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！

龙图腾网获悉无锡学院申请的专利一种车载CAN总线入侵检测系统及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：CN120434051B 。

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：202510925943.3，技术领域涉及：H04L9/40；该发明授权一种车载CAN总线入侵检测系统及方法是由曹燚;樊炳;徐天宇;王亦君;袁程胜;阚希;吴昊设计研发完成，并于2025-07-07向国家知识产权局提交的专利申请。

本一种车载CAN总线入侵检测系统及方法在说明书摘要公布了：本发明公开了一种车载CAN总线入侵检测系统及方法，其基于改进压缩网络模型训练获得，改进压缩网络模型包括卷积层、池化层、多个动态特征提取模块、卷积映射层、全局平均池化层和分类输出层；动态特征提取模块包括压缩层与扩展分支，压缩层采用1×1深度可分离卷积进行特征压缩，扩展分支采用1×1和3×3深度可分离卷积，并通过特征拼接增强通道特征表达能力，拼接输出后接入通道注意力模块以优化通道特征分布并抑制冗余信息，提升网络的特征提取与分类判别能力。该系统能够检测车载网络异常流量，实现高准确率、低延迟与高效处理能力，适应资源受限的车载环境，解决现有入侵检测系统复杂度高、响应慢及部署受限的问题。

本发明授权一种车载CAN总线入侵检测系统及方法在权利要求书中公布了：1.一种车载CAN总线入侵检测系统，其特征在于，所述入侵检测系统基于改进压缩网络模型训练获得，所述压缩网络模型为SqueezeNet模型； 所述改进压缩网络模型包括卷积层、池化层、多个动态特征提取模块、卷积映射层、全局平均池化层和分类输出层； 各所述动态特征提取模块均包括一个压缩层与两个扩展分支，所述压缩层采用1×1深度可分离卷积进行特征压缩，两个所述扩展分支分别采用1×1深度可分离卷积和3×3深度可分离卷积，所有卷积操作均接批量归一化与整流线性单元激活函数，所述扩展分支的输出通过特征拼接层进行通道特征融合，并连接高效通道注意力模块以优化通道特征分布；所述分类输出层用于输出最终分类概率分布； 对所述改进压缩网络模型训练的步骤包括： S1、获取公开数据集，对数据进行清洗和预处理，归一化后转换为带标签的彩色图像； S2、将S1处理后得到的图像输入至所述改进压缩网络模型中进行训练，训练过程中采用类别平衡焦点损失作为损失函数，结合类别样本数量动态调整损失权重，并引入焦点调制项；通过验证集优化学习率，训练完成后获得最终模型权重；在模型训练阶段，采用基于性能停滞的学习率调度策略，以提高训练过程的稳定性和最终收敛效果； 所述学习率调度策略的调整规则为： ； 其中，为当前学习率，为学习率缩减倍数，为容忍轮数，即当验证损失连续轮未下降时，当前学习率将乘以factor缩小； S3、对S2中训练完成的模型进行推理验证，评估模型在测试集上的识别准确性、检测时延以及参数规模； 所述步骤S2中，损失函数的表达形式为： 其中，为平衡因子且0,1，表示类别的样本数量，为交叉熵损失，为模型对正确类别的预测概率，为焦点调制系数，为输入样本的特征向量，为样本的真实类别标签； 所述步骤S1包括： S11、获取车辆入侵检测公开数据集； S12、对原始数据进行字段清洗与格式转换，包括提取关键字段、填充缺失值、将十六进制字段统一转换为十进制以及添加标签列； S13、将提取的字段数据进行分布归一化，将归一化值映射到区间[0,255]； S14、将归一化后的数据按字段分组转换为三通道图像，三个通道分别对应不同类别的字段，用于所述改进压缩网络模型的输入； 其中，步骤S13包括： S131、计算各字段的均值和标准差，对每一特征字段，统计该字段在整个数据集中的均值μ和标准差σ，均值计算公式为： ； 标准差计算公式为： ； S132、进行Z-Score标准化，根据计算得到的均值与标准差，对每个样本的字段值进行标准化处理，公式如下： ； 以将字段值映射为均值为0、标准差为1的正态分布，降低不同字段间取值范围差异及异常值干扰的影响； S133、线性缩放到[0,255]区间，对标准化结果进行线性映射，确保符合图像生成的像素范围要求，计算公式为： ； 和分别为该字段在标准化后所有样本中的最小值与最大值； S134、将结果取整并存储，对缩放结果取整处理，最终得到归一化且符合像素值范围[0,255]的特征向量，为后续图像生成和模型输入提供格式化数据。

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无锡学院，其通讯地址为：214000 江苏省无锡市锡山区锡山大道333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”。