在互联网+的大背景下,网联技术的进步以及电子电气架构颠覆性的改变,车载设备为了有效地接收通信服务,必须连接到外部网络系统,导致车联网的安全问题日益突出,控制器局域网（Controller Area Network,CAN）是一个低级别且应用广泛的协议,设定时不支持任何本质上的安全功能,使得CAN总线成为黑客的首要攻击目标。在CAN总线的安全防御策略中,异常检测技术由于不会造成网络通信延迟而被广泛使用和研究。为此,本文将对作为使用最广泛的车载CAN总线进行分析研究,针对CAN总线的特点和潜在的隐患进行深入研究,总结目前针对CAN总线的攻击方式和异常检测模型。本文主要的工作与创新点归纳如下:1)分析CAN总线的网络通信原理和数据帧格式的特点,研究车载CAN总线的局限性,总结多个攻击方式的特点和产生的后果,具体分析了多个攻击场景,包括重放攻击、伪造攻击、悬挂攻击和伪装攻击。随后归纳常见的CAN异常检测模型,包括基于统计、物理特性和机器学习的异常检测模型。2)从CAN总线数据报文的特点出发,将报文数据域划分为8个特征,在没有总线报文标识功能的情况下,根据每个报文ID的数据域分布特点,对异常检测模型进行设计,提出了一种针对数据域内容的基于梯度提升算法的异常检测混合模型,通过仿真实验表明在抵御篡改攻击方面有较高的准确率。3)从数据样本不平衡的情况出发,由于总线报文数据无标识的功能,通过结合信息熵作为特殊标识组成新的数据集,并且引入焦点损失函数来改进XGBoost算法,更关注检测过程中出现的难分类的样本数据。实现了基于FLXGBoost的算法的异常检测,通过实验进行验证,证明该异常检测模型在针对样本分布不平衡时具有较高的精确度。网联汽车的安全防护是个新趋势,本文初步研究了适用于车载CAN总线的异常检测技术,在应对篡改攻击和数据样本不平衡的情况中,通过对比实验结果,验证异常检测模型的有效性,对网联汽车的安全防护具有积极意义。