1.一种基于深度学习的轻量级车载网络入侵检测方法，其特征在于：首先提出了一种数据转换方式，将车内和车外网络数据以基于时间的块为单位进行采集，接着通过维度变换将一维的攻击数据转换到二维空间，并将其可视化；然后，采用主流的卷积神经网络变体MobileNetV3，结合现在有效的迁移学习方式，通过迁移大模型预训练权重对卷积神经网络进行微调训练；最后，模拟真实环境下低算力平台，验证本方法的有效性；包括以下步骤：步骤1、对车载网络流量进行数据清洗；

步骤2、对车载网络流量基于时间进行维度转换；

步骤3、划分训练和测试数据集；

步骤4、使用迁移学习和MobileNetV3模型对数据集进行训练和测试；

步骤5、保存效果最好模型部署树莓派在IVN中用于检测异常CAN信息并产生警报；

具体步骤为：

步骤1、对数据集进行数据清洗：对于数据位置异常的原始样本归位并将遗漏数据全部置为0，删除数据格式异常的原始样本；

步骤2、根据网络流量数据集的时间戳和特征大小将数据样本转换为数据块；Car‑Hacking和OTIDS数据集有9个重要特征(CAN ID和DATA[0]‑DATA[7])，将27个连续样本的9个特征：27×9 = 243个特征值，转换为形状为9×9×3的三通道图像，采用双线性插值法将

9×9×3的图像扩大到224×224×3；采用的线性插值具体如下：首先从x轴方向对先用关于x的单线性插值去分别计算f (x,y1)与f (x,y2)的像素值:再使用关于y方向的单线性插值计算得到(x,y)数据点的像素值f (x,y)：经过以上的数据预处理过程，生成最终的变换后的图像集；

步骤3、按照2:8的比例划分测试数据集和训练数据集；分别输入树莓派和服务器；

步骤4、对MobileNetV3模型进行适当的改进，删除在原始模型中部分 Bottleneck 层，保留了原模型的13层，以适用车载网络入侵检测；在模型训练前，加载ImageNet权重，再进行训练及测试；

步骤5、训练效果最好模型部署在树莓派中，用于检测异常CAN信息并产生警报。

2.如权利要求1所述的一种基于深度学习的轻量级车载网络入侵检测方法，其特征在于：所述步骤5最后检测异常CAN信息并产生警报。