随着汽车行业的蓬勃发展,汽车智能化成为了主机厂以及供应商越来越关注的趋势。除去电池、电机和电控三电技术,智能化水平显示了汽车品牌差异化竞争的能力。汽车智能化中的一大方面是高级辅助驾驶系统,能够辅助驾驶者更好地行驶车辆,未来可能进化成为自动驾驶。高级辅助驾驶系统需要使用传感器数据,对控制器局域网进行调度。相对于普通消费电子产品,汽车更重视安全性。仅对于高级辅助驾驶系统,传感器数据和控制器局域网的安全防护,对于辅助驾驶的安全性至关重要。本文聚焦全球导航卫星系统（Global Navigation Satellite System,GNSS）和控制器局域网（Controller Area Network,CAN）的异常检测,使用数据分析的方式完成汽车安全的两个环节。交通出行与每个人息息相关,汽车安全是交通安全重要组成部分,也是汽车未来发展的重要命脉,本文所做的工作是汽车安全中的一部分,具有一定的应用实践价值。本文的工作主要集中在以下几个方面:·基于高斯混合模型的GNSS异常检测算法本文提出了一种基于高斯混合模型的异常检测算法。先使用K-means算法简化信号序列,去除离群点。再使用高斯混合模型对信号序列进行建模。然后使用期望最大（ExpectationMaximum,EM）算法进行模型训练,得到相应参数,代入相应回归表达式,得到预测结果,将预测值与实际值进行比较判断是否发生异常。·基于多决策树集成模型的GNSS异常检测算法本文提出了一种基于多决策树集成模型的GNSS异常检测算法。先使用主成分分析（Principal Component Analysis,PCA）方法对车载数据进行降维,然后使用Pearson系数进行特征选择。然后构建多决策树集成模型,确定树叶分裂生长策略,使用贝叶斯优化模型参数,训练多决策树集成模型,使用所得模型进行预测,比较预测值和实际值检测异常。·基于堆叠LSTM残差网络的CAN异常检测算法本文提出了一种基于堆叠长短期记忆网络（Long Short Term Memory,LSTM）残差网络的CAN异常检测算法。先从CAN报文提取相应特征,进行归一化平稳化处理,将数据转化为监督学习数据,使用遗传算法优化模型参数,训练堆叠LSTM残差网络,使用训练所得网络预测未知数据是否异常。本文针对GNSS和CAN网络的异常检测这一车载信息安全领域问题,提出了基于高斯混合模型的GNSS异常检测算法、基于多决策树集成模型的GNSS异常检测算法和基于堆叠LSTM残差网络的CAN异常检测算法三个方法,并在采集的数据集上进行仿真实验,取得较好效果,对于实际应用有一定的参考价值。