一种信息处理方法、装置、存储介质及车载电子控制器与流程

1.本发明智能车技术领域，尤其涉及一种信息处理方法、装置、存储介质及车载电子控制器。


背景技术：

2.随着汽车内电子信息化水平不断提高，带来的汽车信息安全问题也变得日益突出。对于智能网联汽车，相比于传统汽车增加了很多外部通讯端口；例如全球移动通信系统gsm或2g（global system for mobile communication，2th generation mobile communication technology）直至4g（4th generation mobile communication technology）、5g、蓝牙低功耗ble（bluetooth low energy）通信系统、wi-fi（wireless-fidelity）无线局域网等；这相当于给汽车开放了很多被攻击的端口，原本脆弱的车内通讯网络暴露在黑客的攻击范围之内。
3.现有汽车网关产品中的网络入侵检测模块使用的是基于人工制订的规则来检测异常。但人工制订的规则无法穷尽所有工况，尤其是在相关信号的物理意义发生异常时难以制定规则。而基于机器学习的检测算法可以用于弥补这方面的不足，让算法自动学习到信号之间的关联关系。但汽车领域与计算机领域不同的是异常数据量较少，且因为人车安全原因难以通过对实车进行网络攻击来获取。即使是正常的车辆行驶数据也难以覆盖所有的工况，因为采集数据涉及到实车，成本较高。这导致机器学习模型的训练样本过少，存在过拟合和泛化能力较弱的问题。
4.现有汽车领域解决训练样本过少问题的方法主要有两种：第一种用法是让生成器学习正常样本或异常样本的分布，这样生成器就可以去生成更多的正常样本或异常样本。这类方法的不足是如果原有数据分布不均，那么生成器也只能生成分布不均的数据，生成的样本不一定是机器学习模型检测出错的样本，补充这些样本进入训练数据集不能保证泛化能力的提升。另一种用法是将生成对抗网络中的判别器视为检测模块，让生成器生成样本来欺骗检测模块，这样生成器生成的样本就是机器学习模型最有可能检测出错的样本。但这类方法的不足是对于生成器生成的样本没有任何限制，这些样本里可能存在不具备网络攻击能力的样本，甚至可能存在正常样本。补充这些样本进入训练数据集虽然能使得检测异常的能力的提升，但会导致较高的误报率，将正常样本也判断成了异常样本。


技术实现要素：

5.本发明公开了一种信息处理方法、装置、存储介质及车载电子控制器；将车辆正常行驶时的知识结合到生成对抗网络中，使得生成器生成的样本一定是具有攻击性的异常样本，且生成的样本是现有机器学习模型检测最可能出错的样本，从而改进了训练现有机器学习模型的效果，提升了泛化能力。
6.该信息处理方法包括信息采集步骤、模型训练步骤、样本筛选步骤；其中，信息采集步骤通过获取车辆行驶信息来获得必要的数据；其车辆行驶信息包括车辆正常行驶中采
集到的正常样本。
7.进一步地，由正常样本构成了正常样本集；此时，若不存在异常样本构成的第一原始异常样本集，则构造与信息入侵过程对应的异常样本集，并初始化车辆数据集。
8.其中，车辆数据集包括第一训练集、第二验证集、第三测试集；车辆数据集的特征包括第一功能性特征和第二非功能性特征。
9.进一步地，模型训练步骤通过正常样本和异常样本训练机器学习模型。
10.进一步地，样本筛选步骤选取符合第二非功能性特征的样本为第一筛出样本；替换第一训练集中的第一原始异常样本集中待优化的样本为第一筛出样本；重复该模型训练步骤及样本筛选步骤构成循环迭代过程，该循环迭代过程优化数据直至符合预设的收敛条件。
11.进一步地，样本筛选步骤还可包括第一训练过程，该第一训练过程使用正常样本和异常样本训练第一判别器来模拟机器学习模型或以机器学习模型为第一判别器。
12.进一步地，样本筛选步骤还可包括第二训练过程，该第二训练过程使用异常样本和第一判别器来训练第一生成器；该第一生成器仅生成第二非功能性特征；该第一功能性特征对应于网络入侵方式下相关联的样本特征。
13.进一步地，样本筛选步骤还可包括第三搜索过程，该第三搜索过程使用优化算法搜索第二非功能性特征；该第三搜索过程的优化算法不包括生成对抗网络的方法；该第三搜索过程经优化算法搜索获得第一异常样本。
14.进一步地，通过引入随机噪声到第一原始异常样本集并采样第一生成器获得第二异常样本，以第一异常样本与第二异常样本为第一筛出样本，替换第一训练集中的第一原始异常样本。
15.进一步地，信息采集步骤每间隔预设的时间长度采集一次信息；由当前时刻开始到历史时刻相距第一采样间隔依次得到第一时刻、第二时刻、直至第t时刻，其中t为自然数。
16.进一步地，可拼接车辆数据集的样本为一维向量，并采用one-hot编码对非数值特征进行处理，同时采用极小值-极大值规范化数据到[0,1]区间；其中，信息采集步骤通过有线或无线途径/信道采集数据；所述无线途径/信道包括4g、5g、ble、wi-fi网络，所述有线途径/信道包括can、ethernet。
[0017]
其中，收敛条件包括机器学习模型在测试集上的f1分值不再提升或f1分值依照预设的误差阈值趋近于预设的极限值。
[0018]
具体地，这里的机器学习模型可分为第一类梯度模型和第二类非梯度模型；其中，第一类梯度模型包括神经网络模型、逻辑回归模型；第二类非梯度模型包括决策树模型、随机森林模型。
[0019]
进一步地，其第三搜索过程的优化算法包括对抗机器学习算法fgsm、遗传算法；其第一采样间隔为预设的时间长度；该时间长度不唯一，可设置为1秒；其信息采集步骤可获取预设工况下的车辆行驶信息；其中，车辆行驶信息包括车速、驾驶员转矩需求信息和挡位信息。
[0020]
具体地，其循环迭代过程可包括交换刷新过程，该交换刷新过程以优选后的第一筛出样本替换车辆行驶信息中对应的优选前的同类型样本。
[0021]
进一步地，本发明实施例还公开了一种机器学习装置，包括信息采集单元、模型训练单元、样本筛选单元。
[0022]
具体地，信息采集单元获取车辆行驶信息来完成后续的处理；该车辆行驶信息包括车辆正常行驶中采集到的正常样本。
[0023]
进一步地，由正常样本构成了正常样本集；若不存在异常样本构成的第一原始异常样本集，则构造与信息入侵过程对应的异常样本集，并初始化车辆数据集。
[0024]
其中，车辆数据集包括第一训练集、第二验证集、第三测试集；车辆数据集的特征包括第一功能性特征和第二非功能性特征。
[0025]
进一步地，模型训练单元通过正常样本和异常样本训练机器学习模型。
[0026]
进一步地，样本筛选单元选取符合第二非功能性特征的样本为第一筛出样本；替换第一训练集中的第一原始异常样本集中待优化的样本为第一筛出样本；重复模型训练单元及样本筛选单元中的信息处理过程，并以循环迭代过程刷新数据；该循环迭代过程优化数据直至符合预设的收敛条件。
[0027]
具体地，样本筛选单元还执行第一训练过程，该第一训练过程使用正常样本和异常样本训练第一判别器来模拟机器学习模型或以机器学习模型为第一判别器。
[0028]
进一步地，样本筛选单元还执行第二训练过程，该第二训练过程使用异常样本和第一判别器来训练第一生成器；该第一生成器仅生成第二非功能性特征；该第一功能性特征对应于网络入侵方式下相关联的样本特征。
[0029]
进一步地，样本筛选单元还执行第三搜索过程，该第三搜索过程使用优化算法搜索第二非功能性特征；该第三搜索过程的优化算法不包括生成对抗网络的方法；该第三搜索过程经优化算法搜索获得第一异常样本。
[0030]
进一步地，通过引入随机噪声到第一原始异常样本集并采样第一生成器获得第二异常样本，以第一异常样本与第二异常样本为第一筛出样本，替换第一训练集中的第一原始异常样本。
[0031]
具体地，信息采集单元每间隔预设的时间长度采集一次信息；由当前时刻开始到历史时刻相距第一采样间隔依次得到第一时刻、第二时刻、直至第t时刻，其中t为自然数。
[0032]
进一步地，可拼接车辆数据集的样本为一维向量，可采用one-hot编码对非数值特征进行处理，可采用极小值-极大值规范化数据到[0,1]区间。
[0033]
其中，信息采集步骤通过有线或无线途径/信道采集数据；所述无线途径/信道包括4g、5g、ble、wi-fi网络，所述有线途径/信道包括can、ethernet。
[0034]
进一步地，其循环迭代的收敛条件包括：使得机器学习模型在测试集上的f1分值不再提升或该f1分值依照预设的误差阈值趋近于预设的极限值。
[0035]
具体地，其机器学习模型包括第一类梯度模型、第二类非梯度模型；其第一类梯度模型包括神经网络模型、逻辑回归模型；第二类非梯度模型包括决策树模型、随机森林模型；其第三搜索过程的优化算法包括对抗机器学习算法fgsm、遗传算法；其第一采样间隔为预设的时间长度；其时间长度不唯一，该预设的时间长度可以是1秒；其信息采集步骤获取预设工况下的车辆行驶信息。
[0036]
其中，车辆行驶信息包括车速、驾驶员转矩需求、挡位信息。
[0037]
进一步地，其循环迭代过程包括交换刷新过程，其交换刷新过程以优选后的第一
筛出样本替换车辆行驶信息中对应的优选前的同类型样本。
[0038]
同时，本发明实施例还公开了一种采用相同发明构思的计算机存储介质及车载电子控制器，其信息处理过程与上述方法和装置相同或相应，在此不再赘述。
[0039]
需要说明的是，在本文中采用的“第一”、“第二”等类似的语汇，仅仅是为了描述技术方案中的各组成要素，并不构成对技术方案的限定，也不能理解为对相应要素重要性的指示或暗示；带有“第一”、“第二”等类似语汇的要素，表示在对应技术方案中，该要素至少包含一个。
附图说明
[0040]
为了更加清晰地说明本发明的技术方案，利于对本发明的技术效果、技术特征和目的进一步理解，下面结合附图对本发明进行详细的描述，附图构成说明书的必要组成部分，与本发明的实施例一并用于说明本发明的技术方案，但并不构成对本发明的限制。
[0041]
附图中的同一标号代表相同的部件，具体地：图1为本发明实施例第一类或正常样本数据结构示意图；图2为本发明实施例信息处理方法流程示意图；图3为本发明实施例判别器第一训练过程示意图；图4为本发明实施例生成器第二训练过程示意图；图5为本发明方法实施例流程及信息流示意图；图6为本发明装置实施例结构及信息流示意图；图7为本发明装置、介质、车载电子控制器实施例布局示意图。
[0042]
其中：001-信息采集单元，003-模型训练单元，005-样本筛选单元；009-车辆，011-机器学习装置，013-存储介质，015-车载电子控制器，097-车辆行驶信息，099-采样时间点，100-第一采样点或第一采样时刻，101-第二采样点或第二采样时刻，10t-第t采样点或第t采样时刻，t为自然数；110-第一参量/车速v（单位：米/秒），120-第二参量/驾驶员转矩需求t（单位：牛.米），1i0第i参量/挡位，i为自然数；201-信息采集步骤，203-模型训练步骤，205-样本筛选步骤，215-第一训练过程，235-第二训练过程，255-第三搜索过程，275-交换刷新过程；300-循环迭代过程；401-输入数据集合，413-中间数据集合，430-输出数据集合，435-数据优选替换；501-第一判别器，601-第一功能性特征，602-第二非功能性特征；701-随机噪音，800-第一筛出样本。
[0043]
具体实施方式
[0044]
下面结合附图和实施例，对本发明作进一步的详细说明。当然，下列描述的具体实施例只是为了解释本发明的技术方案，而不是对本发明的限定。此外，实施例或附图中表述的部分，也仅仅是本发明相关部分的举例说明，而不是本发明的全部。
[0045]
如图5所示，本发明实施例公开的信息处理方法包括信息采集步骤201、模型训练步骤203、样本筛选步骤205。
[0046]
信息采集步骤201获取车辆行驶信息097并完成必要的初始化；其中，车辆行驶信息097包括车辆正常行驶中采集到的正常样本。
[0047]
如图4，由正常样本构成了正常样本集；若不存在异常样本构成的第一原始异常样本集600，则构造与信息入侵过程对应的异常样本集，并初始化车辆数据集；其中，车辆数据集包括第一训练集、第二验证集、第三测试集；车辆数据集的特征包括第一功能性特征601和第二非功能性特征602。
[0048]
进一步地，如图2，模型训练步骤203通过正常样本和异常样本训练机器学习模型。
[0049]
进一步地，样本筛选步骤205选取符合第二非功能性特征的样本为第一筛出样本800；替换第一训练集中的第一原始异常样本集600中待优化的样本为第一筛出样本800；重复模型训练步骤203及样本筛选步骤205构成循环迭代过程300，循环迭代过程300优化数据直至符合预设的收敛条件。
[0050]
进一步地，如图2、图3，样本筛选步骤205还包括第一训练过程215，第一训练过程215使用正常样本和异常样本训练第一判别器501来模拟机器学习模型或以机器学习模型为第一判别器501。
[0051]
进一步地，如图2、图4，样本筛选步骤205还包括第二训练过程235，第二训练过程235使用异常样本和第一判别器501来训练第一生成器503；第一生成器503仅生成第二非功能性特征602；第一功能性特征对应于网络入侵方式下相关联的样本特征。
[0052]
进一步地，如图2，样本筛选步骤205还包括第三搜索过程255，第三搜索过程255使用优化算法搜索第二非功能性特征；其中，第三搜索过程255的优化算法不包括生成对抗网络的方法；第三搜索过程经优化算法搜索获得第一异常样本。
[0053]
进一步地，如图4，引入随机噪声701到第一原始异常样本集并采样第一生成器503获得第二异常样本，以第一异常样本与第二异常样本为第一筛出样本800，替换第一训练集中的第一原始异常样本600。
[0054]
进一步地，如图1，信息采集步骤201每间隔预设的时间长度099采集一次信息；由当前时刻开始到历史时刻相距第一采样间隔依次得到第一时刻100、第二时刻101、直至第t时刻10t，其中t为自然数。
[0055]
进一步地，拼接车辆数据集的样本为一维向量，并采用one-hot编码对非数值特征进行处理，进而采用极小值-极大值规范化数据到[0,1]区间。
[0056]
其中，信息采集步骤201通过有线或无线途径/信道采集数据；所述无线途径/信道包括4g、5g、ble、wi-fi网络，所述有线途径/信道包括can、ethernet。
[0057]
具体地，上述收敛条件包括机器学习模型在测试集上的f1分值不再提升或f1分值
依照预设的误差阈值趋近于预设的极限值。
[0058]
进一步地，其机器学习模型可采用第一类梯度模型或第二类非梯度模型；其中，第一类梯度模型包括神经网络模型、逻辑回归模型；第二类非梯度模型包括决策树模型、随机森林模型；其第三搜索过程255的优化算法包括对抗机器学习算法fgsm、遗传算法。
[0059]
具体地，如图1、图2，第一采样间隔为预设的时间长度；其长度不唯一，该预设的时间长度可以是1秒；信息采集步骤201获取预设工况下的车辆行驶信息097；该车辆行驶信息097包括车速110、驾驶员转矩需求120、挡位信息1i0；其循环迭代过程300包括交换刷新过程275；交换刷新过程275以优选后的第一筛出样本800替换车辆行驶信息097中对应的优选前的同类型样本。
[0060]
其中，各种工况下的正常行驶数据被采集并获得正常样本；其采集间隔可以为1秒，如图1，滑动窗口的时间长度为从当前时刻0秒开始到历史-t秒；图1即为一条正常样本的数据结构。
[0061]
进一步地，可通过车辆知识给出每种网络入侵方式下起到真正作用的样本特征，即功能性特征，并构造初始的异常样本集。
[0062]
例如，以对当前时刻速度信号的信号篡改为攻击方式；利用车辆纵向动力学模型和历史-1秒的车速、驾驶员转矩需求、挡位信号可以估算出的取值。
[0063]
其中，定义与偏差的阈值来确定是否为信号篡改，例如当即为信号篡改；进而得到篡改信号的取值范围。在该范围内随机取值，之后用替换原始数据中的，就构造了一条异常样本。
[0064]
该条异常样本中的功能性特征为历史-1秒的车速、驾驶员转矩需求、挡位信号以及篡改的，它们确保了这个样本是真正的异常样本；而除此以外的其余信号为非功能性特征。
[0065]
对于每条异常样本，记录其功能性特征和非功能性特征所在特征向量中的位置，便于后续区分。
[0066]
通常，可将数据集分为第一训练集、第二验证集、第三测试集；必要时，可对数据进行预处理：先将一个样本拼接成一维的向量。
[0067]
其中，对于非数值特征可使用one-hot编码；随后可使用极小值-极大值规范化，将数据统一到[0,1]区间内。
[0068]
进一步地，使用正常样本和异常样本训练机器学习模型。
[0069]
其中，正常样本的标签为0，异常样本的标签为1。
[0070]
具体地，机器学习模型可以是任意模型，按是否可求得输出对输入的梯度分为两类，可求梯度的一类例如神经网络、逻辑回归，不可求梯度的一类例如决策树、随机森林。
[0071]
进一步地，使用正常样本和异常样本训练判别器来模拟机器学习模型的检测行
为，或者直接将机器学习模型视为判别器；当机器学习模型可以求得梯度时，可以直接将机器学习模型视为判别器，用于后续的训练过程，直接跳过此步。
[0072]
当无法求得梯度时，可以单独训练一个基于全连接网络的判别器来模拟机器学习模型的检测行为。
[0073]
其中，注意这里的数据集中样本标签不再是原来数据集的标签，而是机器学习模型给出的分类类别。
[0074]
其损失函数为：，其中表示期望，表示样本，表示被机器学习模型判断为正常的样本集合，表示被机器学习模型判断为异常的样本集合，表示判别器，表示在和之间采样的样本集合，即。
[0075]
其中，损失函数使用的是wasserstein生成对抗网络中的形式，所以去掉了交叉熵中的对数形式，且增加了梯度惩罚项，有利于稳定训练过程。
[0076]
进一步地，同时判别器网络的最后一层也去掉了激活函数sigmoid。使用梯度下降方法进行训练。
[0077]
判别器网络结构例如：1）输入层是一维向量，长度等于样本的特征向量长度；2）线性层，神经元个数为512，激活函数为leaky relu；3）线性层，神经元个数为256，激活函数为leaky relu；4）线性层，神经元个数为1，没有激活函数。
[0078]
进一步地，如图4，通过使用异常样本和判别器来训练生成器，且限制生成器只生成非功能性特征，保证样本具有攻击性。
[0079]
其中，生成器是全连接网络，生成器的输入是原始异常样本的特征向量与随机噪音向量拼接而成。
[0080]
具体地，生成器最后一层的激活函数可使用激活函数sigmoid，输出是新样本的特征向量。
[0081]
为了使生成的样本保留原始数据的一些取值规范，例如整数性，可以将生成的特征向量还原成极小值-极大值规范化之前的原始数据，然后进行取整，接着再进行极小值-极大值规范化，这样就使得生成的样本更为真实。
[0082]
随后从这个新样本的特征向量中取出非功能性特征，这些非功能性特征再与输入生成器时的特征向量中的功能性特征拼接，拼接时特征的位置要跟原始位置一样，最终成为一条生成的异常样本；这条完整的异常样本再带入判别器做检测。
[0083]
生成器的损失函数是，
其中表示原始异常样本向量，表示噪音向量，表示异常样本特征向量中的功能性特征，表示生成器，表示原始异常样本集合。
[0084]
生成器的损失函数也采取了wasserstein生成对抗网络中的形式，即去掉了交叉熵中的对数形式。
[0085]
进一步地，使用梯度下降方法进行训练。
[0086]
生成器网络结构例如：1）输入层是一维向量，长度等于样本的特征向量长度加上随机噪音向量长度；2）线性层，神经元个数为512，激活函数为leaky relu；3）线性层，神经元个数为256，激活函数为leaky relu；4）线性层，神经元个数等于样本的特征向量长度，激活函数为sigmoid，然后需要根据对输入样本功能性特征的记录从输出层取出非功能性特征。
[0087]
进一步地，可使用除了生成对抗网络以外的其它基于梯度或非梯度优化算法搜索非功能性特征，找出判别器最可能判断错误的异常样本。
[0088]
其中，这些样本与生成对抗网络找出的样本互补，尤其是非梯度优化算法；因为训练生成对抗网络时使用的梯度下降算法是基于梯度的，容易陷入局部最优。
[0089]
基于梯度的优化算法，例如对抗机器学习算法fgsm （fast gradient sign method）。
[0090]
扰动时仅扰动非功能性特征，即，表示异常样本特征向量中的非功能性特征，表示对样本中非功能性特征的扰动，表示一个较小的常量，表示符号函数；最终，对于每个异常样本，通过fgsm算法都能找到一条对应的对抗样本。
[0091]
其中，非梯度优化算法例如遗传算法，需要优化的参数为原始异常样本中的非功能性特征。
[0092]
对于每个异常样本，搜索非功能性特征，在计算适应度函数时将搜索的非功能性特征与原始异常样本中的功能性特征拼接，拼接时特征的位置要跟原始位置一样，再带入判别器计算适应度。
[0093]
因此，优化目标是。
[0094]
最终，通过对每个异常样本的优化都能找到一条对应的优化后的异常样本。
[0095]
具体地，利用原始异常样本集和随机噪音从生成器采样来生成新异常样本，并与其它基于梯度或非梯度优化算法找出的新异常样本一起，替换训练集中的异常样本，重复训练机器学习模型，并由此构成了循环，重复以上步骤，直到达到收敛条件。
[0096]
如上这一步在训练数据集中保留原有的正常样本；其正常样本的标签为0，新异常
样本的标签为1；其收敛条件主要为机器学习模型在测试集上的f1 score不再提升。
[0097]
如图6所示，本发明实施例还公开了一种机器学习装置，包括信息采集单元001、模型训练单元003、样本筛选单元005。
[0098]
其中，如图1、图4，信息采集单元001获取车辆行驶信息097，车辆行驶信息097包括车辆正常行驶中采集到的正常样本；由正常样本构成了正常样本集；若不存在异常样本构成的第一原始异常样本集600，则构造与信息入侵过程对应的异常样本集，并初始化车辆数据集；车辆数据集划分为第一训练集、第二验证集、第三测试集；车辆数据集的特征划分为第一功能性特征601和第二非功能性特征602。
[0099]
进一步地，模型训练单元003通过正常样本和异常样本训练机器学习模型。
[0100]
进一步地，样本筛选单元005选取符合第二非功能性特征的样本为第一筛出样本800；替换第一训练集中的第一原始异常样本集600中待优化的样本为第一筛出样本800；重复模型训练单元003及样本筛选单元005中的信息处理过程，并以循环迭代过程300刷新数据；进而循环迭代过程300优化数据直至符合预设的收敛条件。
[0101]
进一步地，样本筛选单元005还执行第一训练过程215，第一训练过程215使用正常样本和异常样本训练第一判别器501来模拟机器学习模型或以机器学习模型为第一判别器501。
[0102]
进一步地，样本筛选单元005还执行第二训练过程235，第二训练过程235使用异常样本和第一判别器501来训练第一生成器503；第一生成器503仅生成第二非功能性特征602；第一功能性特征对应于网络入侵方式下相关联的样本特征。
[0103]
进一步地，样本筛选单元005还执行第三搜索过程255，第三搜索过程255使用优化算法搜索第二非功能性特征；第三搜索过程255的优化算法不包括生成对抗网络的方法；第三搜索过程经优化算法搜索获得第一异常样本。
[0104]
进一步地，引入随机噪声701到第一原始异常样本集并采样第一生成器503获得第二异常样本，以第一异常样本与第二异常样本为第一筛出样本800，替换第一训练集中的第一原始异常样本600。
[0105]
具体地，信息采集单元001每间隔预设的时间长度099采集一次信息；由当前时刻开始到历史时刻相距第一采样间隔依次得到第一时刻100、第二时刻101、直至第t时刻10t，其中t为自然数；拼接车辆数据集的样本为一维向量，本采用one-hot编码对非数值特征进行处理，进而采用极小值-极大值规范化数据到[0,1]区间；其中，信息采集步骤201通过有线或无线途径/信道采集数据；所述无线途径/信道包括4g、5g、ble、wi-fi网络，所述有线途径/信道包括can、ethernet。
[0106]
进一步地，其收敛条件包括：使得机器学习模型在测试集上的f1分值不再提升或f1分值依照预设的误差阈值趋近于预设的极限值。
[0107]
进一步地，机器学习模型可划分为第一类梯度模型、第二类非梯度模型；第一类梯度模型包括神经网络模型、逻辑回归模型；第二类非梯度模型包括决策树模型、随机森林模型；其第三搜索过程255的优化算法包括对抗机器学习算法fgsm、遗传算法；其第一采样间隔为预设的时间长度；其长度不唯一，该预设的时间长度可以是1秒；其信息采集步骤201获取预设工况下的车辆行驶信息097。
[0108]
具体地，如图2，其车辆行驶信息097包括车速110、驾驶员转矩需求120、挡位信息
1i0；循环迭代过程300包括交换刷新过程275，交换刷新过程275以优选后的第一筛出样本800替换车辆行驶信息097中对应的优选前的同类型样本。
[0109]
如图7，本发明实施例还公开了一种计算机存储介质、与之相对于的车载电子控制器，采用了与本发明方法及装置相同的技术方案，解决了相同的技术问题，其实现方法或过程相同，其具体实施过程在此不再赘述。
[0110]
需要说明的是，上述实施例仅是为了更清楚地说明本发明的技术方案，本领域技术人员可以理解，本发明的实施方式不限于以上内容，基于上述内容所进行的明显变化、替换或替代，均不超出本发明技术方案涵盖的范围；在不脱离本发明构思的情况下，其它实施方式也将落入本发明的范围。