1.一种智能化汽车车载网络检测诊断方法，其特征在于，所述方法包括以下步骤：

调取历史正常行为数据，对历史正常行为数据进行统计模型构建，建立正常统计数据基线；

进行ECU行为模型构建，分析ECU和节点的交互模式数据，建立正常交互模型；

从车载网络中采集多维度实时数据，所述多维度实时数据包括CAN总线消息、ECU状态信息和传感器数据；

计算多维度实时数据与正常统计数据基线的偏离程度，计算多维度实时数据与正常交互模型的偏离程度，结合统计异常和交互异常的检测结果，得到车载网络诊断结果；

根据滑动窗口方法进行动态更新，适应网络变化；

其中，所述进行ECU行为模型构建，分析ECU和节点的交互模式数据，建立正常交互模型的步骤，具体包括：统计ECU在不同状态之间的转换概率：T={ }，其中，T是状态转换概率矩阵，{ }=P（ ）表示从状态 转换到状态 的概率；统计ECU发送和接收每种消息类型的频率：Fsend={fsend(m1)，fsend(m2)，…，fsend(mk)}，mi表示第i种消息类型，共k种消息类型；统计ECU对于每种消息类型的平均响应时间 (mi)， (mi)表示ECU对消息类型mi的平均响应时间，计算每种消息类型的响应时间标准差 (mi)；统计节点之间的交互频率：I={ }，其中 表示节点u和节点v之间的交互频率；确定正常交互模式： = ，其中表示节点u与节点v之间的交互概率，V是节点集合，构建交互模式矩阵PT={ }；建立正常交互模型N={T，Fsend， ， ，PT}，包括状态转换概率、消息频率、平均响应时间、响应时间标准差和交互模式矩阵；

其中，所述计算多维度实时数据与正常交互模型的偏离程度的步骤，具体包括：提取多维度实时数据中的ECU实时状态转换序列、ECU实时发送和接收的消息类型及频率、ECU实时响应时间以及节点之间的实时交互频率；根据正常交互模型N中的状态转换概率矩阵T，计算实时状态转换序列的偏离程度Dtrans，Dtrans= log ，其中 是状态序列长度；计算消息频率偏离程度Dmsg、响应时间偏离程度Dres和交互频率偏离程度Dint，Dmsg通过实时消息频率与正常消息频率计算得到，Dres通过实时响应时间与正常响应时间计算得到，Dint通过实时交互频率与正常交互频率计算得到，计算综合交互异常得分Sinter=k3×Dtrans+k4×Dmsg+k5×Dres+k6×Dint，k3至k6为权重系数，当Sinter高于交互阈值，确定存在交互异常。

2.根据权利要求1所述的智能化汽车车载网络检测诊断方法，其特征在于，所述对历史正常行为数据进行统计模型构建，建立正常统计数据基线的步骤，具体包括：计算历史正常行为数据中每类特征数据f的均值 和方差 ；

对每类特征数据拟合概率分布：P(f)= ；

汇总所有类别特征数据所拟合的概率分布，建立正常行为基线模型。

3.根据权利要求2所述的智能化汽车车载网络检测诊断方法，其特征在于，所述计算多维度实时数据与正常统计数据基线的偏离程度的步骤，具体包括：提取多维度实时数据中与历史正常行为数据相对应的特征数据，每个所述特征数据对应有实时特征值；

计算每类实时的特征数据 在概率分布P( )下的概率密度值，确定偏离程度Dstat( )=logP( )；

对所有特征数据的偏离程度进行加权求和，得到综合统计异常得分Sstat，Sstat=Dstat( )，其中 是特征 的权重，共n类特征数据，当Sstat>Θstat，Θstat为统计阈值，确定存在统计异常。

4.根据权利要求3所述的智能化汽车车载网络检测诊断方法，其特征在于，所述根据滑动窗口方法进行动态更新的步骤，具体包括：基于滑动窗口的大小，每间隔滑动时间步长为Δt，重新计算实时特征数据的均值和方差，更新概率分布P( )、更新状态转换概率矩阵T、消息频率Fsend、响应时间统计值和交互模式矩阵PT。

5.一种智能化汽车车载网络检测诊断终端，其特征在于，所述终端包括：

统计模型构建模块，用于调取历史正常行为数据，对历史正常行为数据进行统计模型构建，建立正常统计数据基线；

交互模型构建模块，用于进行ECU行为模型构建，分析ECU和节点的交互模式数据，建立正常交互模型；

实时数据采集模块，用于从车载网络中采集多维度实时数据，所述多维度实时数据包括CAN总线消息、ECU状态信息和传感器数据；

偏离程度检测模块，用于计算多维度实时数据与正常统计数据基线的偏离程度，计算多维度实时数据与正常交互模型的偏离程度，结合统计异常和交互异常的检测结果，得到车载网络诊断结果；

数据动态更新模块，用于根据滑动窗口方法进行动态更新，适应网络变化；

其中，所述交互模型构建模块包括：状态转换概率单元，用于统计ECU在不同状态之间的转换概率：T={ }，其中，T是状态转换概率矩阵，{ }=P（ ）表示从状态 转换到状态 的概率；消息类型频率单元，用于统计ECU发送和接收每种消息类型的频率：Fsend={fsend(m1)，fsend(m2)，…，fsend(mk)}，mi表示第i种消息类型，共k种消息类型；消息响应时间单元，用于统计ECU对于每种消息类型的平均响应时间 (mi)， (mi)表示ECU对消息类型mi的平均响应时间，计算每种消息类型的响应时间标准差 (mi)；节点交互频率单元，用于统计节点之间的交互频率：I={ }，其中 表示节点u和节点v之间的交互频率；交互概率计算单元，用于确定正常交互模式： = ，其中 表示节点u与节点v之间的交互概率，V是节点集合，构建交互模式矩阵PT={ }；正常交互模型单元，用于建立正常交互模型N={T，Fsend， ， ，PT}，包括状态转换概率、消息频率、平均响应时间、响应时间标准差和交互模式矩阵；

其中，所述偏离程度检测模块包括：ECU特征提取单元，用于提取多维度实时数据中的ECU实时状态转换序列、ECU实时发送和接收的消息类型及频率、ECU实时响应时间以及节点之间的实时交互频率；状态转换偏离单元，用于根据正常交互模型N中的状态转换概率矩阵T，计算实时状态转换序列的偏离程度Dtrans，Dtrans= log ，其中 是状态序列长度；交互异常确定单元，用于计算消息频率偏离程度Dmsg、响应时间偏离程度Dres和交互频率偏离程度Dint，Dmsg通过实时消息频率与正常消息频率计算得到，Dres通过实时响应时间与正常响应时间计算得到，Dint通过实时交互频率与正常交互频率计算得到，计算综合交互异常得分Sinter=k3×Dtrans+k4×Dmsg+k5×Dres+k6×Dint，k3至k6为权重系数，当Sinter高于交互阈值，确定存在交互异常。

6.根据权利要求5所述的智能化汽车车载网络检测诊断终端，其特征在于，所述统计模型构建模块包括：

特征数据计算单元，用于计算历史正常行为数据中每类特征数据f的均值 和方差 ；

概率分 布拟合 单元，用于对 每类特 征数 据拟合 概率分 布：P (f) =

；

行为基线模型单元，用于汇总所有类别特征数据所拟合的概率分布，建立正常行为基线模型。

7.根据权利要求6所述的智能化汽车车载网络检测诊断终端，其特征在于，所述偏离程度检测模块还包括：特征数据提取单元，用于提取多维度实时数据中与历史正常行为数据相对应的特征数据，每个所述特征数据对应有实时特征值；

概率分布偏离单元，用于计算每类实时的特征数据 在概率分布P( )下的概率密度值，确定偏离程度Dstat( )= logP( )；

统计异常确定单元，用于对所有特征数据的偏离程度进行加权求和，得到综合统计异常得分Sstat，Sstat= Dstat( )，其中 是特征 的权重，共n类特征数据，当Sstat>Θstat，Θstat为统计阈值，确定存在统计异常。