混动车辆网络异常识别方法、装置、电子设备和存储介质与流程

1.本发明涉及车辆安全技术领域，具体涉及一种混动车辆网络异常识别方法、一种混动车辆网络异常识别装置、一种电子设备和一种存储介质。


背景技术：

2.电池是混动车辆必不可少的一部分，因为车辆自身问题或者用户行为导致车辆停车后的网络异常唤醒，暗电流超标等问题，当混动车辆电池亏电了，最终结果就是车辆亏电，如果停车周边没有充电设备，汽车只能停止运行，目前大部分混动车型亏电的原因是因为网络异常唤醒导致暗电流超标，因此准确的识别混动车辆的网络异常情况，对于提前预判车辆亏电，尤为重要。


技术实现要素：

3.本发明的目的之一在于提供一种混动车辆网络异常识别方法，以提高识别混动车辆的网络异常情况识别准确的效果；目的之二在于提供一种混动车辆网络异常识别装置；目的之三在于提供一种电子设备；目的之四在于提供一种存储介质。
4.为了实现上述目的，本发明采用的技术方案如下：
5.在本发明实施例的第一个方面，本发明公开了一种混动车辆网络异常识别方法，包括：
6.从云端获取混动车辆历史运行数据；
7.采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型，所述异常唤醒识别模型用于针对混动车辆的异常唤醒进行识别；其中，所述混动车辆的异常唤醒至少包括混动车辆充电电压小于预设充电阈值；
8.在混动车辆驻车后，检测到网络唤醒信号时，将所述网络唤醒信号输入至所述异常唤醒识别模型；
9.获取所述异常唤醒识别模型输出的网络唤醒类型信息；
10.依据所述网络唤醒类型信息，确定网络唤醒状态，以识别出网络异常。
11.可选地，所述混动车辆历史运行数据包括训练集数据；所述采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型的步骤包括：
12.对所述训练集数据进行数据清洗；
13.基于预设网络异常状态扭转规则，对数据清洗后的训练集数据进行特征构造，生成第一特征数据；
14.采用所述第一特征数据训练分类模型，得到所述异常唤醒识别模型。
15.可选地，所述混动车辆历史运行数据还包括验证集数据；所述采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型的步骤还包括：
16.采用所述验证集数据验证所述异常唤醒识别模型。
17.可选地，所述对所述训练集数据进行数据清洗的步骤包括：
18.通过随机森林，对所述训练集数据进行补充。
19.可选地，所述采用所述第一特征数据训练分类模型，得到所述异常唤醒识别模型的步骤包括：
20.基于独热编码方式，对所述第一特征数据进行重编码，得到二进制向量；
21.基于支持向量机，采用所述二进制向量训练分类模型，得到所述异常唤醒识别模型。
22.可选地，所述依据所述网络唤醒类型信息，确定网络唤醒状态的步骤包括：
23.当所述网络唤醒类型信息为网络异常唤醒类型，确定所述网络唤醒状态为异常唤醒状态；
24.当所述网络唤醒类型信息为网络正常唤醒类型，确定所述网络唤醒状态为正常唤醒状态。
25.可选地，所述方法还包括：
26.当所述网络唤醒状态为所述异常唤醒状态时，生成异常唤醒告警信息，所述异常唤醒告警信息用于表征混动车辆发生网络异常唤醒。
27.在本发明实施例的第二个方面，本发明公开了一种混动车辆网络异常识别装置，包括：
28.第一获取模块，用于从云端获取混动车辆历史运行数据；
29.训练模块，用于采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型，所述异常唤醒识别模型用于针对混动车辆的异常唤醒进行识别；其中，所述混动车辆的异常唤醒至少包括混动车辆充电电压小于预设充电阈值；
30.检测模块，用于在混动车辆驻车后，检测到网络唤醒信号时，将所述网络唤醒信号输入至所述异常唤醒识别模型；
31.第二获取模块，用于获取所述异常唤醒识别模型输出的网络唤醒类型信息；
32.识别模块，用于依据所述网络唤醒类型信息，确定网络唤醒状态，以识别出网络异常。
33.在本发明的第三个方面，本发明实施例还公开了一种电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的混动车辆网络异常识别方法的步骤。
34.在本发明的第四个方面，本发明实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的混动车辆网络异常识别方法的步骤。
35.本发明的有益效果至少包括如下的一种：
36.本发明实施例通过从云端获取混动车辆历史运行数据；采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型，所述异常唤醒识别模型用于针对混动车辆的异常唤醒进行识别；其中，所述混动车辆的异常唤醒至少包括混动车辆充电电压小于预设充电阈值；在混动车辆驻车后，检测到网络唤醒信号时，将所述网络唤醒信号输入至所述异常唤醒识别模型；获取所述异常唤醒识别模型输出的网络唤醒类型信息；依据所述网络唤醒类型信息，确定网络唤醒状态，以识别出网络异常。通过云端现有的混动车辆运行的信号数据，运用设定的规则，得到异常唤醒识别模型；通过异常唤醒识别模型对车辆的唤醒信
息进行精细化处理和筛选，确定真实的网络异常混动车辆，从而提高混动车辆网络异常识别的准确度。
附图说明
37.图1为本发明的一种混动车辆网络异常识别方法实施例的步骤流程图；
38.图2为本发明的另一种混动车辆网络异常识别方法实施例的步骤流程图；
39.图3为本发明的一种混动车辆网络异常识装置实施例的结构框图；
40.图4为本发明实施例提供的一种电子设备的结构框图；
41.图5为本发明实施例提供的一种存储介质的结构框图
。
具体实施方式
42.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
43.当前检测汽车网络异常的方法主要有如下几种方式实现：
44.第一种是通过can(controller area network，控制器局域网络)信号来识别车辆是否有网络异常，但是由于在部分正常唤醒的场景中，车辆也会也会上传can信号，这种情况下，由于can信号并不能用于区别正常唤醒和异常唤醒的状态，导致利用can信号进行识别就会出现误识别问题。
45.第二种是通过网络检测装置主体来对车辆进行检测，进而判断是否有网络异常，此中技术方案只能线下检测，无法在云端实时监测，无疑给人工增加成本，而且由于需要额外安装网络检测装置主体，并非全部混动车辆都安装有该网络检测装置主体，导致检测方案并不通用。
46.参照图1，示出了本发明的一种混动车辆网络异常识别方法实施例的步骤流程图，所述混动车辆网络异常识别方法具体包括如下步骤：
47.步骤101，从云端获取混动车辆历史运行数据；
48.混动车辆的车载终端会与云端连接，车端终端可以在用户同意发送车辆数据的许可下，将混动车辆的运行数据发送至云端。云端则可以接收混动车辆车载终端发送的车辆历史运行数据，并对这些混动车辆历史运行数据进行存储。
49.在需要时，可以从云端获取多辆混动车辆的混动车辆历史运行数据。
50.步骤102，采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型，所述异常唤醒识别模型用于针对混动车辆的异常唤醒进行识别；其中，所述混动车辆的异常唤醒至少包括混动车辆充电电压小于预设充电阈值；
51.得到混动车辆历史运行数据后，则可以采用混动车辆历史运行数据训练分类模型，该分类模型的初始模型框架，本发明实施例不作具体限定。利用混动车辆历史运行数据训练分类模型识别，将门打开，锁打开，解除设防，后备箱打开，电源上电档，发动机启动，充电电压大于预设充电阈值等情况作为正常主动唤醒状态；至少需要识别混动车辆充电电压小于预设充电阈值为混动车辆的异常唤醒等条件，进行训练得到异常唤醒识别模型。
52.后续可以通过异常唤醒识别模型对混动车辆的异常唤醒进行识别，从而准确识别出动车辆的异常唤醒。
53.步骤103，在混动车辆驻车后，检测到网络唤醒信号时，将所述网络唤醒信号输入至所述异常唤醒识别模型；
54.混动车辆驻车的确认可以通过判断车辆的行驶状态进行确定，如混动车辆的变速挡位处于驻车挡位中，或者长时间未移动时，确定混动车辆处于驻车状态。在混动车辆驻车后，实时监控车辆中的网络是否发出网络唤醒信号。
55.当检测到网络唤醒信号时，可以将网络唤醒信号输入经过训练的异常唤醒识别模型。异常唤醒识别模型则将网络唤醒信号作为输入信号，对网络唤醒信号进行识别分类，输出网络唤醒类型信息。
56.步骤104，获取所述异常唤醒识别模型输出的网络唤醒类型信息；
57.获取异常唤醒识别模型输出的网络唤醒类型信息，以得到异常唤醒识别模型的输出信息。
58.步骤105，依据所述网络唤醒类型信息，确定网络唤醒状态，以识别出网络异常。
59.根据网络唤醒类型信息中记载的内容，确定混动车辆的网络唤醒状态是否为异常唤醒，从而识别出网络异常的混动车辆。
60.本发明实施例通过从云端获取混动车辆历史运行数据；采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型，所述异常唤醒识别模型用于针对混动车辆的异常唤醒进行识别；其中，所述混动车辆的异常唤醒至少包括混动车辆充电电压小于预设充电阈值；在混动车辆驻车后，检测到网络唤醒信号时，将所述网络唤醒信号输入至所述异常唤醒识别模型；获取所述异常唤醒识别模型输出的网络唤醒类型信息；依据所述网络唤醒类型信息，确定网络唤醒状态，以识别出网络异常。通过云端现有的混动车辆运行的信号数据，运用设定的规则，得到异常唤醒识别模型；通过异常唤醒识别模型对车辆的唤醒信息进行精细化处理和筛选，确定真实的网络异常混动车辆，从而提高混动车辆网络异常识别的准确度。
61.参照图2，示出了本发明的另一种混动车辆网络异常识别方法实施例的步骤流程图，所述混动车辆网络异常识别方法具体包括如下步骤：
62.步骤201，从云端获取混动车辆历史运行数据；
63.在本发明实施例中，可以从云端的指定端口中获取到混动车辆历史运行数据，混动车辆历史运行数据包括车辆状态数据和车况数据，车辆状态数据主要包含休眠信号，非休眠信号，时间戳，车辆id(身份标识)；车况数据主要包含车辆id，时间戳，门状态(主驾，副驾，右后，左后，后备箱)，发动机状态，速度，锁状态，电源状态，充电状态等。
64.其中，获取到的混动车辆历史运行数据可以是多辆混动车辆多天的历史运行数据；如1000辆车近7的历史运行数据。
65.步骤202，采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型，所述异常唤醒识别模型用于针对混动车辆的异常唤醒进行识别；其中，所述混动车辆的异常唤醒至少包括混动车辆充电电压小于预设充电阈值；
66.在得到混动车辆历史运行数据后，采用混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型，通过异常唤醒识别模型针对混动车辆的异常唤醒进行识别；其中，混动车辆的异常唤醒至少包括混动车辆充电电压小于预设充电阈值。其中该预设充电阈值可以根据车辆的型号或电池的参数等确定，本发明实施例对此不作限定。
67.进一步地，混动车辆历史运行数据包括训练集数据和验证集数据。其中训练集数据和验证集数据的数据比例可以根据实际需求进行设置，如70％为训练集数据，30％为验证集数据；本发明实施例不作具体限定。
68.在本发明的一可选实施例中，所述混动车辆历史运行数据包括训练集数据；所述采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型的步骤包括：
69.子步骤s2021，对所述训练集数据进行数据清洗；
70.初始信号数据受采集频率、gps(全球定位系统)信号强弱、控制器异常等影响，数据存在缺失以及大量null(空)值情况，导致存在异常数据和缺失数据，需要对训练集数据进行数据清洗，空值填充，时间维度统一，有多重方法可以对缺失值进行填充，如填平均数、众数、上下条数据、插值法拟合出缺失的数据、填充knn(邻近)数据、填充模型预测的值等方法，根据不同的数据类型，选择不同的数据处理方式。
71.具体地，对所述训练集数据进行数据清洗的步骤可以包括：通过随机森林，对所述训练集数据进行补充。针对连续性数据，通过采用随机森林rf进行拟合，对训练集数据进行补充得到预测的结果值对训练集数据进行补充。
72.对所述训练集数据进行数据清洗的步骤还可以包括：基于欧氏距离，对所述训练集数据进行补充。针对状态类的离散数据，就使用欧氏距离，计算出与缺失或异常的数据最短欧氏距离的上一条数据进行填充。
73.子步骤s2022，基于预设网络异常状态扭转规则，对数据清洗后的训练集数据进行特征构造，生成第一特征数据；
74.预设网络异常状态扭转规则为基于开发人员设置的混动车辆从休眠状态，转换为正常唤醒状态和异常唤醒状态对于的规则；基于预设网络异常状态扭转规则，对数据清洗后的训练集数据进行特征构造，初步筛选出网络异常唤醒的混动车车辆，生成第一特征数据。
75.子步骤s2023，采用所述第一特征数据训练分类模型，得到所述异常唤醒识别模型；
76.得到第一特征数据后，采用第一特征数据训练分类模型，得到异常唤醒识别模型。
77.具体地，所述采用所述第一特征数据训练分类模型，得到所述异常唤醒识别模型的步骤包括：基于独热编码方式，对所述第一特征数据进行重编码，得到二进制向量；基于支持向量机，采用所述二进制向量训练分类模型，得到所述异常唤醒识别模型。
78.由于第一特征数据是基于原始数据直接得到，原始数据中的错误会影响第一特征数据，为了搞数据的准确性，需要对第一特征数据进行再构造；可以基于独热编码(one-hot编码)方式，对第一特征数据进行重编码，将第一特征数据映射到整数值0或1中，然后，每个整数值被表示为二进制向量。
79.得到二进制向量后，可以采用二进制向量，基于支持向量机(svm)，对分类模型进行训练，从而得到异常唤醒识别模型。
80.子步骤s2024，采用所述验证集数据验证所述异常唤醒识别模型。
81.在得到异常唤醒识别模型后，为了保证异常唤醒识别模型的可靠性，可以采用验证集数据验证异常唤醒识别模型，确定异常唤醒识别模型的梯度值可以满足要求后，将异常唤醒识别模型进行使用。
82.步骤203，在混动车辆驻车后，检测到网络唤醒信号时，将所述网络唤醒信号输入至所述异常唤醒识别模型；
83.在混动车辆驻车后，实时检测是否存在网络唤醒信号，在检测到网络唤醒信号时，将检测到的网络唤醒信号输入至异常唤醒识别模型，作为异常唤醒识别模型的输入信号，以使异常唤醒识别模型基于网络唤醒信号输出网络唤醒类型信息。
84.步骤204，获取所述异常唤醒识别模型输出的网络唤醒类型信息；
85.在异常唤醒识别模型输出的网络唤醒类型信息后，获取网络唤醒类型信息。
86.步骤205，依据所述网络唤醒类型信息，确定网络唤醒状态，以识别出网络异常；
87.得到网络唤醒类型信息后，依据网络唤醒类型信息确定本次网络唤醒的网络唤醒状态是否为异常状态，以识别出网络异常。
88.具体地，所述依据所述网络唤醒类型信息，确定网络唤醒状态的步骤包括：
89.子步骤s2051，当所述网络唤醒类型信息为网络异常唤醒类型，确定所述网络唤醒状态为异常唤醒状态；
90.当网络唤醒类型信息为网络异常唤醒类型，确定本次网络唤醒的网络唤醒状态为异常唤醒状态，需要对唤醒进行记录并控制。
91.子步骤s2052，当所述网络唤醒类型信息为网络正常唤醒类型，确定所述网络唤醒状态为正常唤醒状态。
92.当网络唤醒类型信息为网络正常唤醒类型，确定本次网络唤醒的网络唤醒状态为正常唤醒状态，执行相应的唤醒操作。
93.步骤206，当所述网络唤醒状态为所述异常唤醒状态时，生成异常唤醒告警信息，所述异常唤醒告警信息用于表征混动车辆发生网络异常唤醒。
94.在本发明实施例中，当网络唤醒状态为异常唤醒状态时，生成异常唤醒告警信息，异常唤醒告警信息用于表征混动车辆发生网络异常唤醒。可以将异常唤醒告警信息发送到指定网络地址，以使用户或者管理人员可以获取混动车辆发送网络异常唤醒，需要对混动车辆的电池电量进行监测，防止电量耗尽，导致车辆无法启动。
95.本发明实施例通过从云端获取混动车辆历史运行数据；采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型，所述异常唤醒识别模型用于针对混动车辆的异常唤醒进行识别；其中，所述混动车辆的异常唤醒至少包括混动车辆充电电压小于预设充电阈值；在混动车辆驻车后，检测到网络唤醒信号时，将所述网络唤醒信号输入至所述异常唤醒识别模型；获取所述异常唤醒识别模型输出的网络唤醒类型信息；依据所述网络唤醒类型信息，确定网络唤醒状态，以识别出网络异常；当所述网络唤醒状态为所述异常唤醒状态时，生成异常唤醒告警信息，所述异常唤醒告警信息用于表征混动车辆发生网络异常唤醒。通过云端现有的混动车辆运行的信号数据，运用设定的规则，得到异常唤醒识别模型；通过异常唤醒识别模型对车辆的唤醒信息进行精细化处理和筛选，确定真实的网络异常的混动车辆，从而提高混动车辆网络异常识别的准确度；并且无需增加额外的车辆配件即可以实现混动车辆的网络异常识别，提高了网络异常识别的通用性。
96.需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该
知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
97.参照图3，示出了本发明的一种固态硬盘的多任务资源控制装置实施例的结构框图，所述混动车辆网络异常识别装置具体可以包括如下模块：
98.第一获取模块301，用于从云端获取混动车辆历史运行数据；
99.训练模块302，用于采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型，所述异常唤醒识别模型用于针对混动车辆的异常唤醒进行识别；其中，所述混动车辆的异常唤醒至少包括混动车辆充电电压小于预设充电阈值；
100.检测模块303，用于在混动车辆驻车后，检测到网络唤醒信号时，将所述网络唤醒信号输入至所述异常唤醒识别模型；
101.第二获取模块304，用于获取所述异常唤醒识别模型输出的网络唤醒类型信息；
102.识别模块305，用于依据所述网络唤醒类型信息，确定网络唤醒状态，以识别出网络异常。
103.在本发明的一可选实施例中，所述混动车辆历史运行数据包括训练集数据；所述训练模块302包括：
104.数据清洗子模块，用于对所述训练集数据进行数据清洗；
105.特征构造子模块，用于基于预设网络异常状态扭转规则，对数据清洗后的训练集数据进行特征构造，生成第一特征数据；
106.训练子模块，用于采用所述第一特征数据训练分类模型，得到所述异常唤醒识别模型。
107.在本发明的一可选实施例中，所述混动车辆历史运行数据还包括验证集数据；所述训练模块302包括：
108.验证子模块，用于采用所述验证集数据验证所述异常唤醒识别模型。
109.在本发明的一可选实施例中，所述数据清洗子模块包括：
110.补充单元，用于通过随机森林，对所述训练集数据进行补充。
111.在本发明的一可选实施例中，所述训练子模块包括：
112.冲编码单元，用于基于独热编码方式，对所述第一特征数据进行重编码，得到二进制向量；
113.训练单元，用于基于支持向量机，采用所述二进制向量训练分类模型，得到所述异常唤醒识别模型。
114.在本发明的一可选实施例中，所述识别模块305包括：
115.第一识别子模块，用于当所述网络唤醒类型信息为网络异常唤醒类型，确定所述网络唤醒状态为异常唤醒状态；
116.第二识别子模块，用于当所述网络唤醒类型信息为网络正常唤醒类型，确定所述网络唤醒状态为正常唤醒状态。
117.在本发明的一可选实施例中，所述装置还包括：
118.告警模块，用于当所述网络唤醒状态为所述异常唤醒状态时，生成异常唤醒告警信息，所述异常唤醒告警信息用于表征混动车辆发生网络异常唤醒。
119.对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关
之处参见方法实施例的部分说明即可。
120.参照图4，本发明实施例还提供了一种电子设备，包括：
121.处理器401和存储介质402，所述存储介质402存储有所述处理器401可执行的计算机程序，当电子设备运行时，所述处理器401执行所述计算机程序，以执行如本发明实施例任一项所述的混动车辆网络异常识别方法。所述混动车辆网络异常识别方法，包括：
122.从云端获取混动车辆历史运行数据；
123.采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型，所述异常唤醒识别模型用于针对混动车辆的异常唤醒进行识别；其中，所述混动车辆的异常唤醒至少包括混动车辆充电电压小于预设充电阈值；
124.在混动车辆驻车后，检测到网络唤醒信号时，将所述网络唤醒信号输入至所述异常唤醒识别模型；
125.获取所述异常唤醒识别模型输出的网络唤醒类型信息；
126.依据所述网络唤醒类型信息，确定网络唤醒状态，以识别出网络异常。
127.可选地，所述混动车辆历史运行数据包括训练集数据；所述采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型的步骤包括：
128.对所述训练集数据进行数据清洗；
129.基于预设网络异常状态扭转规则，对数据清洗后的训练集数据进行特征构造，生成第一特征数据；
130.采用所述第一特征数据训练分类模型，得到所述异常唤醒识别模型。
131.可选地，所述混动车辆历史运行数据还包括验证集数据；所述采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型的步骤还包括：
132.采用所述验证集数据验证所述异常唤醒识别模型。
133.可选地，所述对所述训练集数据进行数据清洗的步骤包括：
134.通过随机森林，对所述训练集数据进行补充。
135.可选地，所述采用所述第一特征数据训练分类模型，得到所述异常唤醒识别模型的步骤包括：
136.基于独热编码方式，对所述第一特征数据进行重编码，得到二进制向量；
137.基于支持向量机，采用所述二进制向量训练分类模型，得到所述异常唤醒识别模型。
138.可选地，所述依据所述网络唤醒类型信息，确定网络唤醒状态的步骤包括：
139.当所述网络唤醒类型信息为网络异常唤醒类型，确定所述网络唤醒状态为异常唤醒状态；
140.当所述网络唤醒类型信息为网络正常唤醒类型，确定所述网络唤醒状态为正常唤醒状态。
141.可选地，所述方法还包括：
142.当所述网络唤醒状态为所述异常唤醒状态时，生成异常唤醒告警信息，所述异常唤醒告警信息用于表征混动车辆发生网络异常唤醒。
143.其中，存储器可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储
器还可以是至少一个位于远离前述处理器的存储装置。
144.上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
145.参照图5，本发明实施例还提供了一种计算机可读存储介质501，所述存储介质501上存储有计算机程序，所述计算机程序被处理器运行时执行如本发明实施例任一项所述的混动车辆网络异常识别方法。所述混动车辆网络异常识别方法包括：
146.从云端获取混动车辆历史运行数据；
147.采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型，所述异常唤醒识别模型用于针对混动车辆的异常唤醒进行识别；其中，所述混动车辆的异常唤醒至少包括混动车辆充电电压小于预设充电阈值；
148.在混动车辆驻车后，检测到网络唤醒信号时，将所述网络唤醒信号输入至所述异常唤醒识别模型；
149.获取所述异常唤醒识别模型输出的网络唤醒类型信息；
150.依据所述网络唤醒类型信息，确定网络唤醒状态，以识别出网络异常。
151.可选地，所述混动车辆历史运行数据包括训练集数据；所述采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型的步骤包括：
152.对所述训练集数据进行数据清洗；
153.基于预设网络异常状态扭转规则，对数据清洗后的训练集数据进行特征构造，生成第一特征数据；
154.采用所述第一特征数据训练分类模型，得到所述异常唤醒识别模型。
155.可选地，所述混动车辆历史运行数据还包括验证集数据；所述采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型的步骤还包括：
156.采用所述验证集数据验证所述异常唤醒识别模型。
157.可选地，所述对所述训练集数据进行数据清洗的步骤包括：
158.通过随机森林，对所述训练集数据进行补充。
159.可选地，所述采用所述第一特征数据训练分类模型，得到所述异常唤醒识别模型的步骤包括：
160.基于独热编码方式，对所述第一特征数据进行重编码，得到二进制向量；
161.基于支持向量机，采用所述二进制向量训练分类模型，得到所述异常唤醒识别模型。
162.可选地，所述依据所述网络唤醒类型信息，确定网络唤醒状态的步骤包括：
163.当所述网络唤醒类型信息为网络异常唤醒类型，确定所述网络唤醒状态为异常唤醒状态；
164.当所述网络唤醒类型信息为网络正常唤醒类型，确定所述网络唤醒状态为正常唤醒状态。
165.可选地，所述方法还包括：
166.当所述网络唤醒状态为所述异常唤醒状态时，生成异常唤醒告警信息，所述异常唤醒告警信息用于表征混动车辆发生网络异常唤醒。
167.本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
168.本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
169.本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
170.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
171.这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
172.尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
173.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
174.以上对本发明所提供的混动车辆网络异常识别方法、装置、电子设备和存储介质，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种混动车辆网络异常识别方法，其特征在于，包括：从云端获取混动车辆历史运行数据；采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型，所述异常唤醒识别模型用于针对混动车辆的异常唤醒进行识别；其中，所述混动车辆的异常唤醒至少包括混动车辆充电电压小于预设充电阈值；在混动车辆驻车后，检测到网络唤醒信号时，将所述网络唤醒信号输入至所述异常唤醒识别模型；获取所述异常唤醒识别模型输出的网络唤醒类型信息；依据所述网络唤醒类型信息，确定网络唤醒状态，以识别出网络异常。2.根据权利要求1所述的方法，其特征在于，所述混动车辆历史运行数据包括训练集数据；所述采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型的步骤包括：对所述训练集数据进行数据清洗；基于预设网络异常状态扭转规则，对数据清洗后的训练集数据进行特征构造，生成第一特征数据；采用所述第一特征数据训练分类模型，得到所述异常唤醒识别模型。3.根据权利要求2所述的方法，其特征在于，所述混动车辆历史运行数据还包括验证集数据；所述采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型的步骤还包括：采用所述验证集数据验证所述异常唤醒识别模型。4.根据权利要求2所述的方法，其特征在于，所述对所述训练集数据进行数据清洗的步骤包括：通过随机森林，对所述训练集数据进行补充。5.根据权利要求2所述的方法，其特征在于，所述采用所述第一特征数据训练分类模型，得到所述异常唤醒识别模型的步骤包括：基于独热编码方式，对所述第一特征数据进行重编码，得到二进制向量；基于支持向量机，采用所述二进制向量训练分类模型，得到所述异常唤醒识别模型。6.根据权利要求1所述的方法，其特征在于，所述依据所述网络唤醒类型信息，确定网络唤醒状态的步骤包括：当所述网络唤醒类型信息为网络异常唤醒类型，确定所述网络唤醒状态为异常唤醒状态；当所述网络唤醒类型信息为网络正常唤醒类型，确定所述网络唤醒状态为正常唤醒状态。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：当所述网络唤醒状态为所述异常唤醒状态时，生成异常唤醒告警信息，所述异常唤醒告警信息用于表征混动车辆发生网络异常唤醒。8.一种混动车辆网络异常识别装置，其特征在于，包括：第一获取模块，用于从云端获取混动车辆历史运行数据；训练模块，用于采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模
型，所述异常唤醒识别模型用于针对混动车辆的异常唤醒进行识别；其中，所述混动车辆的异常唤醒至少包括混动车辆充电电压小于预设充电阈值；检测模块，用于在混动车辆驻车后，检测到网络唤醒信号时，将所述网络唤醒信号输入至所述异常唤醒识别模型；第二获取模块，用于获取所述异常唤醒识别模型输出的网络唤醒类型信息；识别模块，用于依据所述网络唤醒类型信息，确定网络唤醒状态，以识别出网络异常。9.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的混动车辆网络异常识别方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的混动车辆网络异常识别方法的步骤。

技术总结
本发明涉及一种混动车辆网络异常识别方法、装置、电子设备和存储介质，涉及车辆安全技术领域；包括：从云端获取混动车辆历史运行数据；采用所述混动车辆历史运行数据训练分类模型，得到异常唤醒识别模型，所述异常唤醒识别模型用于针对混动车辆的异常唤醒进行识别；其中，所述混动车辆的异常唤醒至少包括混动车辆充电电压小于预设充电阈值；在混动车辆驻车后，检测到网络唤醒信号时，将所述网络唤醒信号输入至所述异常唤醒识别模型；获取所述异常唤醒识别模型输出的网络唤醒类型信息；依据所述网络唤醒类型信息，确定网络唤醒状态，以识别出网络异常。通过本发明实施例可以提高混动车辆网络异常识别的准确度。车辆网络异常识别的准确度。车辆网络异常识别的准确度。


技术研发人员：杨俱成 吴锐
受保护的技术使用者：重庆长安汽车股份有限公司
技术研发日：2023.05.04
技术公布日：2023/6/27