[0017] 一較佳實(shí)施方案中，上述步驟S3具體包括以下過程：預(yù)處理后的車載無線設(shè)備射頻信號(hào)經(jīng)過所述維度重組模塊中兩層卷積層的通道擴(kuò)充處理后，送入多尺度特征提取模塊之中，輸出結(jié)果依次通過四個(gè)二維卷積層后進(jìn)行維度重組，獲得特征圖結(jié)果；然后在距離向量計(jì)算層分別計(jì)算對(duì)各類別數(shù)據(jù)的特征表示與預(yù)先設(shè)置的各類別中心錨點(diǎn)間的歐幾里得距離，得到輸入數(shù)據(jù)的距離向量；同時(shí)，將特征圖結(jié)果送入到全連接層中，輸出經(jīng)過激活函數(shù)激活后，求取其與距離向量?jī)?nèi)積，作為距離度量；每一層神經(jīng)網(wǎng)絡(luò)后緊跟實(shí)例正則化層與ReLU函數(shù)；最后，通過改進(jìn)的類錨損失函數(shù)優(yōu)化網(wǎng)絡(luò)。 [0018] 一較佳實(shí)施方案中，上述步驟S4中通過分類度量方法將該特征與預(yù)設(shè)的類別錨點(diǎn)向量對(duì)比進(jìn)行認(rèn)證的具體判定方法如下：當(dāng)一個(gè)樣本對(duì)于所有已知車載無線設(shè)備別的拒絕分?jǐn)?shù)的最小值小于認(rèn)證閾值，判定其屬于合規(guī)車載無線設(shè)備，并將對(duì)應(yīng)的索引值作為車載無線設(shè)備類別賦予該樣本，允許接入網(wǎng)關(guān)進(jìn)行RSU通信；否則，判定其為惡意攻擊設(shè)備而拒絕接入網(wǎng)關(guān)參與RSU通信。 [0019] 由上述對(duì)本發(fā)明的描述可知，和現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)： [0020] 1、本發(fā)明通過構(gòu)建改進(jìn)類錨損失的開放類識(shí)別模型（ORCA?Net），在提升特征聚類效果的同時(shí)，實(shí)現(xiàn)了對(duì)車載無線設(shè)備與惡意攻擊設(shè)備的高效識(shí)別，平衡了兩者的識(shí)別率。同時(shí)，利用多尺度特征提取模塊引入稀疏性，通過在相鄰卷積層間使用不同卷積核提取特征，并拼接多層卷積結(jié)果為下一層輸入，在不增加計(jì)算開銷的前提下提高了模型的認(rèn)證精度。 與傳統(tǒng)的CAC損失相比，本發(fā)明提出的NCA損失在不正當(dāng)信號(hào)數(shù)量增多的情況下識(shí)別率更高，當(dāng)惡意攻擊設(shè)備數(shù)目在測(cè)試集中占比50%時(shí)，識(shí)別率可達(dá)到97.15%。并且隨著惡意攻擊設(shè)備數(shù)目占比的增多，本發(fā)明的算法的平均識(shí)別率仍可高于90%，能有效地實(shí)現(xiàn)車載無線設(shè)備安全認(rèn)證。 [0021] 2、本發(fā)明改進(jìn)的N?pair損失函數(shù)，添加了樣本和對(duì)應(yīng)類別錨定中心的絕對(duì)距離，加速樣本的特征聚類，同時(shí)盡可能的減少離群特征值的出現(xiàn)；還添加了margin參數(shù)，為正類和負(fù)類樣本間增加一個(gè)邊界間隔，更好地指導(dǎo)特征聚類，協(xié)助開放類識(shí)別算法性能的提升。 [0022] 3、本發(fā)明的多尺度特征提取模塊，采用不同卷積核尺寸和卷積層拼接，提取豐富的多尺度特征，增強(qiáng)了模型性能，提高認(rèn)證精度且不增加計(jì)算開銷。 附圖說明 [0023] 圖1為本發(fā)明的基本框架圖。 [0024] 圖2為本發(fā)明ORCA?Net網(wǎng)絡(luò)結(jié)構(gòu)圖。 [0025] 圖3為本發(fā)明多尺度特征提取模塊的結(jié)構(gòu)圖。 [0026] 圖4為本發(fā)明實(shí)施例NCA損失函數(shù)的收斂情況坐標(biāo)圖。 [0027] 圖5為本發(fā)明實(shí)施例惡意攻擊設(shè)備增加情況下的ORCA?Net識(shí)別性能坐標(biāo)圖。 具體實(shí)施方式 [0028] 下面參照?qǐng)D1說明本發(fā)明的具體實(shí)施方式。為了全面理解本發(fā)明，下面描述到許多細(xì)節(jié)，但對(duì)于本領(lǐng)域技術(shù)人員來說，無需這些細(xì)節(jié)也可實(shí)現(xiàn)本發(fā)明。對(duì)于公知的組件、方法及過程，以下不再詳細(xì)描述。 [0029] 本實(shí)施例所提供的基于深度度量學(xué)習(xí)的車載無線設(shè)備安全認(rèn)證方法。如圖1所示，首先對(duì)不同的車載無線設(shè)備射頻信號(hào)數(shù)據(jù)集合進(jìn)行預(yù)處理，通過基于深度度量學(xué)習(xí)的射頻指紋認(rèn)證模型，提取每個(gè)車載無線設(shè)備對(duì)應(yīng)的代表性特征，目的是形成車載無線設(shè)備身份信息庫。在網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)中我們充分提取了車載無線設(shè)備射頻信號(hào)各個(gè)尺度的特征，經(jīng)過多尺度特征提取模塊引入稀疏性，不增加模型計(jì)算開銷的同時(shí)提升認(rèn)證精度。輔以改進(jìn)的類錨損失函數(shù)，利用損失函數(shù)對(duì)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，實(shí)現(xiàn)惡意攻擊設(shè)備增加下的車載無線設(shè)備安全認(rèn)證方法。具體包括以下步驟： [0030] S1、在預(yù)處理階段，采集不同的車載無線設(shè)備射頻信號(hào)數(shù)據(jù)集合進(jìn)行預(yù)處理，生成訓(xùn)練數(shù)據(jù)集。 [0031] S2、建立基于改進(jìn)類錨損失的開放類識(shí)別模型(Open?Set?Recognition?Network?Based?on?Anchor?Loss,?ORCA?Net)。 [0032] 作為一個(gè)實(shí)施例，如圖2所示，ORCA?Net整體采用多層二維卷積神經(jīng)網(wǎng)絡(luò)模型，包括一個(gè)維度重組模塊、一個(gè)多尺度特征提取模塊、四個(gè)二維卷積層、一個(gè)全連接層和一個(gè)改進(jìn)的類錨損失函數(shù)。 [0033] 作為一個(gè)實(shí)施例，如圖3所示，多尺度特征提取模塊的實(shí)現(xiàn)是將維度重組模塊中兩層卷積層的輸出分三路輸入，這三路網(wǎng)絡(luò)模塊由四層二維卷積層組成。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(duì)特征進(jìn)行拼接操作，實(shí)現(xiàn)整體數(shù)據(jù)維度中的通道數(shù)的增加。

4.如權(quán)利要求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，所述步驟S3具體包括以下過程：預(yù)處理后的車載無線設(shè)備射頻信號(hào)經(jīng)過所述維度重組模塊中兩層卷積層的通道擴(kuò)充處理后，送入多尺度特征提取模塊之中，輸出結(jié)果依次通過四個(gè)二維卷積層后進(jìn)行維度重組，獲得特征圖結(jié)果；然后在距離向量計(jì)算層分別計(jì)算對(duì)各類別數(shù)據(jù)的特征表示與預(yù)先設(shè)置的各類別中心錨點(diǎn)間的歐幾里得距離，得到輸入數(shù)據(jù)的距離向量；同時(shí)，將特征圖結(jié)果送入到全連接層中，輸出經(jīng)過激活函數(shù)激活后，求取其與距離向量?jī)?nèi)積，作為距離度量；每一層神經(jīng)網(wǎng)絡(luò)后緊跟實(shí)例正則化層與ReLU函數(shù)；最后，通過改進(jìn)的類錨損失函數(shù)優(yōu)化網(wǎng)絡(luò)。 5.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，所述步驟S4中通過分類度量方法將該特征與預(yù)設(shè)的類別錨點(diǎn)向量對(duì)比進(jìn)行認(rèn)證的具體判定方法如下：當(dāng)一個(gè)樣本對(duì)于所有已知車載無線設(shè)備別的拒絕分?jǐn)?shù)的最小值小于認(rèn)證閾值，判定其屬于合規(guī)車載無線設(shè)備，并將對(duì)應(yīng)的索引值作為車載無線設(shè)備類別賦予該樣本，允許接入網(wǎng)關(guān)進(jìn)行RSU通信；否則，判定其為惡意攻擊設(shè)備而拒絕接入網(wǎng)關(guān)參與RSU通信。