基于混合深度學(xué)習(xí)的電動汽車充放電系統(tǒng)通信協(xié)議辨識方法研究

摘" 要： 電動汽車充放電系統(tǒng)是新能源汽車安全充放電的重要保障。為了解決電動汽車充放電系統(tǒng)的通信協(xié)議辨識問題，提出一種基于混合深度學(xué)習(xí)的電動汽車充放電系統(tǒng)通信協(xié)議辨識方法。該方法通過深度學(xué)習(xí)網(wǎng)絡(luò)（DLN）提取通信協(xié)議數(shù)據(jù)特征，通過引入[l1/2]范數(shù)提高深度學(xué)習(xí)網(wǎng)絡(luò)的泛化能力，實現(xiàn)對電動汽車充放電系統(tǒng)通信協(xié)議的高精度辨識。仿真結(jié)果表明，混合深度學(xué)習(xí)網(wǎng)絡(luò)對電動汽車充放電系統(tǒng)不同協(xié)議的辨識總體準(zhǔn)確率達(dá)到了97.68%。因此，可以得出基于混合深度學(xué)習(xí)的電動車充放電系統(tǒng)通信協(xié)議辨識方法具有一定的有效性。

關(guān)鍵詞： 電動汽車充放電； 協(xié)議辨識； 深度學(xué)習(xí)網(wǎng)絡(luò)； [l1/2]范數(shù)； 評估指標(biāo)； 泛化能力

中圖分類號： TN919.6?34" " " " " " " " " " " " 文獻標(biāo)識碼： A" " " " " " " " " " " " "文章編號： 1004?373X（2024）17?0041?06

Communication protocol identification method based on hybrid deep learning

for electric vehicle charging and discharging system

Lü Xiaorong1， HUI Qi1， XU Zimin2

（1. NARI?TECH Nanjing Control Systems Co.， Ltd.， Nanjing 210000， China;

2. College of Automation amp; College of Artificial Intelligence， Nanjing University of Posts and Telecommunications， Nanjing 210000， China）

Abstract： The electric vehicle （EV） charging and discharging system is an important guarantee for the safe charging and discharging of the new energy vehicles （NEVs）， so a communication protocol identification method based on hybrid deep learning for the EV charging and discharging system is proposed to cope with the communication protocol identification of the system. In this method， the communication protocol data features are extracted by the deep learning network （DLN）， and the generalization ability of this network is improved by introducing norm [l1/2]， so as to achieve high?precision identification of the communication protocols of the EV charging and discharging system. The simulation results show that the overall accuracy （OA） of the hybrid deep learning network for the identification of different protocols of the EV charging and discharging system reaches 97.68%， which indicates the effectiveness of the communication protocol identification method for the EV charging and discharging system based on hybrid deep learning.

Keywords： EV charging and discharging system; protocol identification; DLN; norm [l1/2]; evaluation indicator; generalization ability

0" 引" 言

由于能源危機和環(huán)境問題的逐漸顯現(xiàn)，發(fā)展電動汽車和充電設(shè)備成為全世界的必然趨勢[1?2]。電動汽車充放電系統(tǒng)通信協(xié)議將電動汽車和充電設(shè)備統(tǒng)一起來，保證不同的電動汽車和充電設(shè)備之間能夠互聯(lián)互通[3]。但在電動汽車和充電設(shè)備互聯(lián)互通的過程中存在通信協(xié)議不一致的問題，為了確保電動汽車的充放電過程能夠更加高效和安全，通過協(xié)議辨識技術(shù)保證協(xié)議統(tǒng)一是至關(guān)重要的問題。

針對通信協(xié)議辨識技術(shù)，國內(nèi)外研究學(xué)者都做了大量的研究。文獻[4]針對通信過程中匿名協(xié)議對協(xié)議辨識任務(wù)產(chǎn)生的巨大挑戰(zhàn)，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的完全加密流量匿名協(xié)議辨識方法，經(jīng)實驗論證，辨識準(zhǔn)確率可達(dá)到96%。文獻[5]提出一種融合SENet和Transformer的應(yīng)用層協(xié)議辨識方法，解決了現(xiàn)有協(xié)議辨識方法存在的提取協(xié)議特征不充分等問題，此方法可以提取更多有效協(xié)議特征，提高協(xié)議辨識性能。文獻[6]創(chuàng)建網(wǎng)絡(luò)協(xié)議分析庫，通過深度學(xué)習(xí)算法提高協(xié)議辨識的準(zhǔn)確度。文獻[7]研究了采用卷積層和降采樣層提取深層次特征的協(xié)議辨識技術(shù)，經(jīng)訓(xùn)練后的協(xié)議辨識模型分類準(zhǔn)確性得到很大的提高。文獻[8]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用層協(xié)議辨識方法，經(jīng)實驗論證，該方法的總體辨識準(zhǔn)確率約為99.70%。文獻[9]提出一種基于多維卷積神經(jīng)網(wǎng)絡(luò)結(jié)合無監(jiān)督訓(xùn)練網(wǎng)絡(luò)的信息協(xié)議特征提取方法，仿真結(jié)果驗證了此方法的有效性。文獻[10]提出一種由條件變分自動編碼器（CVAE）和隨機森林（RF）分類器組成的組合架構(gòu)，用于自動學(xué)習(xí)輸入特征之間的相似性，實驗結(jié)論表明，所提出的體系架構(gòu)能夠有效提取特征，提高協(xié)議辨識模型的準(zhǔn)確度。

綜上所述，國內(nèi)外研究學(xué)者在通信協(xié)議辨識領(lǐng)域已經(jīng)進行了一些相關(guān)研究，并提出了一些有效的通信協(xié)議辨識方法。然而針對電動汽車充放電系統(tǒng)的通信協(xié)議辨識方法的研究仍然較少，本文基于當(dāng)前電動汽車大力發(fā)展的趨勢，旨在提出一種針對電動汽車充放電系統(tǒng)的通信協(xié)議辨識方法來彌補這一研究的空白。因此，本文提出一種基于混合學(xué)習(xí)網(wǎng)絡(luò)的電動汽車充放電系統(tǒng)通信協(xié)議辨識方法。電動汽車充放電系統(tǒng)架構(gòu)如圖1所示。

本文提出的混合學(xué)習(xí)網(wǎng)絡(luò)模型，結(jié)合了深度學(xué)習(xí)網(wǎng)絡(luò)（Deep Learning Network， DLN）和[l1/2]正則化，利用深度學(xué)習(xí)網(wǎng)絡(luò)對電動汽車充放電系統(tǒng)協(xié)議的非線性擬合能力，同時引入[l1/2]范數(shù)設(shè)計輸出權(quán)重的估計方法，可以從海量數(shù)據(jù)中學(xué)習(xí)到許多復(fù)雜的非線性數(shù)據(jù)，從而形成表達(dá)能力強、泛化性能好的特征[11]，提高電動汽車充放電系統(tǒng)通信協(xié)議辨識性能。此方法不僅有望解決電動汽車通信協(xié)議辨識性能方面的技術(shù)難題，更能夠提高系統(tǒng)的安全性和高效性，為電動汽車行業(yè)發(fā)展提供了一定的技術(shù)支撐。

1" 基于混合學(xué)習(xí)網(wǎng)絡(luò)的電動汽車充放電系統(tǒng)通信協(xié)議識別方法

1.1" 通信協(xié)議辨識方法概述

通信協(xié)議辨識方法通過提取電動汽車充放電系統(tǒng)通信數(shù)據(jù)中的關(guān)鍵特征進行分析，準(zhǔn)確辨識流量所屬的通信協(xié)議，協(xié)議辨識有助于對流量的結(jié)構(gòu)進行分析，為系統(tǒng)的正常運行提供保障。本文研究的是在電動汽車充放電系統(tǒng)中對充電樁和樁端管理單元之間的通信協(xié)議進行辨識。通信協(xié)議辨識方法分為三部分，分別是數(shù)據(jù)預(yù)處理部分、模型訓(xùn)練部分和模型測試部分。通信協(xié)議辨識方法的工作流程如圖2所示。

通信協(xié)議辨識方法的三個階段具體步驟介紹如下。

步驟1：數(shù)據(jù)采集步驟使用Wireshark抓包工具收集通信原始數(shù)據(jù)[12]；

步驟2：數(shù)據(jù)預(yù)處理步驟首先對數(shù)據(jù)進行清洗，然后濾除干擾的噪聲數(shù)據(jù)，確保數(shù)據(jù)的質(zhì)量和一致性，最后將經(jīng)過處理后的數(shù)據(jù)格式轉(zhuǎn)換成符合要求的格式；

步驟3：數(shù)據(jù)集劃分階段將經(jīng)過處理的數(shù)據(jù)按照一定比例劃分為訓(xùn)練集和測試集；

步驟4：將步驟3中的訓(xùn)練集輸入到模型訓(xùn)練階段；

步驟5：將訓(xùn)練集數(shù)據(jù)放入模型中進行訓(xùn)練；

步驟6：判斷數(shù)據(jù)是否符合終止條件；

步驟7：將步驟3中的測試集輸入到模型測試階段；

步驟8：將測試集數(shù)據(jù)放入訓(xùn)練好的協(xié)議識別模型；

步驟9：生成協(xié)議判別結(jié)果。

1.2" 通信協(xié)議數(shù)據(jù)預(yù)處理

由于電動汽車充放電系統(tǒng)采集的數(shù)據(jù)大多為“臟”數(shù)據(jù)，往往表現(xiàn)為不完整、有噪聲和不一致性，因此在實際應(yīng)用前需要進行數(shù)據(jù)預(yù)處理，確保數(shù)據(jù)具有一致性、完整性、可信性、準(zhǔn)確性、時效性和可解釋性。數(shù)據(jù)預(yù)處理是指從原始數(shù)據(jù)中通過清洗、過濾和轉(zhuǎn)換等步驟篩選出符合條件的數(shù)據(jù)。本文所選取的方法主要可分為四個步驟，對步驟具體實施詳細(xì)介紹如下：

1） 清洗數(shù)據(jù)。電動汽車充放電系統(tǒng)的通信協(xié)議是本文的分析對象，將收集到的數(shù)據(jù)與所需協(xié)議無關(guān)的進行過濾，只保留相關(guān)的協(xié)議數(shù)據(jù)。

2） 數(shù)據(jù)切分。模型的訓(xùn)練往往對輸入數(shù)據(jù)的格式要求比較嚴(yán)格，因此數(shù)據(jù)切分步驟的目的就是使后續(xù)的輸入是固定長度的數(shù)據(jù)。電動汽車充放電系統(tǒng)的通信協(xié)議數(shù)據(jù)辨識可以參考相似度較高的首部信息，而載荷部分的相似度一般較低，對協(xié)議辨識的參考意義不大。

3） 數(shù)據(jù)歸一化。數(shù)據(jù)歸一化的目的是確保不同特征之間具有相似的數(shù)據(jù)范圍，避免某些特征對模型產(chǎn)生過大的影響，從而提高模型的準(zhǔn)確性和穩(wěn)定性。本文將分量值轉(zhuǎn)化成0～1的數(shù)值，從而實現(xiàn)歸一化。

4） 數(shù)據(jù)標(biāo)注。本文可以采取獨熱編碼對數(shù)據(jù)進行標(biāo)注。獨熱編碼是一種常用的分類變量編碼方法，用于將具有多個類別的離散特征轉(zhuǎn)換為機器學(xué)習(xí)模型能夠處理的數(shù)值形式[4]。該方法將每個類別映射為一個長度等于總類別數(shù)的二進制向量，只有相應(yīng)類別的位置為1，而其他位置為0，這樣的編碼方式消除了類別之間的大小關(guān)系，使得模型能夠更好地理解和處理分類信息。

1.3" 混合學(xué)習(xí)網(wǎng)絡(luò)

1.3.1" 深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

深度神經(jīng)網(wǎng)絡(luò)是一種多層無監(jiān)督神經(jīng)網(wǎng)絡(luò)。在深度網(wǎng)絡(luò)中，上一層的輸出特征將作為下一層的輸入進行特征學(xué)習(xí)。由于具備深度學(xué)習(xí)的特點，該學(xué)習(xí)網(wǎng)絡(luò)具有很強的特征提取和數(shù)據(jù)擬合能力。通過逐層特征映射后，該學(xué)習(xí)網(wǎng)絡(luò)可以將現(xiàn)有空間樣本的特征映射到另一個特征空間，對現(xiàn)有輸入具有更好的特征表達(dá)[13]。深度神經(jīng)網(wǎng)絡(luò)具有多個非線性映射的特征變換，可以對高度復(fù)雜的函數(shù)進行擬合。深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

1.3.2" 混合神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程

本文采用基礎(chǔ)深度學(xué)習(xí)網(wǎng)絡(luò)作為通信協(xié)議辨識方法的核心，利用[l1/2]范數(shù)設(shè)計輸出權(quán)重的估計方法，通過訓(xùn)練獲得良好的混合神經(jīng)網(wǎng)絡(luò)，最終實現(xiàn)充電樁充放電控制系統(tǒng)通信協(xié)議的有效辨識。

因此，本文的混合神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程的各個網(wǎng)絡(luò)層可以描述為：

1） 輸入層的數(shù)據(jù)可以描述為[X∈RP×N1]。其中：[P]為充電樁充放電控制系統(tǒng)通信協(xié)議的辨識種類；[N1]為輸入層中包含的神經(jīng)元數(shù)目。在本文中，輸入層中包含神經(jīng)元的數(shù)目等同于各個通信協(xié)議數(shù)據(jù)的數(shù)目。

2） 隱含層的輸入數(shù)據(jù)可以描述為：

[Hn=tanhHn-1Wn-1，nin+Bn-1，nin] （1）

式中：[Hn]和[Hn-1]分別為第[n]層隱含層和第[n-1]層隱含層的輸出數(shù)據(jù)矩陣；[Wn-1，nin]和[Bn-1，nin]分別為第[n]層隱含層與第[n-1]層隱含層之間的連接權(quán)重矩陣和偏置矩陣，[n=2，3，…，N]，[N]為隱含層的總數(shù)目；[tanh（·）]是雙曲正切函數(shù)，為本文混合學(xué)習(xí)網(wǎng)絡(luò)模型的激活函數(shù)。

當(dāng)[n=1]時，公式（1）可以改寫為：

[H1=tanhXW1in+B1in] （2）

式中：[H1]表示第1個隱含層的輸出數(shù)據(jù)矩陣；[W1in]和[B1in]分別表示第1個隱含層與輸入層之間的連接權(quán)重矩陣和偏置矩陣。

3） 輸出層的輸出數(shù)據(jù)可以表示為：

[Y=HNWout] （3）

式中[Wout]為第[N]個隱含層和輸出層之間的連接權(quán)重矩陣，即混合學(xué)習(xí)網(wǎng)絡(luò)的輸出權(quán)重矩陣。在本文中，[Wout]通過關(guān)于[l1/2]范數(shù)的最小損失函數(shù)進行求解。

1.3.3" 混合神經(jīng)網(wǎng)絡(luò)的輸出權(quán)重的估計方法

在本文中，混合神經(jīng)網(wǎng)絡(luò)的核心是深度神經(jīng)網(wǎng)絡(luò)。由于在實際應(yīng)用中，深度神經(jīng)網(wǎng)絡(luò)需要對大量數(shù)據(jù)進行訓(xùn)練，這會導(dǎo)致特征維度過多、模型假設(shè)過于復(fù)雜和噪聲過多，進而出現(xiàn)過擬合問題。因此，本文在深度神經(jīng)網(wǎng)絡(luò)中引入[l1/2]范數(shù)，對模型的權(quán)重進行懲罰，減少過擬合的風(fēng)險，提高深度神經(jīng)網(wǎng)絡(luò)的辨識性能。

在本文中，混合神經(jīng)網(wǎng)絡(luò)的目標(biāo)函數(shù)如下：

[J=minWoutY-XWout22+λWout1212] （4）

式中：[·12]是[l1/2]范數(shù)；[λ]是懲戒系數(shù)。由于損失函數(shù)（4）具有非凸、非平滑特性，本文通過坐標(biāo)下降法來求解損失函數(shù)（4）。

在坐標(biāo)下降算法中，每次只更新一個參數(shù)[Wout，k]，[k=1，2，…，p]，其他系數(shù)保持不變。那么對于[Wout，k]，本文基于損失函數(shù)（4）進行以下推導(dǎo)：

[Jk=i=1SYmi-XkiWout，k-j≠kpXjiWout，j2+λWout，k12+j≠kpWout，j12] （5）

式中[Wout，j]表示上一步保持不變的參數(shù)。本文中坐標(biāo)下降算法[14]具體描述如下：

步驟1：令[Wintout，m=0，m=1，2，…，M]，給定一個非負(fù)常數(shù)[λ]；

步驟2：令[Wout，m=Wintout，m]；

步驟3：計算[Wout，mk，k=1，2，…，p]，如果[Cmk≥34λ23mk]，[Wout，mk=23Cmk1+cos23π-23φ]，否則[Wout，mk]=0，其中，[Cmk=i=1Symi-j≠kpxjiWout，mjxkii=1Sxki2]，

[λmk=λi=1Sxki2]，[φ=arccosλmk8Cmk3-32]；

步驟4：如果[k=1pWout，mk-Winkout，mklt;10-4]，算法停止，否則，令[Wintout，m=Wout，m]，返回步驟2；

步驟5：輸出[Wout，m=Wout，m1，Wout，m2，…，Wout，mpT]。

本文利用坐標(biāo)下降算法求解損失函數(shù)（4），可以在每次迭代中只更新一個參數(shù)，從而降低了計算的復(fù)雜性。另外，由于懲罰項會迫使某些權(quán)重為0，坐標(biāo)下降算法可以很好地解決由此造成的稀疏性問題，這對于具有大量特征的問題來說尤為關(guān)鍵。

2" 實驗分析與討論

為了驗證混合深度學(xué)習(xí)網(wǎng)絡(luò)對電動汽車充放電控制系統(tǒng)通信協(xié)議辨識方法的有效性，本文主要從以下幾個方面進行分析與討論：

1） 分析不同字節(jié)數(shù)據(jù)對混合深度學(xué)習(xí)網(wǎng)絡(luò)模型性能的影響；

2） 選取不同的評估指標(biāo)對混合深度學(xué)習(xí)網(wǎng)絡(luò)的辨識性能進行分析，判斷混合深度學(xué)習(xí)網(wǎng)絡(luò)性能的有效性；

3） 選取不同模型，根據(jù)相應(yīng)的評估指標(biāo)對比混合深度學(xué)習(xí)網(wǎng)絡(luò)模型和其他模型的性能優(yōu)越性。

2.1" 評估指標(biāo)

為了驗證本文方法是否有效，首先選取適當(dāng)?shù)脑u價指標(biāo)對電動汽車充放電系統(tǒng)通信協(xié)議辨識模型進行評估判別。

基于文獻[15]，本文采用混淆矩陣輔助計算評估指標(biāo)，混淆矩陣如表1所示。其中，準(zhǔn)確率（Accuracy， AC）、召回率（Recall Ratio， RR）、精確率（Precision， PR）、[F]值（[F1]?measure， FM）、總體精確率（Overall Accuracy， OA）是所選取的主要指標(biāo)，計算公式如式（6）～式（10）所示：

[AC=TP+TNTP+TN+FP+FN] （6）

[RR=TPTP+FN] （7）

[PR=TPTP+FP] （8）

[FM=2PR?RRPR+RR] （9）

[OA=i=1NTPiN] （10）

式中[N]表示樣本總數(shù)。

2.2" 電動汽車充放電系統(tǒng)通信數(shù)據(jù)集

考慮到電動汽車充放電控制系統(tǒng)的互聯(lián)互通需求，本文主要考慮有線通信協(xié)議、局域無線通信網(wǎng)絡(luò)協(xié)議和廣域無線通信協(xié)議進行評估和測試，即CAN協(xié)議、Modbus協(xié)議、RS 485協(xié)議、IEEE 802.11g協(xié)議和IEEE 802.11ac協(xié)議。

根據(jù)上文所提到的數(shù)據(jù)預(yù)處理方法，得到的實驗數(shù)據(jù)集信息如表2所示。將得到的實驗數(shù)據(jù)集打亂順序，隨機劃分為訓(xùn)練集和測試集，比例設(shè)置為7∶3，即選取35 000個數(shù)據(jù)作為訓(xùn)練集，15 000個數(shù)據(jù)作為測試集。訓(xùn)練集用來訓(xùn)練模型，測試集用來對模型進行評估。另外，深度神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)為10，輸出層神經(jīng)元個數(shù)為1，隱含層層數(shù)設(shè)置為5，隱含層神經(jīng)元個數(shù)為7，正則化參數(shù)通過10折交叉驗證進行確定。本課題選取電動汽車充放電控制系統(tǒng)的CAN協(xié)議、Modbus協(xié)議、RS 485協(xié)議、IEEE 802.11g協(xié)議和IEEE 802.11ac協(xié)議進行辨識。因此，所選取協(xié)議的獨熱編碼處理可以分別表示為[1，0，0，0，0]T、[0，1，0，0，0]T、[0，0，1，0，0]T、[0，0，0，1，0]T、[0，0，0，0，1]T。

2.3" 不同字節(jié)長度的辨識精度分析

不同的通信協(xié)議采用不同的字節(jié)長度來傳遞信息，合適的字節(jié)長度可以提高協(xié)議辨識精度，增強系統(tǒng)通信的穩(wěn)定性和可靠性，因此選擇合適的字節(jié)長度對于準(zhǔn)確辨識通信協(xié)議至關(guān)重要。本文選取0～1 000 B長度的數(shù)據(jù)分析其對辨識精度的影響，得到的不同字節(jié)長度辨識精度如圖4所示。

從圖4中可以看出，隨著字節(jié)長度的增加，辨識精度也隨之增加。在700～800 B之間辨識精度達(dá)到最大值，當(dāng)大于800 B時，辨識精度就有所下降，參考文獻[8]，選取784 B大小作為后續(xù)模型的輸入。數(shù)據(jù)長度超過784 B的，舍棄多余部分，數(shù)據(jù)長度小于784 B的，在末尾填充0補全。

2.4" 混合學(xué)習(xí)網(wǎng)絡(luò)的辨識性能分析

本文通過選取總體準(zhǔn)確率、平均[F]值、召回率和精確率作為評價指標(biāo)，驗證本文混合深度學(xué)習(xí)網(wǎng)絡(luò)模型的有效性。不同協(xié)議的評價指標(biāo)對比如表3所示。

由表3可知，深度學(xué)習(xí)網(wǎng)絡(luò)對不同協(xié)議的辨識總體準(zhǔn)確率達(dá)到了97.68%，說明其對不同協(xié)議的辨識都較好。由式（9）可知，[F]值是由準(zhǔn)確率和召回率共同得到的，因此[F]值能夠很好地衡量模型的精度。可以看出，CAN、Modbus、IEEE 802.11ac三種協(xié)議的[F]值均達(dá)到了99%以上，說明本文模型對這三種協(xié)議的辨識性能最好。

2.5" 不同模型的辨識性能分析

本文選取深度學(xué)習(xí)網(wǎng)絡(luò)模型、本文結(jié)合[l1/2]范數(shù)的深度學(xué)習(xí)網(wǎng)絡(luò)模型、文獻[5]中提到的融合SENet和 Transformer模型以及文獻[8]中基于卷積神經(jīng)網(wǎng)絡(luò)模型進行對比實驗，選取[F]值作為評價指標(biāo)，對比結(jié)果如表4所示。由表4可以看出，本文模型對于不同協(xié)議的[F]值都是最優(yōu)的，說明辨識性能優(yōu)于其他三種模型。文獻[5]和深度學(xué)習(xí)網(wǎng)絡(luò)模型辨識性能優(yōu)于文獻[8]提出的卷積神經(jīng)網(wǎng)絡(luò)模型，文獻[8]模型的效果最差；文獻[5]的融合SENet和Transformer模型優(yōu)于深度學(xué)習(xí)網(wǎng)絡(luò)模型。

3" 結(jié)" 語

本文主要考慮了電動汽車充放電系統(tǒng)中通信協(xié)議的辨識問題。主要基于[l1/2]范數(shù)和深度神經(jīng)網(wǎng)絡(luò)的混合深度學(xué)習(xí)網(wǎng)絡(luò)，本文提出一種電動汽車充放電系統(tǒng)通信協(xié)議辨識的新方法。首先通過對數(shù)據(jù)進行預(yù)處理，選取合適的數(shù)據(jù)集；其次構(gòu)建混合深度學(xué)習(xí)網(wǎng)絡(luò)模型，考慮深度學(xué)習(xí)網(wǎng)絡(luò)模型在應(yīng)對大量數(shù)據(jù)時存在的過擬合問題，引入[l1/2]范數(shù)懲罰深度學(xué)習(xí)網(wǎng)絡(luò)的權(quán)重，提高神經(jīng)網(wǎng)絡(luò)模型的辨識性能；最后通過實驗驗證本文提出的混合深度學(xué)習(xí)網(wǎng)絡(luò)的有效性。選取準(zhǔn)確率、召回率、[F]值和總體準(zhǔn)確率作為評估指標(biāo)，分析混合深度學(xué)習(xí)網(wǎng)絡(luò)的辨識性能，得到其總體準(zhǔn)確率達(dá)到了97.68%，說明其辨識性能較好。因此，本文提出的基于混合深度學(xué)習(xí)網(wǎng)絡(luò)的電動汽車充放電系統(tǒng)通信協(xié)議辨識方法具有一定的可行性和有效性。

注：本文通訊作者為許子旻。

參考文獻

[1] 李孝安，樓嫣嵐，陳舟凱，等.電動汽車快速增長下臨平充電設(shè)施布點規(guī)劃[C]//人民城市，規(guī)劃賦能：2023中國城市規(guī)劃年會論文集（03城市工程規(guī)劃）.北京：中國城市規(guī)劃學(xué)會，2023：72?79.

[2] 劉波，黃旭楠，郝嘉雪，等.防霾大數(shù)據(jù)與新型教室除霾器試點[J].現(xiàn)代電子技術(shù)，2019，42（11）：144?148.

[3] 葉瓊瑜，任悅，陳政熙.電動汽車和充電樁間通信網(wǎng)絡(luò)的信息安全研究[J].集成電路應(yīng)用，2022，39（5）：9?13.

[4] 白惠文，馬雪婧，劉偉偉，等.基于深度學(xué)習(xí)的匿名協(xié)議流量識別技術(shù)研究[J].計算機仿真，2021，38（7）：360?365.

[5] 陳乾，洪征，司健鵬.融合SENet和Transformer的應(yīng)用層協(xié)議識別方法[J].計算機科學(xué)與探索，2024，18（3）：805?817.

[6] 葉松.基于現(xiàn)代網(wǎng)絡(luò)的深度學(xué)習(xí)應(yīng)用協(xié)議識別技術(shù)研究與實現(xiàn)[J].軟件導(dǎo)刊，2018，17（10）：194?199.

[7] 彭博一.基于深度學(xué)習(xí)的協(xié)議識別技術(shù)研究[D].北京：中國工程物理研究院，2020.

[8] 馮文博，洪征，吳禮發(fā)，等.基于卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用層協(xié)議識別方法[J].計算機應(yīng)用，2019，39（12）：3615?3621.

[9] REN J， LI S， SONG Y H， et al. Deep learning based identification method for signal?level wireless protocol [J]. IEEE access， 2022， 10： 118187?118197.

[10] MONSHIZADEH M， KHATRI V， GAMDOU M， et al. Impro?ving data generalization with variational autoencoders for network traffic anomaly detection [J]. IEEE access， 2021， 9： 56893?56907.

[11] 郭志濤，雷瑤，袁金麗，等.基于深度學(xué)習(xí)的交通標(biāo)志識別算法研究[J].現(xiàn)代電子技術(shù)，2019，42（22）：164?168.

[12] 吳吉勝，洪征，馬甜甜，等.基于殘差網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)混合模型的應(yīng)用層協(xié)議識別方法[J].計算機科學(xué)，2022，49（11）：293?301.

[13] 武宇翔，韓肖清，牛哲文，等.融合多注意力深度神經(jīng)網(wǎng)絡(luò)的可解釋光伏功率區(qū)間預(yù)測[J/OL].電網(wǎng)技術(shù)：1?19[2023?08?14].https：//doi.org/10.13335/j.1000?3673.pst.2023.0978.

[14] 牛玉琪.一類基于GSL規(guī)則改進的坐標(biāo)下降法[D].蘭州：蘭州大學(xué)，2020.

[15] 王琪.基于混合神經(jīng)網(wǎng)絡(luò)的自動睡眠分期算法研究[D].南京：南京信息工程大學(xué)，2023.