1.一种CAN车载网络入侵检测方法，其特征在于，包括：将经过预处理的待测数据输入至训练好的PCNA模型进行检测，获取CAN车载网络入侵检测结果；

其中，所述PCNA模型是基于预处理的数据集，结合Context_PC层和NA层构建，并结合联邦学习和差分隐私训练的；

对所述待测数据或数据集进行预处理包括：

对所述待测数据或数据集中的数据进行整合；

对所述待测数据或数据集中的数值特征进行转化；

将所述待测数据或数据集中的数据生成彩色图像；

其中，对所述数据集进行预处理还包括：

将所述数据集划分为训练集、验证集和测试集；

所述数据集包括Car‑Hacking数据集和OTIDS数据集；

对所述待测数据或数据集中的数值特征进行转化包括：利用分位数转换器对所述待测数据或数据集中的数值特征进行转化，将所述待测数据或数据集中的数值特征转化为在[0,1]范围内均匀分布的值，并乘以255，将范围变为[0,255]；

将所述待测数据或数据集中的数据生成彩色图像包括：将所述待测数据或数据集中的数据生成3×9×9的彩色图像，并进一步生成3×224×224的彩色图像；

所述PCNA模型包括：

输入层：用于获取输入图像；

卷积层：用于对所述输入图像进行特征提取，获取基本特征；

Context_PC层：用于基于所述基本特征，获取复杂特征；

NA层：用于捕捉所述复杂特征的依赖关系；

全连接层：用于根据所述复杂特征的依赖关系对所述输入图像进行分类；

输出层：用于根据所述输入图像的分类输出代表CAN车载网络入侵检测结果的特征向量；

其中，所述Context_PC层包括：

第一部分卷积：用于对所述基本特征进行特征提取，获取深层特征；

第二部分卷积：用于对所述深层特征进行特征提取，获取精细化深层特征，并计算所述精细化深层特征在空间维度的全局平均值；

点卷积：用于根据所述全局平均值生成每个通道的上下文权重，并将每个通道的上下文权重经ReLU激活函数和Sigmoid激活函数转化为能够对所述精细化深层特征进行自适应调节的标准化权重；

跨越连接：用于将所述标准化权重与所述精细化深层特征进行加权融合，获取复杂特征；

结合联邦学习和差分隐私对预构建的PCNA模型进行训练，获取训练好的PCNA模型包括：各车载客户端利用预处理的数据集对接收到的由边缘服务器下发的初始化全局模型进行本地训练，基于本地训练的损失函数，获取最优本地模型并上传至边缘服务器；

各车载客户端利用预处理的数据集对接收到的由边缘服务器下发的最优全局模型进行本地训练，基于本地训练的损失函数，获取最优本地模型并上传至边缘服务器，重复迭代，直至达到预设迭代终止条件为止，获取训练好的PCNA模型；

其中，所述初始化全局模型是由边缘服务器对预构建的PCNA模型进行初始化获取的；

所述最优全局模型是由边缘服务器对各车载客户端上传的最优本地模型进行聚合，并利用预处理的数据集中的验证集进行验证，基于准确率和验证损失获取的；

各车载客户端在进行本地训练时添加随机噪声，并利用早期停止法终止本地训练。

2.根据权利要求1所述的CAN车载网络入侵检测方法，其特征在于，结合联邦学习和差分隐私对预构建的PCNA模型进行训练，获取训练好的PCNA模型还包括：利用八位动态量化法对训练好的PCNA模型进行参数压缩。

3.一种CAN车载网络入侵检测装置，其特征在于，包括：检测模块：用于将经过预处理的待测数据输入至训练好的PCNA模型进行检测，获取CAN车载网络入侵检测结果；

其中，所述PCNA模型是基于预处理的数据集，结合Context_PC层和NA层构建，并基于联邦学习和差分隐私训练的；

还包括：

预处理模块：用于对所述待测数据和数据集进行预处理；

对所述待测数据或数据集进行预处理包括：

对所述待测数据或数据集中的数据进行整合；

对所述待测数据或数据集中的数值特征进行转化；

将所述待测数据或数据集中的数据生成彩色图像；

其中，对所述数据集进行预处理还包括：

将所述数据集划分为训练集、验证集和测试集；

所述数据集包括Car‑Hacking数据集和OTIDS数据集；

对所述待测数据或数据集中的数值特征进行转化包括：利用分位数转换器对所述待测数据或数据集中的数值特征进行转化，将所述待测数据或数据集中的数值特征转化为在[0,1]范围内均匀分布的值，并乘以255，将范围变为[0,255]；

将所述待测数据或数据集中的数据生成彩色图像包括：将所述待测数据或数据集中的数据生成3×9×9的彩色图像，并进一步生成3×224×224的彩色图像；

所述PCNA模型包括：

输入层：用于获取输入图像；

卷积层：用于对所述输入图像进行特征提取，获取基本特征；

Context_PC层：用于基于所述基本特征，获取复杂特征；

NA层：用于捕捉所述复杂特征的依赖关系；

全连接层：用于根据所述复杂特征的依赖关系对所述输入图像进行分类；

输出层：用于根据所述输入图像的分类输出代表CAN车载网络入侵检测结果的特征向量；

其中，所述Context_PC层包括：

第一部分卷积：用于对所述基本特征进行特征提取，获取深层特征；

第二部分卷积：用于对所述深层特征进行特征提取，获取精细化深层特征，并计算所述精细化深层特征在空间维度的全局平均值；

点卷积：用于根据所述全局平均值生成每个通道的上下文权重，并将每个通道的上下文权重经ReLU激活函数和Sigmoid激活函数转化为能够对所述精细化深层特征进行自适应调节的标准化权重；

跨越连接：用于将所述标准化权重与所述精细化深层特征进行加权融合，获取复杂特征；

结合联邦学习和差分隐私对预构建的PCNA模型进行训练，获取训练好的PCNA模型包括：各车载客户端利用预处理的数据集对接收到的由边缘服务器下发的初始化全局模型进行本地训练，基于本地训练的损失函数，获取最优本地模型并上传至边缘服务器；

各车载客户端利用预处理的数据集对接收到的由边缘服务器下发的最优全局模型进行本地训练，基于本地训练的损失函数，获取最优本地模型并上传至边缘服务器，重复迭代，直至达到预设迭代终止条件为止，获取训练好的PCNA模型；

其中，所述初始化全局模型是由边缘服务器对预构建的PCNA模型进行初始化获取的；

所述最优全局模型是由边缘服务器对各车载客户端上传的最优本地模型进行聚合，并利用预处理的数据集中的验证集进行验证，基于准确率和验证损失获取的；

各车载客户端在进行本地训练时添加随机噪声，并利用早期停止法终止本地训练。

4.一种计算机系统，其特征在于，包括：

存储介质：用于存储计算机程序；

处理器：用于执行所述计算机程序以实现权利要求1 2任一项所述方法的步骤。

~

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1 2任一项所述方法的步骤。

~