基于模型与数据驱动的车载网络入侵检测及信号重构方法及系统

本发明公开了一种基于模型与数据驱动的车载网络攻击检测与信号重构方法及系统，用于解决现有技术在应对高隐蔽性篡改攻击时检测精度不足、信号恢复困难的问题。该方法融合物理建模与深度学习构建物理信息神经网络，实现关键车辆状态的高精度预测；通过扩展卡尔曼滤波修正模型参数，降低不确定性带来的预测误差；并引入高斯过程对神经网络输出进行偏差校正，利用预测方差构建置信度检测指标。当检测到攻击时，系统自动重构可信信号替代受攻击数据，实现通信容错修复。本发明无需改动现有车载网络架构，也不依赖传统安全协议，部署便捷、适应性强，可作为上层控制系统的前置安全模块，显著提升车载网络在复杂攻击下的防御能力与鲁棒性。