)通過提取隱藏在信號中的微小個體特征，并將其存儲在指紋特征庫中，從而實現(xiàn)身份認(rèn)證。這些特征源于I/Q不平衡、功放非線性等電子元器件的畸變特性，為車輛網(wǎng)關(guān)提供了一種更為穩(wěn)定且難以偽造的認(rèn)證方式。但是，在車載無線通信中，車內(nèi)通信節(jié)點數(shù)量眾多，并且隨著時間推移，惡意攻擊設(shè)備數(shù)量可能不斷增加，這使得建立一個全面的指紋特征庫以進行身份驗證變得極為困難。為此，需要對未知信號進行身份認(rèn)證，并動態(tài)更新現(xiàn)有特征庫。 發(fā)明內(nèi)容 [0006] 本發(fā)明提供一種基于深度度量學(xué)習(xí)的車載無線設(shè)備安全認(rèn)證方法，旨在通過改進類錨損失的開放類識別模型（ORCA?Net）應(yīng)對不斷增加的惡意攻擊設(shè)備認(rèn)證，通過特征提取與優(yōu)化模型訓(xùn)練，有效區(qū)分車載無線設(shè)備與惡意攻擊設(shè)備，提高認(rèn)證準(zhǔn)確性和魯棒性。 [0007] 本發(fā)明采用如下技術(shù)方案： [0008] 基于深度度量學(xué)習(xí)的車載無線設(shè)備安全認(rèn)證方法，包括以下步驟： [0009] S1、獲取多個車載無線設(shè)備對應(yīng)的射頻信號，并對所述多個車載無線設(shè)備射頻信號進行預(yù)處理，以生成訓(xùn)練數(shù)據(jù)集； [0010] S2、建立基于改進類錨損失的開放類認(rèn)證模型，所述開放類認(rèn)證模型包括維度重組模塊、多尺度特征提取模塊、若干個二維卷積層、全連接層和改進的類錨損失函數(shù)，所述改進的類錨損失函數(shù)的公式如以下式（1）所示： [0011] ?(1) [0012] 其中， 描述的是每類樣本距離其預(yù)設(shè)中心點的距離， 代表負類樣本到非預(yù)設(shè)類別中心點的距離，? 為正類和負類樣本間的邊界間隔；C為樣本的總 類別數(shù)目；j是一個索引，遍歷除了y以外的所有類別；y是每類樣本標(biāo)簽。 [0013] S3、從步驟S1的訓(xùn)練數(shù)據(jù)集中隨機抽取部分類別作為不正當(dāng)信號樣本，不參與模型的訓(xùn)練，其余樣本作為已知車載無線設(shè)備分別送入網(wǎng)絡(luò)訓(xùn)練，通過改進的類錨損失函數(shù)計算認(rèn)證誤差，經(jīng)過多次迭代，完成學(xué)習(xí)過程，實現(xiàn)網(wǎng)絡(luò)模型優(yōu)化； [0014] S4、采集待認(rèn)證車載無線設(shè)備信號，并用相同的模型提取其射頻指紋特征，將該特征與數(shù)據(jù)庫中記錄進行比對，確認(rèn)該信號是否參與身份信息庫建立，若參與則該車載無線設(shè)備身份具有合規(guī)性，否則該車載無線設(shè)備被認(rèn)為可能存在不正當(dāng)接入網(wǎng)關(guān)的企圖；進一步通過分類度量方法將該特征與預(yù)設(shè)的類別錨點向量對比進行認(rèn)證。 [0015] 優(yōu)選地，上述開放類認(rèn)證模型包括一個維度重組模塊、一個多尺度特征提取模塊、四個二維卷積層、一個全連接層和一個改進的類錨損失函數(shù)。 [0016] 進一步地，上述多尺度特征提取模塊將維度重組的兩層卷積層的輸出分三路送入由四個二維卷積層組成的三路網(wǎng)絡(luò)模塊中，兩層卷積層的卷積核尺寸分別設(shè)置為1和5，步長設(shè)置為1，填充大小為1；三路網(wǎng)絡(luò)模塊的輸出在匯合之后，對特征進行拼接操作。

1.基于深度度量學(xué)習(xí)的車載無線設(shè)備安全認(rèn)證方法，其特征在于，包括以下步驟： S1、獲取多個車載無線設(shè)備對應(yīng)的射頻信號，并對所述多個車載無線設(shè)備射頻信號進行預(yù)處理，以生成訓(xùn)練數(shù)據(jù)集； S2、建立基于改進類錨損失的開放類認(rèn)證模型，所述開放類認(rèn)證模型包括維度重組模塊、多尺度特征提取模塊、若干個二維卷積層、全連接層和改進的類錨損失函數(shù)，所述改進的類錨損失函數(shù)的公式如以下式（1）所示： (1) 其中， 描述的是每類樣本距離其預(yù)設(shè)中心點的距離， 代表負類樣本到非預(yù)設(shè)類別中心點的距離，? 為正類和負類樣本間的邊界間隔；C為樣本的總類別數(shù)目；j是一個索引，遍歷除了y以外的所有類別；y是每類樣本標(biāo)簽； S3、從步驟S1的訓(xùn)練數(shù)據(jù)集中隨機抽取部分類別作為不正當(dāng)信號樣本，不參與模型的訓(xùn)練，其余樣本作為已知車載無線設(shè)備分別送入網(wǎng)絡(luò)訓(xùn)練，通過改進的類錨損失函數(shù)計算認(rèn)證誤差，經(jīng)過多次迭代，完成學(xué)習(xí)過程，實現(xiàn)網(wǎng)絡(luò)模型優(yōu)化； S4、采集待認(rèn)證車載無線設(shè)備信號，并用相同的模型提取其射頻指紋特征，將該特征與數(shù)據(jù)庫中記錄進行比對，確認(rèn)該信號是否參與身份信息庫建立，若參與則該車載無線設(shè)備身份具有合規(guī)性，否則該車載無線設(shè)備被認(rèn)為可能存在不正當(dāng)接入網(wǎng)關(guān)的企圖；進一步通過分類度量方法將該特征與預(yù)設(shè)的類別錨點向量對比進行認(rèn)證。 2.如權(quán)利要求1所述的基于深度度量學(xué)習(xí)的車載無線設(shè)備安全認(rèn)證方法,其特征在于： 所述開放類認(rèn)證模型包括一個維度重組模塊、一個多尺度特征提取模塊、四個二維卷積層、一個全連接層和一個改進的類錨損失函數(shù)。 3.如權(quán)利要求1或2所述的基于深度度量學(xué)習(xí)的車載無線設(shè)備安全認(rèn)證方法，其特征在于：所述多尺度特征提取模塊將維度重組的兩層卷積層的輸出分三路送入由四個二維卷積層組成的三路網(wǎng)絡(luò)模塊中，兩層卷積層的卷積核尺寸分別設(shè)置為1和5，步長設(shè)置為1，填充大小為1；三路網(wǎng)絡(luò)模塊的輸出在匯合之后，對特征進行拼接操作。