我国的汽车保有量逐年增多,其中智能网联汽车的比例也越来越高。随着5G的发展,现代车辆与互联网的联系更加密切,但也带来了许多安全问题,汽车受到攻击的可能性也增加了。比如,攻击者通过互联网对车内的娱乐系统进行攻击,也可以利用车间通信对车辆进行攻击。无论通过哪种途径,攻击者要想控制车辆,最终都要攻击车载网络。这些攻击行为体现在车载网络中就是数据异常,所以对于车载网络的异常检测研究非常重要。本文针对CAN总线的现有特性和存在的安全问题,从现有检测算法的不足出发,分别从流量和数据内容两个角度进行异常检测研究,实现了对车载网络中重放攻击和帧伪造的检测。总的来说,本文的主要的工作和创新点如下:(1)根据现有车载网络异常检测模型的不足,提出了一个三层检测模型,旨在分层实现对Do S攻击、重放攻击和帧伪造的检测,并对每一层算法的检测目标和联系进行了分析。(2)针对基于信息熵的检测算法难以检测到低速注入攻击的缺点,本文对低速注入攻击的检测进行研究。分析了低速注入攻击的攻击原理,提出使用LOF(Local Outlier Factor,局部异常因子)算法对其进行检测。通过实验验证了该检测算法的有效性;对比试验表明,该算法与其他算法相比有较高的准确率。(3)由于LOF算法很难实现对帧伪造的检测,本文从数据域的角度出发,提出使用长短期记忆网络对同ID序列的数据进行分析,并构建了相应的检测模型。该检测模型使用正常数据进行训练,使用异常数据进行验证。实验表明,该算法可以实现对重放攻击和帧伪造的检测,相较于现有的检测算法,有着较高的准确率。本文通过对车载网络内数据包异常检测的研究,提出了针对不同攻击行为进行分层检测的思想,建立了一个可靠的车载网络异常检测模型,以车载网络为切入点对车辆安全进行了初步探索。