JP7251545B2 - 非正規車載装置の検出システム、ハーネスシステム、検出装置、及びコンピュータプログラム - Google Patents

Description

本発明は、非正規車載装置の検出システム、ハーネスシステム、検出装置、及びコンピュータプログラムに関する。本出願は、２０１８年６月１４日出願の日本出願第２０１８－１１３８０１号に基づく優先権を主張し、前記日本出願に記載された全ての内容を援用するものである。

自動車に搭載される車載装置の制御プログラム（ファームウェア）が不正に書き換えられたり、車載装置が不正に交換されたりすることがある。このような非正規の車載装置は、正規の車載装置とは異なる動作を行い、エンジン又はモータ等の動力制御、ブレーキ制御、ステアリング制御、メータ又は車載機器（ナビゲーション装置、ＥＴＣ（Electronic Toll Collection System）等）の動作制御等に異常が生じる虞がある。

特許文献１には、ゲートウェイ装置が車載ネットワークを介して複数のコントローラから信号を受信し、信号の受信順に基づいて、非正規のコントローラを検知する通信システムが開示されている。

特開２０１８－１１１５５号公報

本開示の一態様に係る非正規車載装置の検出システムは、複数の車載装置のそれぞれに接続され、電気信号を伝送する複数の通信線を有するワイヤハーネスと、前記複数の通信線に沿って延びる検出用電線と、前記検出用電線に発生する前記通信線からのクロストーク信号に基づいて、前記複数の車載装置に含まれる非正規車載装置を検出する検出処理を実行する検出装置と、を備える。

本開示の一の態様に係るハーネスシステムは、複数の車載装置のそれぞれに接続され、電気信号を伝送する複数の通信線を有するワイヤハーネスと、前記複数の通信線に沿って延び、検出装置に接続される検出用電線と、を備え、前記検出装置は、前記検出用電線に発生する前記通信線からのクロストーク信号に基づいて、前記複数の車載装置に含まれる非正規車載装置を検出する検出処理を実行する。

本開示の一の態様に係る検出装置は、複数の通信線を有するワイヤハーネスに接続される非正規車載装置を検出するための検出装置であって、前記複数の通信線に沿って延びる検出用電線において発生する前記通信線からのクロストーク信号を受け付ける入出力インタフェースと、前記入出力インタフェースによって受け付けられる前記クロストーク信号に基づいて、前記ワイヤハーネスに接続される複数の車載装置に含まれる非正規車載装置を検出する検出処理を実行するプロセッサと、を備える。

本開示の一の態様に係るコンピュータプログラムは、複数の通信線を有するワイヤハーネスに接続される非正規車載装置を検出するためのコンピュータプログラムであって、コンピュータに、前記複数の通信線に沿って延びる検出用電線において発生する前記通信線からのクロストーク信号を受け付けるステップと、受け付けられる前記クロストーク信号に基づいて、前記ワイヤハーネスに接続される複数の車載装置に含まれる非正規車載装置を検出するステップと、を実行させる。

本開示は、このような特徴的な処理部を備える検出装置及びかかる特徴的な処理をコンピュータに実行させるためのプログラムとして実現することができるだけでなく、かかる特徴的な処理をステップとする非正規車載装置の検出方法としても実現することができる。また、検出装置の一部又は全部を半導体集積回路として実現したり、検出装置を含む非正規車載装置の検出システムとして実現したりすることができる。

実施形態に係る非正規車載装置の検出システムの構成の一例を示す図である。 実施形態に係るハーネスシステムの構成の一例を示す図である。 検出用電線と検出装置との電気接続構成の一例を示す回路図である。 検出用電線と検出装置との電気接続構成の他の例を示す回路図である。 実施形態に係る学習モデルの構成の一例を示す模式図である。 実施形態に係る学習モデルに正常クロストーク信号から生成された入力データを与えたときの特徴抽出データを説明する図である。 実施形態に係る学習モデルに異常クロストーク信号から生成された入力データを与えたときの特徴抽出データを説明する図である。 特徴抽出データを用いた異常クロストーク信号の検出の概要を説明する模式図である。 実施形態に係る検出装置による検出処理の手順を示すフローチャートである。

＜本開示が解決しようとする課題＞
しかしながら、特許文献１に開示されている通信システムでは、車載ネットワークによってゲートウェイ装置に接続されるコントローラしか検知対象とすることができない。自動車には、複数の車載ネットワークが設けられ、ゲートウェイ装置が全ての車載ネットワークに接続されない場合がある。このような場合には、上記の検知機能を有するゲートウェイ装置を複数設ける必要があり、システムの大型化及び複雑化、並びにコストの増大を招く。

＜本開示の効果＞
本開示によれば、簡易な構成により複数の車載装置を対象として非正規車載装置の検出を行うことができる。

＜本開示の実施形態の概要＞
以下、本開示の実施形態の概要を列記して説明する。
（１） 本実施形態に係る非正規車載装置の検出システムは、複数の車載装置のそれぞれに接続され、電気信号を伝送する複数の通信線を有するワイヤハーネスと、前記複数の通信線に沿って延びる検出用電線と、前記検出用電線に発生する前記通信線からのクロストーク信号に基づいて、前記複数の車載装置に含まれる非正規車載装置を検出する検出処理を実行する検出装置と、を備える。これにより、通信線に沿って設けた検出用電線に生じるクロストーク信号を監視することで、簡易な構成により複数の車載装置を対象として非正規車載装置の検出を行うことができる。

（２） 本実施形態に係る非正規車載装置の検出システムにおいて、前記検出用電線は、一端が開放されてもよい。これにより、検出用電線を簡易な構成とすることができる。

（３） 本実施形態に係る非正規車載装置の検出システムにおいて、前記検出用電線は、両端が終端抵抗を介して接地されてもよい。これにより、明瞭なクロストーク信号を得ることができ、非正規車載装置の検出精度が向上する。

（４） 本実施形態に係る非正規車載装置の検出システムにおいて、前記検出処理は、前記クロストーク信号を時間領域及び周波数領域の少なくとも１つにおいて解析する処理であってもよい。これにより、クロストーク信号の特徴を時間領域及び周波数領域の少なくとも１つにおいて解析することができ、非正規車載装置の検出精度が向上する。

（５） 本実施形態に係る非正規車載装置の検出システムにおいて、前記検出処理は、正規の車載装置から送信される電気信号により生じる前記クロストーク信号である正常クロストーク信号に基づいて、非正規車載装置から送信される電気信号により生じる前記クロストーク信号である異常クロストーク信号を検出する処理であってもよい。非正規なファームウェアは種々存在し、出力信号の波形又は信号の出力タイミングは非正規なファームウェアによって様々である。したがって、様々な異常クロストーク信号から共通の特徴を抽出することは困難である。これに対して、正規のファームウェアが実装された車載装置からは、規定の波形及び出力タイミングで信号が出力されるため、正常クロストーク信号から共通の特徴を抽出することは可能である。このため、上記構成とすることにより、正常クロストーク信号から抽出される特徴とは異なる特徴を有する異常クロストーク信号を検出することができる。

（６） 本実施形態に係る非正規車載装置の検出システムにおいて、前記検出処理は、学習モデルに対して前記クロストーク信号に基づく入力データを与えることにより実行され、前記学習モデルは、前記正常クロストーク信号を学習データとする機械学習により構築されてもよい。これにより、機械学習によって構築された学習モデルにより、入力データから異常クロストーク信号を検出することができる。

（７） 本実施形態に係るハーネスシステムは、複数の車載装置のそれぞれに接続され、電気信号を伝送する複数の通信線を有するワイヤハーネスと、前記複数の通信線に沿って延び、検出装置に接続される検出用電線と、を備え、前記検出装置は、前記検出用電線に発生する前記通信線からのクロストーク信号に基づいて、前記複数の車載装置に含まれる非正規車載装置を検出する検出処理を実行する。これにより、通信線に沿って設けた検出用電線に生じるクロストーク信号を監視することで、簡易な構成により複数の車載装置を対象として非正規車載装置の検出を行うことができる。

（８） 本実施形態に係る検出装置は、複数の通信線を有するワイヤハーネスに接続される非正規車載装置を検出するための検出装置であって、前記複数の通信線に沿って延びる検出用電線において発生する前記通信線からのクロストーク信号を受け付ける入出力インタフェースと、前記入出力インタフェースによって受け付けられる前記クロストーク信号に基づいて、前記ワイヤハーネスに接続される複数の車載装置に含まれる非正規車載装置を検出する検出処理を実行するプロセッサと、を備える。これにより、通信線に沿って設けた検出用電線に生じるクロストーク信号を監視することで、簡易な構成により複数の車載装置を対象として非正規車載装置の検出を行うことができる。

（９） 本実施形態に係るコンピュータプログラムは、複数の通信線を有するワイヤハーネスに接続される非正規車載装置を検出するためのコンピュータプログラムであって、コンピュータに、前記複数の通信線に沿って延びる検出用電線において発生する前記通信線からのクロストーク信号を受け付けるステップと、受け付けられる前記クロストーク信号に基づいて、前記ワイヤハーネスに接続される複数の車載装置に含まれる非正規車載装置を検出するステップと、を実行させる。これにより、通信線に沿って設けた検出用電線に生じるクロストーク信号を監視することで、簡易な構成により複数の車載装置を対象として非正規車載装置の検出を行うことができる。

＜本開示の実施形態の詳細＞

［１．非正規車載装置の検出システムの構成］
図１は、本実施形態に係る非正規車載装置の検出システムの構成の一例を示す図である。本実施形態に係る非正規車載装置の検出システム１００は、自動車に搭載される。検出システム１００は、ハーネスシステム２００と、検出装置３００とを備える。

ハーネスシステム２００は、ワイヤハーネス２１０と、検出用電線２２０とを有する。ワイヤハーネス２１０は、複数の通信線を有する。各通信線２２１は、一又は複数のＥＣＵ（Electronic Control Unit）４００に接続される。なお、ＥＣＵ４００は、車載装置の一例である。各通信線２２１は、例えばＣＡＮ（Controller Area Network）、ＣＡＮＦＤ（CAN with Flexible Data Rate）、ＬＩＮ（Local Interconnect Network）、Ｅｔｈｅｒｎｅｔ（登録商標）、又はＭＯＳＴ（Media Oriented Systems Transport：ＭＯＳＴは登録商標）等の通信規格に準じたケーブルであり、それぞれの通信規格に応じたプロトコルの電気信号を伝送する。

ワイヤハーネス２１０は、中継装置４１１，４１２，４１３に接続される。中継装置４１１，４１２，４１３のそれぞれは、異なる車内ネットワークに接続されたＥＣＵ４００間の通信を中継する。つまり、中継装置４１１，４１２，４１３のそれぞれは、１つのＥＣＵ４００から送信されたデータのプロトコル及びデータ形式を変換し、宛先のＥＣＵ４００へと転送する。

検出用電線２２０は、複数の通信線２２１に沿って延びる。検出用電線２２０は、ＥＣＵ４００に接続されておらず、ＥＣＵ４００から出力される電気信号を伝送しない。検出用電線２２０は、Ａ／Ｄコンバータ２３０を介して検出装置３００に接続される。通信線２２１において電気信号が伝送されると、検出用電線２２０には、クロストーク信号が発生する。検出用電線２２０に発生したクロストーク信号は、Ａ／Ｄコンバータ２３０によってＡ／Ｄ変換され、検出装置３００に与えられる。

［２．ハーネスシステムの構成］
図２は、本実施形態に係るハーネスシステム２００の構成の一例を示す図である。ワイヤハーネス２１０は、複数の通信線２２１の束である。各通信線２２１の端部はカプラ２２２に接続される。１つのカプラ２２２には、検出用電線２２０の一端部が接続される。また、検出用電線２２０の他端は、カプラ２２２に接続されてもよいし、カプラ２２２に接続されなくてもよい。

検出用電線２２０は、通信線２２１に沿わされる。例えば、検出用電線２２０は、ワイヤハーネス２１０に沿って設けられ、ビニールテープ又は結束バンドによってワイヤハーネス２１０に取り付けられる。検出用電線２２０は、ビニールテープ又は合成樹脂製の絶縁被覆によって通信線２２１と束ねられ、ワイヤハーネス２１０と一体化されてもよい。

図３Ａは、検出用電線２２０と検出装置３００との電気接続構成の一例を示す回路図である。この例では、検出用電線２２０の一端が開放され、他端が接地される。これにより、検出用電線２２０を簡易な構成とすることができる。このような構成の検出用電線２２０では、近傍に配置された通信線２２１に電流が流れると、静電結合によって検出用電線２２０に電圧が誘起され、クロストーク信号が発生する。本例の場合、検出用電線２２０の一端はカプラ２２２に接続されるが、カプラ２２２から先は接地されない。

図３Ｂは、検出用電線２２０と検出装置３００との電気接続構成の他の例を示す回路図である。この例では、検出用電線２２０の両端が終端抵抗を介して接地される。このような構成の検出用電線２２０では、近傍に配置された通信線２２１の周囲に変動磁界が生じると、電磁結合によって検出用電線２２０に電流が流れ、クロストーク信号が発生する。本例の場合、検出用電線２２０の両端はカプラ２２２に接続され、さらにその先が終端抵抗を介して接地される。これにより、明瞭なクロストーク信号を得ることができ、非正規ＥＣＵの検出精度が向上する。上記の終端抵抗は、例えば検出用電線２２０のインピーダンスに整合した抵抗値とすることができる。

［３．検出装置の構成］
再び図１を参照する。検出装置３００は、プロセッサ３０１と、一過性メモリ３０２と、非一過性メモリ３０３と、入出力インタフェース３０９とを備える。プロセッサ３０１、一過性メモリ３０２、非一過性メモリ３０３、及び入出力インタフェース３０９は、バスにより相互接続される。

一過性メモリ３０２は、例えばＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性メモリである。非一過性メモリ３０３は、例えばフラッシュメモリ、ハードディスク、ＲＯＭ（Read Only Memory）等の不揮発性メモリである。非一過性メモリ３０３には、コンピュータプログラムである非正規ＥＣＵ検出プログラム３０５及び非正規ＥＣＵ検出プログラム３０５の実行に使用されるデータが格納される。検出装置３００は、コンピュータを備えて構成され、検出装置３００の各機能は、前記コンピュータの記憶装置に記憶されたコンピュータプログラムである非正規ＥＣＵ検出プログラム３０５がＣＰＵであるプロセッサ３０１によって実行されることで発揮される。非正規ＥＣＵ検出プログラム３０５は、フラッシュメモリ、ＲＯＭ、ＣＤ－ＲＯＭなどの記録媒体に記憶させることができる。プロセッサ３０１は、非正規ＥＣＵ検出プログラム３０５を実行し、後述するような検出を行う。

なお、プロセッサ３０１は、ＣＰＵに限られない。プロセッサ３０１は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）、ゲートアレイ、ＦＰＧＡ（Field Programmable Gate Array）等のハードウェアロジック回路であってもよい。この場合、ハードウェアロジック回路は、非正規ＥＣＵ検出プログラム３０４と同様の処理を実行可能に構成される。

検出処理は、クロストーク信号に基づいて、非正規ＥＣＵ（非正規車載装置）を検出する処理である。さらに具体的には、クロストーク信号を時間領域及び周波数領域の少なくとも１つにおいて解析する処理であり、正常クロストーク信号に基づいて、非正規ＥＣＵから送信される電気信号により生じるクロストーク信号（異常クロストーク信号）を検出する処理である。時間領域及び周波数領域の少なくとも１つにおいてクロストーク信号の特徴を解析することで、高精度に非正規ＥＣＵの検出を行うことができる。また、検出処理は、学習モデル３０５にクロストーク信号に基づく入力データを与えることによって実行される。

［４．学習モデルの例］
以下、学習モデル３０５の一例を説明する。図４は、学習モデル３０５の構成の一例を示す模式図である。学習モデル３０５は、畳み込みニューラルネットワークにより構成される。学習モデル３０５は、入力層３５１と、コンボリューション層（ＣＯＮＶ層）３５２と、デコンボリューション層（ＤＥＣＯＮＶ層）３５３と、出力層３５４とを含む。コンボリューション層３５２は、入力データ３０６を次元圧縮する層の一例であり、入力データ３０６に対して畳み込み積分を行って次元圧縮する。デコンボリューション層３５３は、次元圧縮されたデータを元の次元に復元する層の一例であり、コンボリューション層３５２とは逆の操作を行って、コンボリューション層３５２において畳み込み積分されたデータに対して逆畳み込み処理を行い元の次元に復元する。図４では、コンボリューション層３５２及びデコンボリューション層３５３のそれぞれが２層ずつ設けられる例を示しているが、それぞれが１層又は３層以上の構造であってもよい。

学習モデル３０５の入力データ３０６は、検出用電線２２０に生じるクロストーク信号の時系列データ（時間領域で表現されるデータ）若しくはスペクトルデータ（周波数領域で表現されるデータ）である。スペクトルデータは、クロストーク信号の時系列データを周波数変換することにより得られる。また、入力データ３０６は、時系列データ又はスペクトルデータのグラフの画像データであってもよい。学習モデル３０５は、入力データ３０６が与えられると、当該入力データ３０６を次元圧縮し、その後、元の次元に復元する処理を行う。したがって、学習モデル３０５の出力データは、入力データ３０６と同次元のデータである。

学習モデル３０５の構築について説明する。学習モデル３０５は、正常クロストーク信号の時系列データ又はスペクトルデータを学習データとする機械学習によって構築される。この機械学習では、学習データが入力データ３０６として学習モデル３０５に入力され、出力データが入力データ３０６と同じになるように学習が行われる。このような機械学習は、複数の学習データを用いて繰り返し行われる。機械学習が終了すると、学習モデル３０５は、入力データ３０６に対して、正常クロストーク信号の特徴を抽出した出力データ（以下、「特徴抽出データ」ともいう）３０７を出力するようになる。

正規のＥＣＵからは、規定の波形及び出力タイミングで信号が出力されるため、正常クロストーク信号から共通の特徴を抽出することが可能である。このため、多数の学習データによって機械学習を行うと、学習モデル３０５は、正常クロストーク信号に共通する特徴を学習する。したがって、このようにして構築される学習モデル３０５を用いて、異常クロストーク信号の検出を行うことができる。

上記の機械学習によって構築された学習モデル３０５に、入力データ３０６を与えたときの処理について説明する。正規のＥＣＵ４００から電気信号が出力され、クロストーク信号が検出用電線２２０に生じる場合、当該クロストーク信号は正常クロストーク信号である。図５Ａは、学習モデル３０５に正常クロストーク信号から生成された入力データ３０６を与えたときの特徴抽出データ３０７を説明する図である。正常クロストーク信号から生成された入力データ３０６が学習モデル３０５に与えられると、図５Ａに示すように、学習モデル３０５から出力される特徴抽出データ３０７は、正常クロストーク信号から生成された入力データ３０６と殆ど同じデータとなる。

他方、非正規ＥＣＵ４００から電気信号が出力され、クロストーク信号が検出用電線２２０に生じる場合、当該クロストーク信号は異常クロストーク信号である。図５Ｂは、学習モデル３０５に異常クロストーク信号から生成された入力データ３０６を与えたときの特徴抽出データ３０７を説明する図である。学習モデル３０５は、正常クロストーク信号から作成された学習データを用いて機械学習しているため、異常クロストーク信号に含まれる異常な部分（正常クロストーク信号とは異なる部分）を正常クロストーク信号の特徴に置き換えて出力する。つまり、異常クロストーク信号から生成された入力データ３０６が学習モデル３０５に与えられると、図５Ｂに示すように、学習モデル３０５から出力される特徴抽出データ３０７は、正常クロストーク信号に共通する特徴を抽出したデータとなる。つまり、この場合の特徴抽出データ３０７は、異常クロストーク信号から、正常クロストーク信号の特徴と重なる部分が抽出されたデータであり、言い換えれば、異常クロストーク信号のうち、異常な部分（正常クロストーク信号の特徴とは異なる部分）が無くなった（画像データの場合、薄く写り込むこともある）状態のデータである。

検出処理では、上記のようにして得られた特徴抽出データ３０７を用いて、異常クロストーク信号の検出が行われる。入力データ３０６と特徴抽出データ（出力データ）３０７とを比較すれば、正常クロストーク信号に共通する特徴に対して入力データ３０６が相違する要素、あるいは、入力データ３０６と正常クロストーク信号に基づき生成されたデータ（時系列データ又はスペクトルデータ）の類似性を把握することができる。このような相違する要素、あるいは、類似性に基づいて、異常クロストーク信号の検出を行う。しかも、特徴抽出データ３０７は、入力データ３０６と同次元のデータであるため、両者を適切に比較できる。

図６は、特徴抽出データ３０７を用いた異常クロストーク信号の検出の概要を説明する模式図である。検出処理では、入力データ３０６と特徴抽出データ３０７との差分データ３０８を生成する。この差分データ３０８は、異常クロストーク信号に含まれる異常な部分が抽出されたデータである。このため、差分データ３０８のデータ量が基準値以上であるか否かを判定することで、異常クロストーク信号の検出が行われる。なお、入力データを画像データとする場合、入力データ３０６と特徴抽出データ３０７との差分が閾値以上の画素数が基準値以上であるか否かを判定することで、異常クロストーク信号の検出を行うことができる。また、入力データ３０６を多階調の画像データとする場合、入力データ３０６と特徴抽出データの同一画素同士の階調値の差分の合計が基準値以上であるか否かを判定することでも、異常クロストーク信号の検出を行うことができる。

［５．非正規車載装置の検出システムの動作］
次に、本実施形態に係る非正規車載装置の検出システム１００の動作について説明する。ＥＣＵ４００から電気信号が出力されると、検出用電線２２０にクロストーク信号が発生する。クロストーク信号は、Ａ／Ｄコンバータ２３０によってＡ／Ｄ変換され、検出装置３００に与えられる。

検出装置３００のプロセッサ３０１は、検出処理を実行する。図７は、本実施形態に係る検出装置３００による検出処理の手順を示すフローチャートである。以下、図７を参照して、検出処理を説明する。

プロセッサ３０１は、クロストーク信号を受信し（ステップＳ１０１）、学習モデル３０５用の入力データ３０６を生成する（ステップＳ１０２）。入力データ３０６を時系列データとする場合、プロセッサ３０１はＡ／Ｄコンバータ２３０からの出力データを所定時間蓄積し、これを入力データ３０６とする。入力データ３０６をスペクトルデータとする場合、プロセッサ３０１は、上記の時系列データに対してＦＦＴ（Fast Fourier Transform）等の周波数変換処理を施す。また、入力データ３０６を時系列データ又はスペクトルデータをグラフにした画像データとする場合、プロセッサ３０１は、上記のようにして得た時系列データ又はスペクトルデータの２次元座標グラフを作成し、当該グラフの画像データを生成する。

プロセッサ３０１は、生成された入力データ３０６を、学習モデル３０５に入力し、特徴抽出データ３０７を生成する（ステップＳ１０３）。プロセッサ３０１は、生成された特徴抽出データ３０７と入力データ３０６との差分データ３０８を生成する（ステップ１０４）。

プロセッサ３０１は、差分データのデータ量（差分データ量）と基準値とを比較し、データ量が基準値以上であるか否かを判定する（ステップＳ１０５）。ここで、入力データ３０６が画像データである場合、データ量は差分の画素数とすることができる。また、入力データ３０６が多階調の画像データである場合、データ量は入力データ３０６と特徴抽出データ（多階調の画像データ）３０７との同一画素同士の階調値の差分の合計とすることもできる。

差分データ量が基準値未満である場合（ステップＳ１０５においてＮＯ）、クロストーク信号は正常クロストーク信号であると判定される。この場合、プロセッサ３０１は、異常クロストーク信号を検出せず、検出処理を終了する。

差分データ量が基準値以上である場合（ステップＳ１０５においてＹＥＳ）、クロストーク信号は異常クロストーク信号であると判定される。この場合、プロセッサ３０１は、異常クロストーク信号を検出し、非正規ＥＣＵが存在することを通知する異常通知処理を実行する（ステップＳ１０６）。異常通知処理では、例えばナビゲーション装置を制御するＥＣＵ４００にプロセッサ３０１が異常通知信号を送信し、ナビゲーション装置の画面に非正規ＥＣＵが存在することを示す情報を表示させる。これにより、ユーザに非正規ＥＣＵの存在を通知することができる。また、ユーザへの通知と共に、又はユーザへの通知に代えて、プロセッサ３０１は、車外のサーバに対して、非正規ＥＣＵが存在することを示す異常情報を、車両の識別情報又はユーザ識別情報と共に送信してもよい。これにより、例えばＥＣＵの製造メーカ又は自動車メーカに対して、非正規ＥＣＵの存在を通知することができ、非正規ＥＣＵへの対処（正規ファームウェアの提供又はＥＣＵの交換）を促すことができる。以上で、検出処理が終了する。

上記のような構成とすることにより、検出用電線２２０に生じるクロストーク信号を監視することで、簡易な構成により複数のＥＣＵ４００を対象として非正規ＥＣＵの検出を行うことができる。

［６．変形例］
なお、上記の実施形態では、学習モデル３０５をニューラルネットワークとしたが、これに限定されない。サポートベクタマシン等の他の機械学習アルゴリズムによる学習モデルとしてもよい。また、学習モデル３０５ではなく、例えば、正常クロストーク信号の条件を規定しておき、クロストーク信号がこの条件に適合するか否かを判定することで、異常クロストーク信号を検出してもよい。

［７．補記］
今回開示された実施の形態はすべての点で例示であって、制限的ではない。本発明の権利範囲は、上述の実施形態ではなく請求の範囲によって示され、請求の範囲と均等の意味及びその範囲内でのすべての変更が含まれる。

１００ 検出システム
２００ ハーネスシステム
２１０ ワイヤハーネス
２２０ 検出用電線
２２１ 通信線
２２２ カプラ
２３０ コンバータ
３００ 検出装置
３０１ プロセッサ
３０２ 一過性メモリ
３０３ 非一過性メモリ
３０４ 検出プログラム
３０５ 学習モデル
３５１ 入力層
３５２ コンボリューション層
３５３ デコンボリューション層
３５４ 出力層
３０６ 入力データ
３０７ 特徴抽出データ
３０８ 差分データ
３０９ 入出力インタフェース
４００ ＥＣＵ（車載装置）
４１１，４１２，４１３ 中継装置

Claims (8)

1. 複数の車載装置のそれぞれに接続され、電気信号を伝送する複数の通信線を有するワイヤハーネスと、
   前記複数の通信線に沿って延びる検出用電線と、
   前記検出用電線に発生する、前記複数の車載装置のそれぞれから前記通信線へ出力される信号の波形及び出力タイミングを反映したクロストーク信号の前記波形及び出力タイミングを表す特徴を解析し、前記複数の車載装置に含まれる非正規車載装置を検出する検出処理を実行する検出装置と、
   を備える、
   非正規車載装置の検出システム。
2. 前記検出用電線は、一端が開放されている、
   請求項１に記載の非正規車載装置の検出システム。
3. 前記検出用電線は、両端が終端抵抗を介して接地される、
   請求項１に記載の非正規車載装置の検出システム。
4. 前記検出処理は、前記クロストーク信号を時間領域及び周波数領域の少なくとも１つにおいて解析する処理である、
   請求項１から請求項３の何れか１項に記載の非正規車載装置の検出システム。
5. 前記検出処理は、正規の車載装置から送信される電気信号により生じる前記クロストーク信号である正常クロストーク信号に基づいて、非正規車載装置から送信される電気信号により生じる前記クロストーク信号である異常クロストーク信号を検出する処理である、
   請求項１から請求項４の何れか１項に記載の非正規車載装置の検出システム。
6. 前記検出処理は、学習モデルに対して前記クロストーク信号に基づく入力データを与えることにより実行され、
   前記学習モデルは、前記正常クロストーク信号を学習データとする機械学習により構築される、
   請求項５に記載の非正規車載装置の検出システム。
7. 複数の通信線を有するワイヤハーネスに接続される非正規車載装置を検出するための検出装置であって、
   前記複数の通信線に沿って延びる検出用電線において発生する、前記複数の車載装置のそれぞれから前記通信線へ出力される信号の波形及び出力タイミングを反映したクロストーク信号を受け付ける入出力インタフェースと、
   前記入出力インタフェースによって受け付けられる前記クロストーク信号の前記波形及び出力タイミングを表す特徴を解析し、前記ワイヤハーネスに接続される複数の車載装置に含まれる非正規車載装置を検出する検出処理を実行するプロセッサと、
   を備える、
   検出装置。
8. 複数の通信線を有するワイヤハーネスに接続される非正規車載装置を検出するためのコ
   ンピュータプログラムであって、
   コンピュータに、
   前記複数の通信線に沿って延びる検出用電線において発生する、前記複数の車載装置のそれぞれから前記通信線へ出力される信号の波形及び出力タイミングを反映したクロストーク信号を受け付けるステップと、
   受け付けられる前記クロストーク信号の前記波形及び出力タイミングを表す特徴を解析し、前記ワイヤハーネスに接続される複数の車載装置に含まれる非正規車載装置を検出するステップと、
   を実行させるための、
   コンピュータプログラム。

Images