1.一种车载网络通信异常的检测方法，其特征在于，所述检测方法包括以下步骤：S1，对电动汽车车载网络通信系统的结构模型进行分析，得出CAN报文数据的有效字节为8个；

S2，利用CAN分析仪采集电动汽车车载网络通信系统的CAN报文数据；

S3，将CAN报文数据的每个有效字节都视为一个特征，即有8个特征，对CAN报文数据构成的数据矩阵进行降维，对CAN报文数据进行主成分分析，提取CAN报文数据的主成分；

S4，将提取的CAN报文数据的主成分作为训练样本集，采用支持向量机分类方法对训练样本集进行分类训练，判断CAN报文数据是否异常。

2.根据权利要求1所述的一种车载网络通信异常的检测方法，其特征在于，在所述步骤S3中,具体包括以下步骤:S3.1，把CAN报文数据看成是n×8的矩阵，n为样本数量，每个样本有8个特征变量，具体描述为：上式中，Bi表示n个样本的第i个特征变量，Bi＝[b1i b2i…bni]T，i＝1,2,…,8；

S3.2，将样本数据矩阵进行标准化处理，计算公式为：上式中：

S3.3，求样本数据的相关系数矩阵R，计算公式为：S3.4，求R的特征根λi及特征向量Ai，计算公式为：由特征方程|λi-R|＝0得到R的8个特征根，满足λ1＞λ2＞…＞λ8＞0，所对应的单位特征向量Ai＝[a1i,a2i,…,a8i]T，i＝1,2,…,8；

S3.5，求主成分的方差贡献率Gi和累计方差贡献率G(m)，计算公式为：S3.6，确定主成分个数m

针对所研究的CAN报文数据，提取G(m)为90％左右时的m(m＜8)个主成分。

3.根据权利要求1所述的一种车载网络通信异常的检测方法，其特征在于，在所述步骤S4中,具体包括以下步骤:将以上提取的m个主成分作为训练样本集{(xi,yi),i＝1,2,…,m}，其中xi为输入变量，yi为输出变量；

假设该样本集由正常和异常两个类别组成，当xi为正常时yi＝1；当xi为异常时yi＝-1，采用支持向量机分类方法对训练样本集进行分类训练，判断CAN报文数据是否异常。

4.根据权利要求1所述的一种车载网络通信异常的检测方法，其特征在于，所述支持向量机分类方法是用一个由一定数量的支持向量决定的最大间隔超平面来分类数据，若存在分类超平面：T

ωx+b＝0，其中ω为权重向量，b为偏移值，则满足：上式中，ωTxi+b≥1和ωTxi+b≤-1表示两个平等的边界超平面，其距离d＝2/||ω||，若要d最大，则其倒数最小，即：由此可得以下目标规划问题：

上式中，目标函数为凸函数且约束条件对ω为线性，采用拉格朗日对偶理论转化为对偶问题：上式中，αi为转化之后的超参数矩阵；

上式在线性不可分的情况下引入核函数，核函数是将数据从n维空间通过内积运算映射到一个高维空间中，将n维空间中不可分的数据在更高维空间中变得可分，采用的核函数为径向基函数：上式中，σ值决定着分类面。