技术特征：
1.一种信息处理方法，其特征在于，包括：信息采集步骤（201）、模型训练步骤（203）、样本筛选步骤（205），所述信息采集步骤（201）获取车辆行驶信息（097），所述车辆行驶信息（097）包括车辆正常行驶中采集到的正常样本；由所述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所述异常样本集，并初始化车辆数据集；所述车辆数据集包括第一训练集、第二验证集、第三测试集；所述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）；所述模型训练步骤（203）通过所述正常样本和所述异常样本训练机器学习模型；所述样本筛选步骤（205）选取符合第二非功能性特征的样本为第一筛出样本（800）；替换所述第一训练集中的所述第一原始异常样本集（600）中待优化的样本为所述第一筛出样本（800）；重复所述模型训练步骤（203）及所述样本筛选步骤（205）构成循环迭代过程（300），所述循环迭代过程（300）优化数据直至符合预设的收敛条件。2.如权利要求1所述的方法，其中：所述样本筛选步骤（205）还包括第一训练过程（215），所述第一训练过程（215）使用所述正常样本和所述异常样本训练第一判别器（501）来模拟所述机器学习模型或以所述机器学习模型为所述第一判别器（501）。3.如权利要求2所述的方法，其中：所述样本筛选步骤（205）还包括第二训练过程（235），所述第二训练过程（235）使用所述异常样本和所述第一判别器（501）来训练第一生成器（503）；所述第一生成器（503）仅生成所述第二非功能性特征（602）；所述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。4.如权利要求3所述的方法，其中：所述样本筛选步骤（205）还包括第三搜索过程（255），所述第三搜索过程（255）使用优化算法搜索所述第二非功能性特征；所述第三搜索过程（255）的所述优化算法不包括生成对抗网络的方法；所述第三搜索过程经所述优化算法搜索获得第一异常样本。5.如权利要求4所述的方法，其中：引入随机噪声（701）到所述第一原始异常样本集并采样所述第一生成器（503）获得第二异常样本，以所述第一异常样本与所述第二异常样本为所述第一筛出样本（800），替换所述第一训练集中的所述第一原始异常样本（600）。6.如权利要求1至5所述的任一方法，其中：所述信息采集步骤（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；拼接所述车辆数据集的样本为一维向量，采用one-hot编码对非数值特征进行处理，采用极小值-极大值规范化数据到[0,1]区间；所述信息采集步骤（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。7.如权利要求6所述的方法，其中：所述收敛条件包括：所述机器学习模型在所述测试集上的f1分值不再提升或所述f1分
值依照预设的误差阈值趋近于预设的极限值；所述机器学习模型包括第一类梯度模型、第二类非梯度模型；所述第一类梯度模型包括神经网络模型、逻辑回归模型；所述第二类非梯度模型包括决策树模型、随机森林模型；所述第三搜索过程（255）的优化算法包括对抗机器学习算法fgsm、遗传算法；所述第一采样间隔为预设的时间长度；所述预设的时间长度不唯一，所述预设的时间长度包括1秒；所述信息采集步骤（201）获取预设工况下的所述车辆行驶信息（097）；所述车辆行驶信息（097）包括车速（110）、驾驶员转矩需求（120）、挡位信息（1i0）；所述循环迭代过程（300）包括交换刷新过程（275），所述交换刷新过程（275）以优选后的所述第一筛出样本（800）替换所述车辆行驶信息（097）中对应的优选前的同类型样本。8.一种机器学习装置，包括：信息采集单元（001）、模型训练单元（003）、样本筛选单元（005）；所述信息采集单元（001）获取车辆行驶信息（097），所述车辆行驶信息（097）包括车辆正常行驶中采集到的正常样本；由所述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所述异常样本集，并初始化车辆数据集；所述车辆数据集包括第一训练集、第二验证集、第三测试集；所述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）；所述模型训练单元（003）通过所述正常样本和所述异常样本训练机器学习模型；所述样本筛选单元（005）选取符合第二非功能性特征的样本为第一筛出样本（800）；替换所述第一训练集中的所述第一原始异常样本集（600）中待优化的样本为所述第一筛出样本（800）；重复所述模型训练单元（003）及所述样本筛选单元（005）中的信息处理过程，并以循环迭代过程（300）刷新数据；所述循环迭代过程（300）优化数据直至符合预设的收敛条件。9.如权利要求8所述的装置，其中：所述样本筛选单元（005）还执行第一训练过程（215），所述第一训练过程（215）使用所述正常样本和所述异常样本训练第一判别器（501）来模拟所述机器学习模型或以所述机器学习模型为所述第一判别器（501）；所述样本筛选单元（005）还执行第二训练过程（235），所述第二训练过程（235）使用所述异常样本和所述第一判别器（501）来训练第一生成器（503）；所述第一生成器（503）仅生成所述第二非功能性特征（602）；所述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；所述样本筛选单元（005）还执行第三搜索过程（255），所述第三搜索过程（255）使用优化算法搜索所述第二非功能性特征；所述第三搜索过程（255）的所述优化算法不包括生成对抗网络的方法；所述第三搜索过程经所述优化算法搜索获得第一异常样本。10.如权利要求9所述的装置，其中：引入随机噪声（701）到所述第一原始异常样本集并采样所述第一生成器（503）获得第二异常样本，以所述第一异常样本与所述第二异常样本为所述第一筛出样本（800），替换所述第一训练集中的所述第一原始异常样本（600）。11.如权利要求8至10所述的任一装置，其中：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；拼接所述车辆数据集的样本为一维向量，采用one-hot编码对非数值特征进行处理，采用极小值-极大值规范化数据到[0,1]区间；所述信息采集步骤（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。12.如权利要求11所述的装置，其中：所述收敛条件包括：所述机器学习模型在所述测试集上的f1分值不再提升或所述f1分值依照预设的误差阈值趋近于预设的极限值；所述机器学习模型包括第一类梯度模型、第二类非梯度模型；所述第一类梯度模型包括神经网络模型、逻辑回归模型；所述第二类非梯度模型包括决策树模型、随机森林模型；所述第三搜索过程（255）的优化算法包括对抗机器学习算法fgsm、遗传算法；所述第一采样间隔为预设的时间长度；所述预设的时间长度不唯一，所述预设的时间长度包括1秒；所述信息采集步骤（201）获取预设工况下的所述车辆行驶信息（097）；所述车辆行驶信息（097）包括车速（110）、驾驶员转矩需求（120）、挡位信息（1i0）；所述循环迭代过程（300）包括交换刷新过程（275），所述交换刷新过程（275）以优选后的所述第一筛出样本（800）替换所述车辆行驶信息（097）中对应的优选前的同类型样本。13.一种计算机存储介质，包括：用于存储计算机程序的存储介质本体；所述计算机程序在被微处理器执行时，实现如权利要求1至7所述的任一信息处理方法。14.一种车载电子控制器，包括：如权利要求8至12所述的任一机器学习装置；和/或如权利要求13所述的存储介质。
技术总结
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；相应地，本发明还公开了相应的装置、介质和其它相关产品的实施方式，采用相同或相应的技术方案改善了相关产品或装置的技术性能。术性能。术性能。
技术研发人员：刘创 孙林 陆唯佳 刘鹏 李兵洋 罗勇
受保护的技术使用者：联合汽车电子有限公司
技术研发日：2022.04.08
技术公布日：2022/8/5