CN116882632A - 一种车辆安全评估方法、***、装置、设备以及存储介质 - Google Patents
一种车辆安全评估方法、***、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN116882632A CN116882632A CN202310896476.7A CN202310896476A CN116882632A CN 116882632 A CN116882632 A CN 116882632A CN 202310896476 A CN202310896476 A CN 202310896476A CN 116882632 A CN116882632 A CN 116882632A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- component
- sample
- risk level
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 151
- 230000002159 abnormal effect Effects 0.000 claims abstract description 99
- 238000012549 training Methods 0.000 claims description 52
- 238000003062 neural network model Methods 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 12
- 230000005856 abnormality Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种车辆安全评估方法、***、装置、设备以及存储介质,涉及互联网技术领域,尤其涉及自动驾驶、智能车辆、车辆安全等技术领域。具体实现方案为:获取目标车辆的各个部件的检测项信息;基于所获取的检测项信息,确定各个部件的关于是否发生异常事件的检测结果;基于各个部件的检测结果,构建所述目标车辆的车辆描述向量;基于所述目标车辆的车辆描述向量,确定所述目标车辆的各个部件的风险等级和/或所述目标车辆的风险等级。可见,通过本方案,可以自动化的完成各个部件和/或车辆的风险等级评估。
Description
技术领域
本公开涉及互联网技术领域,尤其涉及自动驾驶、智能车辆、车辆安全等技术领域,具体涉及一种车辆安全评估方法、***、装置、设备以及存储介质。
背景技术
随着智能网联汽车的规模持续增长,面临的安全威胁也日益严峻,安全性成为智能网联汽车行业的重点关注内容。
目前,智能网联汽车有多种车型,每种车型下有多种车辆,且每辆汽车都会有多个部件,每个部件都可能会发生各种各样的异常事件。
发明内容
本公开提供了一种车辆安全评估方法、***、装置、设备以及存储介质。
根据本公开的一方面,提供了一种车辆安全评估方法,包括:
获取目标车辆的各个部件的检测项信息;
基于所获取的检测项信息,确定各个部件的关于是否发生异常事件的检测结果;
基于各个部件的检测结果,构建所述目标车辆的车辆描述向量;其中,任一车辆的车辆描述向量为针对该车辆的各个部件进行状态描述的向量;
基于所述目标车辆的车辆描述向量,确定所述目标车辆的各个部件的风险等级和/或所述目标车辆的风险等级。
根据本公开的另一方面,提供了一种车辆安全评估***,包括车端设备和云端设备;
所述车端设备,用于向所述云端设备上报车辆的各个部件的检测项信息;
所述云端设备,用于接收所述车端设备上报的车辆的各个部件的检测项信息;基于所获取的检测项信息,确定各个部件的关于是否发生异常事件的检测结果;基于各个部件的检测结果,构建所述目标车辆的车辆描述向量;基于所述目标车辆的车辆描述向量,确定所述目标车辆的各个部件的风险等级和/或所述目标车辆的风险等级;任一车辆的车辆描述向量为针对该车辆的各个部件进行状态描述的向量。
根据本公开的另一方面,提供了一种车辆安全评估装置,包括:
获取模块,用于获取目标车辆的各个部件的检测项信息;
第一确定模块,用于基于所获取的检测项信息,确定各个部件的关于是否发生异常事件的检测结果;
构建模块,用于基于各个部件的检测结果,构建所述目标车辆的车辆描述向量;其中,任一车辆的车辆描述向量为针对该车辆的各个部件进行状态描述的向量;
第二确定模块,用于基于所述目标车辆的车辆描述向量,确定所述目标车辆的各个部件的风险等级和/或所述目标车辆的风险等级。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任一项所述的车辆安全评估方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据上述任一项所述的车辆安全评估方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据上述任一项所述的车辆安全评估方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开一种车辆安全评估方法的流程图;
图2是根据本公开一种预测模型的训练方式的流程图;
图3是根据本公开另一种预测模型的训练方式的流程图;
图4是根据本公开一种VSOC***的结构示意图;
图5是根据本公开车辆安全评估方法的一个具体示例的流程图;
图6是根据本公开一种车辆安全评估***的结构示意图;
图7是根据本公开一种车辆安全评估装置的结构示意图;
图8是用来实现本公开实施例的车辆安全评估方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
目前,智能网联汽车有多种车型,每种车型下有多种车辆,且每辆汽车都会有多个部件,每个部件都可能会发生各种各样的异常事件。如何更好地管理这么多异常事件,从而评估每个部件的风险等级以及整辆汽车的风险等级,成为亟需解决的技术问题。
基于上述内容,本公开实施例提供了一种车辆安全评估方法***、装置、设备以及存储介质。
下面,首先对本公开实施例所提供的一种车辆安全评估方法进行介绍。
本公开实施例所提供的一种车辆安全评估方法,应用于云端设备,该云端设备可以与车端设备相通信。在具体应用中,实现该车辆安全评估方法的云端设备可以为个人电脑、服务器、以及其他具有数据处理能力的设备。另外,可以理解的是,本公开实施例提供的车辆安全评估方法可以通过软件、硬件或软硬件结合的方式实现。
其中,本公开实施例所提供的一种车辆安全评估方法,可以包括如下步骤:
获取目标车辆的各个部件的检测项信息;
基于所获取的检测项信息,确定各个部件的关于是否发生异常事件的检测结果;
基于各个部件的检测结果,构建所述目标车辆的车辆描述向量;其中,任一车辆的车辆描述向量为针对该车辆的各个部件进行状态描述的向量;
基于所述目标车辆的车辆描述向量,确定所述目标车辆的各个部件的风险等级和/或所述目标车辆的风险等级。
本公开提供的方案中,通过获取到的目标车辆的各个部件的检测项信息,确定各个部件是否发生预先设定的异常事件,得到各个部件的关于是否发生异常事件的检测结果;接着,根据各个部件的检测结果,构建针对该目标车辆的各个部件进行状态描述的车辆描述向量;然后,根据该目标车辆的车辆描述向量,确定各个部件的风险等级和/或目标车辆的风险等级,从而,可以自动化的完成各个部件和/或车辆的风险等级评估。
下面结合附图,对本公开实施例所提供的车辆安全评估方法进行介绍。
如图1所示,本公开实施例所提供的车辆安全评估方法,可以包括如下步骤:
S101,获取目标车辆的各个部件的检测项信息;
本实施例中,目标车辆可以是任一待进行车辆安全评估的车辆。示例性的,该目标车辆可以通过与云端设备相通信的车端设备,例如车载终端,周期性地向云端设备上报该目标车辆的各个部件的检测项信息;或者,云端设备周期性地从目标车辆的车端设备中,请求该目标车辆的各个部件的检测项信息,从而获取到目标车辆的各个部件的检测项信息,这都是合理的。
在实际应用中,该检测项信息可以是车端IDPS(Intrusion Detection&Prevention System,车辆入侵检测与防御***)对目标车辆的各个部件进行入侵检测所获取到的信息。示例性的,该各个部件可以是车机、网关、传感器、通信模块,等等。该检测项信息可以包括各个部件的状态信息、异常信息等数据。另外,需要说明的是,在实际应用中,还可以通过对目标车辆的各个部件进行***安全事件检测、运行状态异常检测、应用程序检测等方式,得到目标车辆的各个部件的检测项信息,本公开实施例对该检测项信息的来源并不限定。
S102,基于所获取的检测项信息,确定各个部件的关于是否发生异常事件的检测结果;
可以理解的是,由于所获取的检测项信息中包括各个部件的状态信息和异常信息等数据,因此,可以通过对该各个部件的检测项信息进行分析,判断该各个部件是否发生具有安全风险的异常事件,从而确定各个部件的关于是否发生异常事件的检测结果。需要说明的是,异常事件即安全风险事件,又称为安全事件。示例性的,异常事件可以包括通信端口异常、CPU占用率异常,等等。
示例性的,在实际应用中,每一部件可以发生一个或多个异常事件,不同的异常事件可以具有不同的事件标识,该事件标识可以是异常事件的名称、id,等等;当然,每一部件也可能并未发生任何异常事件。在确定各个部件的检测结果时,若任一部件的检测结果表征该部件发生异常事件,则该检测结果中还可以包括各个事件的事件标识。
可选地,在一种实现方式中,基于所获取的检测项信息,确定各个部件的关于是否发生异常事件的检测结果,可以包括:
针对每一部件,基于该部件的检测项信息,分析是否满足预先设定的异常事件的事件规则,若满足,将第一检测结果确定为该部件的检测结果,否则,将第二检测结果确定为该部件的检测结果;
其中,第一检测结果为表征该部件发生异常事件的结果信息;该第二检测结果为表征该部件未发生异常事件的结果信息。
本实现方式中,可以预先设定异常事件的事件规则,每一部件可以发生多个异常事件,每一异常事件可以对应有该异常事件的事件规则。可以理解的是,任一异常事件对应的事件规则用于判断是否发生该异常事件。在实际应用中,该异常事件的事件规则可以由安全运营人员根据经验自行设定,且该事件规则可以周期性地进行更新。示例性的,预先设定的异常事件的事件规则,可以包括:CPU占用率超过预设阈值、磁盘空间占用率超过预设阈值,等等。
可以理解的是,针对每一部件,可以利用预先设定的异常事件的事件规则,对该部件的检测项信息进行匹配,若任一事件规则命中该检测项信息,即该检测项信息满足该事件规则,则该部件发生该事件规则所对应的异常事件。此时,表征该部件发生异常事件的结果信息,可以作为该部件的检测结果。若预先设定的异常事件的事件规则均未命中该检测项信息,则该部件未发生异常事件,此时,表征该部件未发生异常事件的结果信息,可以作为该部件的检测结果。
另外,需要说明的是,由于针对同一部件而言,所发生的异常事件的种类不同,其对车辆和部件的风险等级的影响程度也会不同,因此,该第一检测结果中还可以包括该异常事件对应的事件标识,以便于后续根据该不同的事件标识,分析该所发生的异常事件对车辆和部件的风险等级的影响程度,从而更准确的确定车辆和部件的风险等级。示例性的,若异常事件A和异常事件B的事件规则,均命中部件1的检测项信息,则该部件1发生了异常事件A和异常事件B,该部件1的检测结果可以包括表征该部件1发生异常事件的结果信息,以及异常事件A和异常事件B的事件标识。
示例性的,在实际应用中,可以利用预先设定有异常事件的事件规则的VSOC(Vehicle Security Operations Center,汽车信息安全运营中心)规则引擎,对各个部件的检测项信息进行分析,即将各个部件的检测项信息作为输入内容,输入该规则引擎,以利用各个异常事件的事件规则对该各个部件的检测项信息进行匹配,得到各个部件的关于是否发生异常事件的检测结果。另外,可以理解的是,在将各个部件的检测项信息输入该规则引擎之前,还可以对该检测项信息进行数据清洗,以去除该检测项信息中的重复数据、无效数据,等等,从而提高检测结果的准确性。
S103,基于各个部件的检测结果,构建该目标车辆的车辆描述向量;其中,任一车辆的车辆描述向量为针对该车辆的各个部件进行状态描述的向量;
本实施例中,在获取到各个部件的检测结果后,可以对各个部件的检测结果进行整合,以构建针对该目标车辆的各个部件进行状态描述的车辆描述向量。示例性的,在实际应用中,该车辆描述向量中可以包括对各个部件进行状态描述的表征内容,每一表征内容可以用于表征一部件是否发生异常事件,从而得到车辆描述向量。
可以理解的是,通过构建针对目标车辆的车辆描述向量,可以便于后续通过该车辆描述向量对各个部件的异常事件进行综合分析,从而确定各个部件的风险等级和/或目标车辆的风险等级。
可选地,在一种实现方式中,该目标车辆的车辆描述向量为多维向量;其中,该多维向量中包括有各个部件对应的元素,每一部件对应的元素用于表征该部件是否发生预先设定的异常事件。
本实现方式中,该多维向量的维度可以与该目标车辆的各个部件的数量相同,此时,该多维向量中的每一元素对应一部件,且用于表征该部件是否发生预先设定的异常事件。示例性的,若目标车辆包括部件1、部件2和部件3,且部件1发生预先设定的异常事件,则构建的多维向量可以为(1,0,0);其中,“1”表征发生预先设定的异常事件,“0”表征未发生预先设定的异常事件。
可以理解的是,由于针对同一部件而言,可以发生多种异常事件,且不同的异常事件可以具有不同的风险程度;因此,为了对部件和车辆的安全等级进行更准确的分析,在构建多维向量时,该多维向量的维度还可以与预先设定的异常事件的数量相同。也就是,在该多维向量中,任一部件可以对应有一个或多个元素,每一元素对应一异常事件,该元素用于表征所对应的部件是否发生该元素对应的异常事件。示例性的,若目标车辆包括部件1、部件2和部件3,针对部件1预先设定的异常事件有异常事件A,针对部件2预先设定的异常事件有异常事件B和异常事件C,针对部件3预先设定的异常事件有异常事件D和异常事件E;则该目标车辆的车辆描述向量的维度为5;且若部件2发生预先设定的异常事件B,部件3发生预先设定的异常事件E,则构建的多维向量可以为(0,1,0,0,1);其中,“1”表征发生预先设定的异常事件,“0”表征未发生预先设定的异常事件。
示例性的,构建多维向量的方式可以是利用向量化算法,例如word2vec(一种将单词转换成向量形式的方法),将各个部件的检测结果,转换为向量形式。
可以理解的是,通过将各个部件的检测结果构建为多维向量的形式,可以便于后续对该车辆描述向量进行计算。
S104,基于该目标车辆的车辆描述向量,确定该目标车辆的各个部件的风险等级和/或该目标车辆的风险等级。
在实际应用中,可以预先设定各个车辆描述向量与目标车辆的各个部件的风险等级,和/或该目标车辆的风险等级之间的映射关系。从而后续在构建出目标车辆的车辆描述向量后,可以根据该预先设定的映射关系,确定目标车辆的风险等级和/或各个部件的风险等级;或者,将车辆描述向量输入预先训练完成的预测模型,预测目标车辆的各个部件的风险等级和/或该目标车辆的风险等级,这都是合理的。示例性的,风险等级可以划分为正常、低危、中危、高危、严重等5个等级。
需要说明的是,为了方案布局清晰,将在下述实施例中对利用预先训练完成的预测模型,得到该目标车辆的各个部件的风险等级和/或该车辆的风险等级的方式进行介绍,这里不再赘述。
本公开提供的方案中,通过获取到的目标车辆的各个部件的检测项信息,确定各个部件是否发生预先设定的异常事件,得到各个部件的关于是否发生异常事件的检测结果;接着,根据各个部件的检测结果,构建针对该目标车辆的各个部件进行状态描述的车辆描述向量;然后,根据该目标车辆的车辆描述向量,确定各个部件的风险等级和/或目标车辆的风险等级,从而,可以自动化的完成各个部件和/或车辆的风险等级评估。
可选地,在本公开的另一实施例中,上述步骤S104中基于该目标车辆的车辆描述向量,确定该目标车辆的各个部件的风险等级和/或该目标车辆的风险等级,可以包括:
将该车辆描述向量输入至预先训练完成的预测模型,得到该目标车辆的各个部件的风险等级和/或该车辆的风险等级;
其中,该预测模型为基于样本车辆描述向量以及对应的真值信息训练得到的神经网络模型,该样本车辆描述向量为针对样本车辆的各个部件进行状态描述的向量,该样本车辆描述向量对应的真值信息包括:该样本车辆的各个部件的风险等级的真值和/或该样本车辆的风险等级的真值。
本实施例中,由于该预测模型基于样本车辆描述向量以及对应的真值信息训练得到,且该样本车辆描述向量对应的真值信息包括:该样本车辆的各个部件的风险等级的真值和/或该样本车辆的风险等级的真值,因此,该预测模型在训练过程中可以学习到:基于样本车辆描述向量,对样本车辆的各个部件的风险等级和/或该样本车辆的风险等级进行预测的知识。从而,将车辆描述向量输入至预先训练完成的预测模型,可以利用该预测模型在训练阶段所学习到的预测知识,预测得到目标车辆的各个部件的风险等级和/或目标车辆的风险等级。
可见,通过本方案,可以预测得到目标车辆的各个部件的风险等级和/或该目标车辆的风险等级。
可选地,在本公开的另一实施例中,如图2所示,该预测模型的训练方式,可以包括步骤S201-S202:
S201,将该样本车辆描述向量输入初始的神经网络模型,得到预测结果;其中,该预测结果表征该样本车辆的各个部件的风险等级和/或该车辆的风险等级;
示例性的,在实际应用中,该初始的神经网络模型可以是卷积神经网络模型、循环神经网络模型等机器学习模型。该样本车辆描述向量可以基于样本车辆的各个部件的历史检测结果所构建。
可选地,在一种实现方式中,该初始的神经网络模型可以为大语言模型LLM。
可以理解的是,由于LLM(Large Language Model,大语言模型)具备强大的语义理解和上下文感知能力,能够更准确地分析各个异常事件之间的关联,以及各个异常事件对于各个部件的风险等级、车辆整体的风险等级的影响,从而提高预测结果的准确性,因此,可以选择大语言模型作为初始的神经网络模型模型进行训练。示例性的,该大语言模型可以是GPT-3(Generative Pre-trained Transformer 3,一种基于深度学习的自然语言处理模型),BERT(Bidirectional Encoder Representations from Transformers,一种语言表示模型),等等。
S202,基于该样本车辆描述向量对应的真值信息以及该预测结果的差异,对该初始的神经网络模型的模型参数进行调整,以训练得到预测模型。
本实施例中,可以通过最小化该差异的反向传播,调整该初始的神经网络模型的模型参数,对该神经网络模型进行训练,直到达到预定的训练结束条件,训练结束,得到预测模型。可以理解的是,通过最小化该差异的反向传播,调整该初始的神经网络模型的模型参数,可以使得调整后的神经网络模型输出的预测结果更加接近输入的样本车辆描述向量对应的真值信息,从而提高该调整后的神经网络模型对车辆的风险等级和/或各个部件的风险等级的预测精度。
可选地,在一种实现方式中,如图3所示,该预测模型的训练方式,还可以包括步骤S301-S302:
S301,在训练得到预测模型后,获取待利用样本以及对应的真值信息;其中,该待利用样本为:对应有错误预测结果的任一车辆的车辆描述向量,该错误预测结果为基于该训练得到的预测模型,对该任一车辆的车辆描述向量进行预测分析时所得到的、被人工反馈属于错误的预测结果;
S302,利用该待利用样本以及对应的真值信息,对训练得到的预测模型进行更新训练。
可以理解的是,由于该错误预测结果为基于该训练得到的预测模型,对该任一车辆的车辆描述向量进行预测分析时所得到的、被人工反馈属于错误的预测结果,表明该预测模型对车辆描述向量进行了误判;因此,可以获取待利用样本以及对应的真值信息,并利用该待利用样本以及对应的真值信息,对训练得到的预测模型进行更新训练,从而进一步提高所训练得到的预测模型的预测精度。
示例性的,在实际应用中,预测模型输出的预测结果可以在VSOC控制台中进行展示,安全运营人员可以对该控制台中所展示的各个车辆的风险等级进行分析,基于经验判断预测模型所输出的预测结果是否准确,并反馈属于错误的预测结果。此时,可以将对应有错误预测结果的任一车辆的车辆描述向量,作为待利用样本。并且,可以人工确定该待利用样本对应的真值信息,从而,可以通过最小化该待利用样本对应的预测结果和真值信息的差值,对该预测模型的模型参数进行更新,得到最终的预测模型。
可见,通过本方案,可以完成预测模型的训练。
为了更好的理解本公开实施例的内容,下面结合一个具体的示例进行阐述。
VSOC是专注于车辆安全的运营中心,负责监测、检测和响应车辆安全威胁和攻击。它集中管理和分析车辆产生的安全数据,包括车辆网络通信、传感器数据等,以识别潜在的安全漏洞和威胁,并采取相应的措施进行安全防护和响应。如图4所示,VSOC***主要包括车端API(Application Programming Interface,应用程序接口)模块、Web(网站)前端模块、Web后端模块、计算引擎模块、车端IDPS模块等。
各个模块功能说明:
(1)车端API模块:
①车端(对应于上文中的车端设备)通过车端API模块接收云端(对应于上文中的云端设备)推送的一些配置信息,例如限制车端IDPS模块推送车辆检测数据到云端的周期等信息,使得车端可以按照该周期向云端上报车辆检测数据;
②云端通过车端API模块下发车辆告警、漏洞的修复信息到车端,便于车端IDPS模块对部分异常进行简单修复。
(2)Web前端模块和Web后端模块,用于对接安全运营人员,主要有以下功能:
①资产管理:支持车型管理、车辆管理、零件管理等;
②事件中心:支持告警列表、漏洞列表等信息查看;
③安全规则(对应于上文中预先设定的异常事件的事件规则):支持安全规则的创建、删除、修改、查询、关闭,支持单因子和多因子复合的安全规则配置;
④应急响应:支持工单管理、工单编排等;
⑤用户管理:支持用户管理和角色管理,限定用户的平台访问权限、接口访问权限;支持特定API级别的读、写权限鉴权;
⑥大屏态势:支持实时、离线态势图表展示;支持车辆态势、车型态势分析。
(3)计算引擎模块,用于执行安全规则的实时模式匹配分析,主要有以下功能:
①数据清洗:对车端上报的车辆检测数据进行数据清洗,规范数据;
②动态规则引擎:支持动态接收安全规则,利用所接收的安全规则,对数据清洗后所得到的车辆事件进行安全规则分析;规则命中的车辆事件为异常事件,可以存储到数据库中。
(4)车端IDPS模块,用于采集车辆检测项信息(对应于上文中目标车辆的各个部件的检测项信息),包括状态信息、异常信息等数据,上报至云端进行分析。
上述VSOC***支持安全事件(对应于上文中的异常事件)的分析范围,如下表1所示:
表1
风险等级划分为:正常(NORMAL)、低危(LOW)、中危(MIDDLE)、高危(HIGH)、严重(CRITICAL)。如图5所示,通过训练样本对初始的大语言模型LLM进行预训练得到预测模型,可以用于预测每个部件的风险等级以及车辆的风险等级。其中,该训练样本可以为样本车辆的各个部件的异常事件所构成的输入内容,每一样本车辆对应有表征车辆风险等级,和/或各个部件风险等级的真值的标签。在进行风险等级的安全评估时,首先,输入车端IDPS模块上报的检测项信息;接着,利用安全规则对检测项信息进行安全规则分析,得到安全规则命中的异常事件;接着,将异常事件输入预训练得到的预测模型,进行风险等级的预测,输出车辆的风险等级和/或各个部件的风险等级;将车辆的异常事件以及输出的风险等级在控制台中进行展示,利用控制台中人工反馈的结果对预训练得到的预测模型进行更新训练。
其中,通过VSOC***的Web前端的控制台中可以展示异常事件和风险等级的预测结果,安全运营人员可以在平台上对预测模型预测得到的不理想的风险等级(对应于上文中被人工反馈属于错误的预测结果)做调整,该调整的结果会以工单的形式,进行人工审核、过滤、筛选,最终将数据整合起来重新用于进行LLM的微调,即利用不理想的风险等级对应的样本车辆的输入内容和调整后的风险等级,对预测模型进行更新训练,优化未来的模型输出结果,提高预测模型的精度。
可见,通过本方案,可以更好地管理大量的安全事件,自动化的完成各个部件和/或车辆的风险等级评估。
相应上述方法实施例,本公开实施例还提供了一种车辆安全评估***,如图6所示,包括车端设备610和云端设备620;
所述车端设备610,用于向所述云端设备620上报车辆的各个部件的检测项信息;
所述云端设备620,用于接收所述车端设备610上报的车辆的各个部件的检测项信息;基于所获取的检测项信息,确定各个部件的关于是否发生异常事件的检测结果;基于各个部件的检测结果,构建所述目标车辆的车辆描述向量;基于所述目标车辆的车辆描述向量,确定所述目标车辆的各个部件的风险等级和/或所述目标车辆的风险等级;任一车辆的车辆描述向量为针对该车辆的各个部件进行状态描述的向量。
可选地,所述云端设备基于所述目标车辆的车辆描述向量,确定所述目标车辆的各个部件的风险等级和/或所述目标车辆的风险等级,包括:
将所述车辆描述向量输入至预先训练完成的预测模型,得到所述目标车辆的各个部件的风险等级和/或所述目标车辆的风险等级;
其中,所述预测模型为基于样本车辆描述向量以及对应的真值信息训练得到的神经网络模型,所述样本车辆描述向量为针对样本车辆的各个部件进行状态描述的向量,所述样本车辆描述向量对应的真值信息包括:所述样本车辆的各个部件的风险等级的真值和/或所述样本车辆的风险等级的真值。
可选地,所述目标车辆的车辆描述向量为多维向量;其中,所述多维向量中包括有各个部件对应的元素,每一部件对应的元素用于表征该部件是否发生预先设定的异常事件。
可选地,所述云端设备基于所获取的检测项信息,确定各个部件的关于是否发生异常事件的检测结果,包括:
针对每一部件,基于该部件的检测项信息,分析是否满足预先设定的异常事件的事件规则,若满足,将第一检测结果确定为该部件的检测结果,否则,将第二检测结果确定为该部件的检测结果;
其中,第一检测结果为表征该部件发生异常事件的结果信息;所述第二检测结果为表征该部件未发生异常事件的结果信息。
可选地,所述预测模型的训练方式,包括:
将所述样本车辆描述向量输入初始的神经网络模型,得到预测结果;其中,所述预测结果表征所述样本车辆的各个部件的风险等级以及所述目标车辆的风险等级;
基于所述样本车辆描述向量对应的真值信息以及所述预测结果的差异,对所述初始的神经网络模型的模型参数进行调整,以训练得到预测模型。
可选地,所述预测模型的训练方式,还包括:
在训练得到预测模型后,获取待利用样本以及对应的真值信息;其中,所述待利用样本为:对应有错误预测结果的任一车辆的车辆描述向量,所述错误预测结果为基于所述训练得到的预测模型,对所述任一车辆的车辆描述向量进行预测分析时所得到的、被人工反馈属于错误的预测结果;
利用所述待利用样本以及对应的真值信息,对训练得到的预测模型进行更新训练。
可选地,所述初始的神经网络模型为大语言模型LLM。
相应上述方法实施例,本公开实施例还提供了车辆安全评估装置,如图7所示,包括:
获取模块710,用于获取目标车辆的各个部件的检测项信息;
第一确定模块720,用于基于所获取的检测项信息,确定各个部件的关于是否发生异常事件的检测结果;
构建模块730,用于基于各个部件的检测结果,构建所述目标车辆的车辆描述向量;其中,任一车辆的车辆描述向量为针对该车辆的各个部件进行状态描述的向量;
第二确定模块740,用于基于所述目标车辆的车辆描述向量,确定所述目标车辆的各个部件的风险等级和/或所述目标车辆的风险等级。
可选地,所述第二确定模块,具体用于:
将所述车辆描述向量输入至预先训练完成的预测模型,得到所述目标车辆的各个部件的风险等级和/或所述目标车辆的风险等级;
其中,所述预测模型为基于样本车辆描述向量以及对应的真值信息训练得到的神经网络模型,所述样本车辆描述向量为针对样本车辆的各个部件进行状态描述的向量,所述样本车辆描述向量对应的真值信息包括:所述样本车辆的各个部件的风险等级的真值和/或所述样本车辆的风险等级的真值。
可选地,所述目标车辆的车辆描述向量为多维向量;其中,所述多维向量中包括有各个部件对应的元素,每一部件对应的元素用于表征该部件是否发生预先设定的异常事件。
可选地,所述第一确定模块,具体用于:
针对每一部件,基于该部件的检测项信息,分析是否满足预先设定的异常事件的事件规则,若满足,将第一检测结果确定为该部件的检测结果,否则,将第二检测结果确定为该部件的检测结果;
其中,第一检测结果为表征该部件发生异常事件的结果信息;
所述第二检测结果为表征该部件未发生异常事件的结果信息。
可选地,所述预测模型的训练方式,包括:
将所述样本车辆描述向量输入初始的神经网络模型,得到预测结果;其中,所述预测结果表征所述样本车辆的各个部件的风险等级以及所述目标车辆的风险等级;
基于所述样本车辆描述向量对应的真值信息以及所述预测结果的差异,对所述初始的神经网络模型的模型参数进行调整,以训练得到预测模型。
可选地,所述预测模型的训练方式,还包括:
在训练得到预测模型后,获取待利用样本以及对应的真值信息;其中,所述待利用样本为:对应有错误预测结果的任一车辆的车辆描述向量,所述错误预测结果为基于所述训练得到的预测模型,对所述任一车辆的车辆描述向量进行预测分析时所得到的、被人工反馈属于错误的预测结果;
利用所述待利用样本以及对应的真值信息,对训练得到的预测模型进行更新训练。
可选地,所述初始的神经网络模型为大语言模型LLM。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
本公开所提供的一种电子设备,可以包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任一车辆安全评估方法的步骤。
本公开所提供的一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一车辆安全评估方法的步骤。
在本公开提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一车辆安全评估方法的步骤。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如车辆安全评估方法。例如,在一些实施例中,车辆安全评估方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的车辆安全评估方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车辆安全评估方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (24)
1.一种车辆安全评估方法,包括:
获取目标车辆的各个部件的检测项信息;
基于所获取的检测项信息,确定各个部件的关于是否发生异常事件的检测结果;
基于各个部件的检测结果,构建所述目标车辆的车辆描述向量;其中,任一车辆的车辆描述向量为针对该车辆的各个部件进行状态描述的向量;
基于所述目标车辆的车辆描述向量,确定所述目标车辆的各个部件的风险等级和/或所述目标车辆的风险等级。
2.根据权利要求1所述的方法,其中,所述基于所述目标车辆的车辆描述向量,确定所述目标车辆的各个部件的风险等级和/或所述目标车辆的风险等级,包括:
将所述车辆描述向量输入至预先训练完成的预测模型,得到所述目标车辆的各个部件的风险等级和/或所述目标车辆的风险等级;
其中,所述预测模型为基于样本车辆描述向量以及对应的真值信息训练得到的神经网络模型,所述样本车辆描述向量为针对样本车辆的各个部件进行状态描述的向量,所述样本车辆描述向量对应的真值信息包括:所述样本车辆的各个部件的风险等级的真值和/或所述样本车辆的风险等级的真值。
3.根据权利要求1或2所述的方法,其中,所述目标车辆的车辆描述向量为多维向量;其中,所述多维向量中包括有各个部件对应的元素,每一部件对应的元素用于表征该部件是否发生预先设定的异常事件。
4.根据权利要求1或2所述的方法,其中,所述基于所获取的检测项信息,确定各个部件的关于是否发生异常事件的检测结果,包括:
针对每一部件,基于该部件的检测项信息,分析是否满足预先设定的异常事件的事件规则,若满足,将第一检测结果确定为该部件的检测结果,否则,将第二检测结果确定为该部件的检测结果;
其中,第一检测结果为表征该部件发生异常事件的结果信息;
所述第二检测结果为表征该部件未发生异常事件的结果信息。
5.根据权利要求2所述的方法,其中,所述预测模型的训练方式,包括:
将所述样本车辆描述向量输入初始的神经网络模型,得到预测结果;其中,所述预测结果表征所述样本车辆的各个部件的风险等级和/或所述目标车辆的风险等级;
基于所述样本车辆描述向量对应的真值信息以及所述预测结果的差异,对所述初始的神经网络模型的模型参数进行调整,以训练得到预测模型。
6.根据权利要求5所述的方法,其中,所述预测模型的训练方式,还包括:
在训练得到预测模型后,获取待利用样本以及对应的真值信息;其中,所述待利用样本为:对应有错误预测结果的任一车辆的车辆描述向量,所述错误预测结果为基于所述训练得到的预测模型,对所述任一车辆的车辆描述向量进行预测分析时所得到的、被人工反馈属于错误的预测结果;
利用所述待利用样本以及对应的真值信息,对训练得到的预测模型进行更新训练。
7.根据权利要求5所述的方法,其中,所述初始的神经网络模型为大语言模型LLM。
8.一种车辆安全评估***,包括车端设备和云端设备;
所述车端设备,用于向所述云端设备上报车辆的各个部件的检测项信息;
所述云端设备,用于接收所述车端设备上报的车辆的各个部件的检测项信息;基于所获取的检测项信息,确定各个部件的关于是否发生异常事件的检测结果;基于各个部件的检测结果,构建所述目标车辆的车辆描述向量;基于所述目标车辆的车辆描述向量,确定所述目标车辆的各个部件的风险等级和/或所述目标车辆的风险等级;任一车辆的车辆描述向量为针对该车辆的各个部件进行状态描述的向量。
9.根据权利要求8所述的***,其中,所述云端设备基于所述目标车辆的车辆描述向量,确定所述目标车辆的各个部件的风险等级和/或所述目标车辆的风险等级,包括:
将所述车辆描述向量输入至预先训练完成的预测模型,得到所述目标车辆的各个部件的风险等级和/或所述目标车辆的风险等级;
其中,所述预测模型为基于样本车辆描述向量以及对应的真值信息训练得到的神经网络模型,所述样本车辆描述向量为针对样本车辆的各个部件进行状态描述的向量,所述样本车辆描述向量对应的真值信息包括:所述样本车辆的各个部件的风险等级的真值和/或所述样本车辆的风险等级的真值。
10.根据权利要求8或9所述的***,其中,所述目标车辆的车辆描述向量为多维向量;其中,所述多维向量中包括有各个部件对应的元素,每一部件对应的元素用于表征该部件是否发生预先设定的异常事件。
11.根据权利要求8或9所述的***,其中,所述云端设备基于所获取的检测项信息,确定各个部件的关于是否发生异常事件的检测结果,包括:
针对每一部件,基于该部件的检测项信息,分析是否满足预先设定的异常事件的事件规则,若满足,将第一检测结果确定为该部件的检测结果,否则,将第二检测结果确定为该部件的检测结果;
其中,第一检测结果为表征该部件发生异常事件的结果信息;
所述第二检测结果为表征该部件未发生异常事件的结果信息。
12.根据权利要求8所述的***,其中,所述预测模型的训练方式,包括:
将所述样本车辆描述向量输入初始的神经网络模型,得到预测结果;其中,所述预测结果表征所述样本车辆的各个部件的风险等级和/或所述目标车辆的风险等级;
基于所述样本车辆描述向量对应的真值信息以及所述预测结果的差异,对所述初始的神经网络模型的模型参数进行调整,以训练得到预测模型。
13.根据权利要求12所述的***,其中,所述预测模型的训练方式,还包括:
在训练得到预测模型后,获取待利用样本以及对应的真值信息;其中,所述待利用样本为:对应有错误预测结果的任一车辆的车辆描述向量,所述错误预测结果为基于所述训练得到的预测模型,对所述任一车辆的车辆描述向量进行预测分析时所得到的、被人工反馈属于错误的预测结果;
利用所述待利用样本以及对应的真值信息,对训练得到的预测模型进行更新训练。
14.根据权利要求12所述的***,其中,所述初始的神经网络模型为大语言模型LLM。
15.一种车辆安全评估装置,包括:
获取模块,用于获取目标车辆的各个部件的检测项信息;
第一确定模块,用于基于所获取的检测项信息,确定各个部件的关于是否发生异常事件的检测结果;
构建模块,用于基于各个部件的检测结果,构建所述目标车辆的车辆描述向量;其中,任一车辆的车辆描述向量为针对该车辆的各个部件进行状态描述的向量;
第二确定模块,用于基于所述目标车辆的车辆描述向量,确定所述目标车辆的各个部件的风险等级和/或所述目标车辆的风险等级。
16.根据权利要求15所述的装置,其中,所述第二确定模块,具体用于:
将所述车辆描述向量输入至预先训练完成的预测模型,得到所述目标车辆的各个部件的风险等级和/或所述目标车辆的风险等级;
其中,所述预测模型为基于样本车辆描述向量以及对应的真值信息训练得到的神经网络模型,所述样本车辆描述向量为针对样本车辆的各个部件进行状态描述的向量,所述样本车辆描述向量对应的真值信息包括:所述样本车辆的各个部件的风险等级的真值和/或所述样本车辆的风险等级的真值。
17.根据权利要求15或16所述的装置,其中,所述目标车辆的车辆描述向量为多维向量;其中,所述多维向量中包括有各个部件对应的元素,每一部件对应的元素用于表征该部件是否发生预先设定的异常事件。
18.根据权利要求15或16所述的装置,其中,所述第一确定模块,具体用于:
针对每一部件,基于该部件的检测项信息,分析是否满足预先设定的异常事件的事件规则,若满足,将第一检测结果确定为该部件的检测结果,否则,将第二检测结果确定为该部件的检测结果;
其中,第一检测结果为表征该部件发生异常事件的结果信息;
所述第二检测结果为表征该部件未发生异常事件的结果信息。
19.根据权利要求15所述的装置,其中,所述预测模型的训练方式,包括:
将所述样本车辆描述向量输入初始的神经网络模型,得到预测结果;其中,所述预测结果表征所述样本车辆的各个部件的风险等级和/或所述目标车辆的风险等级;
基于所述样本车辆描述向量对应的真值信息以及所述预测结果的差异,对所述初始的神经网络模型的模型参数进行调整,以训练得到预测模型。
20.根据权利要求19所述的装置,其中,所述预测模型的训练方式,还包括:
在训练得到预测模型后,获取待利用样本以及对应的真值信息;其中,所述待利用样本为:对应有错误预测结果的任一车辆的车辆描述向量,所述错误预测结果为基于所述训练得到的预测模型,对所述任一车辆的车辆描述向量进行预测分析时所得到的、被人工反馈属于错误的预测结果;
利用所述待利用样本以及对应的真值信息,对训练得到的预测模型进行更新训练。
21.根据权利要求19所述的装置,其中,所述初始的神经网络模型为大语言模型LLM。
22.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
23.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
24.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310896476.7A CN116882632A (zh) | 2023-07-20 | 2023-07-20 | 一种车辆安全评估方法、***、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310896476.7A CN116882632A (zh) | 2023-07-20 | 2023-07-20 | 一种车辆安全评估方法、***、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116882632A true CN116882632A (zh) | 2023-10-13 |
Family
ID=88267753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310896476.7A Pending CN116882632A (zh) | 2023-07-20 | 2023-07-20 | 一种车辆安全评估方法、***、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116882632A (zh) |
-
2023
- 2023-07-20 CN CN202310896476.7A patent/CN116882632A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112436968B (zh) | 一种网络流量的监测方法、装置、设备及存储介质 | |
CN107766299B (zh) | 数据指标异常的监控方法及其***、存储介质、电子设备 | |
KR101752251B1 (ko) | 파일 식별 방법 및 장치 | |
CN110674009B (zh) | 应用服务器性能监测方法、装置、存储介质及电子设备 | |
US20140269339A1 (en) | System for analysing network traffic and a method thereof | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN110570544A (zh) | 飞机燃油***故障识别方法、装置、设备和存储介质 | |
CN108092985B (zh) | 网络安全态势分析方法、装置、设备及计算机存储介质 | |
CN113515399A (zh) | 数据异常检测方法及装置 | |
CN109729069B (zh) | 异常ip地址的检测方法、装置与电子设备 | |
US11645540B2 (en) | Deep graph de-noise by differentiable ranking | |
CN111708687B (zh) | 一种设备异常指标确定方法、装置、设备和存储介质 | |
CN115204733A (zh) | 数据审计方法、装置、电子设备及存储介质 | |
CN111400114A (zh) | 基于深度递归网络大数据计算机***故障检测方法及*** | |
CN113452700B (zh) | 处理安全信息的方法、装置、设备以及存储介质 | |
CN113033639A (zh) | 一种异常数据检测模型的训练方法、电子设备及存储介质 | |
CN117171366A (zh) | 用于电网调度运行态势的知识图谱构建方法及*** | |
CN117149569A (zh) | 一种板卡运行状态预警方法、装置及电子设备 | |
CN116882632A (zh) | 一种车辆安全评估方法、***、装置、设备以及存储介质 | |
CN114157486B (zh) | 通信流量数据异常检测方法、装置、电子设备及存储介质 | |
CN114358581A (zh) | 性能指标的异常阈值确定方法和装置、设备、存储介质 | |
CN113138903B (zh) | 用于跟踪存储***的性能的方法和设备 | |
CN111352840B (zh) | 上线行为风险评估方法、装置、设备和可读存储介质 | |
CN116860507A (zh) | 告警根因确定方法、装置、设备及介质 | |
CN114218285A (zh) | 数据检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |