随着智能交通技术的发展,汽车逐渐向智能化和网联化方向发展,因而不再是一个封闭的个体。车载网络（vehicle-mounted network,VMN）作为汽车中最重要的运行环境,负责协调车内处理器的互联和信息共享,其中控制器局域网络（Controller Area Network,CAN）是目前车载网络中应用最广泛的网络协议。近年来,针对车辆的网络攻击越来越频繁,对汽车CAN总线网络的攻击已经严重威胁到汽车的行驶安全。入侵检测作为传统互联网安全防护中一种重要的安全措施,其在车载网络中的应用也引起了研究者们的极大兴趣,研究人员提出了许多基于车载CAN总线中攻击信息的检测方法,包括卷积神经网络（Convolutional Neural Network,CNN）等。然而,现有的CNN方法存在以下问题:（1）将总线标识符（CAN ID）序列数据通过顺序排列的方式直接输入到卷积神经网络中进行卷积运算,不能充分利用卷积神经网络提取网格数据的特性,也会造成时间序列数据丢失其数据间的时间关联特性,缺乏可解释的意义。（2）在进行异常检测时,一次只考虑一种攻击类型,但在实际环境中可能同时包含多种攻击类型。（3）直接将CAN ID的二进制数据进行特征提取,当两个数据间只差1位数时,存在数据间区分度不高的问题,从而影响分类结果。（4）由于车载设备计算能力和存储能力的限制,模型的参数计算量不能太大。针对以上问题,本文分别提出以下解决方案:（1）提出一种改进的数据编码方法,将每个长度为11bit或29bit的一维CAN ID标识符转换为一个马赛克式的二维数据块,并将每个这样的数据块通过时间前后顺次拼接成一个便于卷积神经网络识别的二维图像,使得卷积神经网络能更有效地提取数据特征并保持数据间的时间关联特性。（2）通过将韩国黑客攻击与对策研究实验室（Hacking and Countermeasure Research Lab,HCRL）公开发布的四个独立数据集整合成一个包含四种攻击类型的数据集,这四个数据集分别为包含拒绝服务攻击（Denial of service,DOS）、模糊攻击（Fuzzy）和欺骗攻击（Spoofing）,其中欺骗攻击分为排挡欺骗攻击（Spoofing the drive gear,Gear）和转速表欺骗攻击（Spoofing the RPM gauge,RPM）。然后使用模型对整合的数据集进行训练并测试CNN模型对单攻击和多种攻击的识别能力。（3）提出一种数据中心化的方法,先求出每条CAN ID数据的均值,然后将经过马赛克编码后的CAN ID数据与其均值进行运算将数据中心化,以提高不同CAN ID数据模式间的区分度。（4）使用自编码器神经网络对CAN ID数据进行降维处理,以便有效地降低模型参数的数量,减少计算量。本文提出了一种新的基于二维马赛克模式编码（Mosaic coding）的CNN模型用于车载网异常入侵的检测。为了实现对多攻击的检测,使用四种类型的攻击以及它们的所有组合来训练和测试我们的模型,采用中心化编码方法提高模型的识别能力,利用自编码器对数据进行降维处理,以降低模型的复杂度。我们的研究表明,虽然原始数据只是一维的,但如果对数据进行适当的二维编码后作为CNN模型的输入,它仍然能够有效提取出数据的特征模式。实验结果表明,本文方法能有效地将攻击与车载网络中的正常信息区分开来,具有较高且稳定的多分类能力,提高了系统识别的可靠性,同时满足了检测的实时性要求。因此,除了使用高性能的CNN模型外,设计一种合适的编码方法也有利于模型从序列数据中提取有用的特征模式,从而提高模型的性能。