1.一种基于胶囊神经网络的车内网入侵检测方法，其特征在于，所述基于胶囊神经网络的车内网入侵检测方法结合多种车内网数据总线实时动态数据与驾驶状态动态数据检测；按照一定的时间间隔参数u进行划分，构成总样本集；

对车内网数据转换为特征矩阵，以输出给后面的模块挖掘空间关系结构特征；

引入基于胶囊神经网络处理模型，建立适合车内网环境下数据的处理结构，对特征关系的结构进行高维建模。

2.如权利要求1所述的基于胶囊神经网络的车内网入侵检测方法，其特征在于，所述基于胶囊神经网络的车内网入侵检测方法进一步包括：第一步，采集两种场景下车内网原始特征数据，并进行预处理：

分别在两种场景下采集车内网中CAN总线、MOST总线数据包数据，以及车辆速度、车辆加速度、转向、刹车数据；两种场景分别是无外网链接的正常驾驶场景与有外网攻击连接的攻击驾驶场景；对采集到的各数据按照一定的时间间隔参数u进行划分，构成总样本集，对两类数据进行胶囊神经网络模型的训练；将该总样本集70％的数据进行模型训练，30％用于模型的效果验证；在进行训练之前，对原始样本数据进行相应的预处理；

第二步，应用胶囊神经网络结构对参考模型参数进行计算，胶囊神经网络结构包括卷积层、一级胶囊层、次胶囊层；特征矩阵的维度为row*col；

卷积层：经过预处理后，特征矩阵通过卷积核运算得到卷积层，卷积层检测特征矩阵的基本特征；

一级胶囊层：共8个主胶囊，接受卷积层检测到的基本特征，生成特征的组合；卷积层得到的每8个卷积结果运算得到一个主胶囊模块；

次级胶囊层：包含2个数字胶囊，每个胶囊对应判断是否存在入侵检测状态的结果，每个数字胶囊的维度为50；一级胶囊层和次级胶囊层通过动态路由算法进行计算得到。

3.如权利要求2所述的基于胶囊神经网络的车内网入侵检测方法，其特征在于，第一步预处理方法包括：(1)对于每一个时间间隔t采集到的CAN总线、MOST总线数据包数据，按照CAN与MOST数据包类型进行包统计概率的特征计算，构成特征向量x1、x2；

(2)在采集以上CAN与MOST数据包时，按照时间到来的先后顺序，对各类型数据包序列进行记录，构成类型序列原始数据；对CAN、MOST总线数据类型进行one-hot encoding类型编码；采用1/M作为采样间隔对各类型序列数据包进行采样，构成特征序列向量x3、x4；

(3)对于上述时间间隔t，采用更细微的采样频率n，采集车辆驾驶状态数据进行处理，采集的数据包括车辆速度、车辆加速度、转向角度与加速度、刹车数据；计算车辆速度、车辆加速度、转向角度与加速度、刹车数据的20个相关系数作为特征向量x5；计算相关系数算法采用：其中，其中xi为一种类型驾驶状态数据，yi为另一种类型数据， 分别为两种状态数据的平均值，σx、σy分别为两种驾驶状态数据的标准差；

(4)对以上的特征向量x1～x5进行特征矩阵标准化处理；x3向量中有CAN的n1数据包，one-hot encoding编码长度为len1，x4向量中有MOST的n2数据包，one-hot encoding编码长度为len2，则取特征矩阵的列数：在标准化x3、x4向量时，按照二维矩阵空间位置进行处理；有剩余无法放置某一个类型数据的地方补0，在设置完上述信息后，对x1、x2、x5进行处理，分别放置在标准矩阵后面行的位置，构成整个特征矩阵数据。

4.如权利要求2所述的基于胶囊神经网络的车内网入侵检测方法，其特征在于，一级胶囊层传递给次级胶囊层的运算中，运用的计算环节函数有：其中， 表示胶囊之间的仿射运算、sj表示输入向量的标量加权运算，以及vj表示squash压缩函数；cij通过囊间路由算法迭代得到，计算方法采用softmax函数，即：其中,bij在迭代过程中初始化为0，然后通过囊间路由算法计算；最后通过次级胶囊计算||vj||得到属于是否入侵判断的概率。

5.如权利要求2所述的基于胶囊神经网络的车内网入侵检测方法，其特征在于，第一步在训练阶段，采用如下方法对损失进行计算：Lc＝Tc max(0,m+-||vc||)2+λ(1-Tc)max(0,||vc||-m-)；

通过如上的胶囊神经网络对70％样本数据进行训练，并通过剩余的30％样本数据进行测试。

6.一种实施权利要求1所述的基于胶囊神经网络的车内网入侵检测方法的基于胶囊神经网络的车内网入侵检测系统。

7.一种实施权利要求1所述的基于胶囊神经网络的车内网入侵检测方法的车内网入侵检测终端。