Con una conexión profunda a internet, el bus de red de área de control (CAN) de vehículos conectados inteligentes (ICVs) ha sufrido muchos ataques de red. Se necesita urgentemente un método de conciencia de situación profunda para juzgar si ocurrirán ataques de red en el futuro. Sin embargo, los métodos tradicionales superficiales no pueden extraer características profundas de los datos CAN con ruido para detectar ataques de manera precisa. Para resolver estos problemas, desarrollamos un algoritmo de conciencia de situación basado en SDAE+Bi-LSTM para el bus CAN de ICVs, simplemente llamado SDBL. En primer lugar, se utilizó el modelo de auto-codificador apilado para reducir los datos CAN con ruido y extraer las características espaciales profundas en un cierto momento, para reducir el impacto del ruido. En segundo lugar, se construyó un modelo de memoria a corto y largo plazo bidireccional para capturar las características periódicas desde dos direcciones y mejorar la precisión de la predicción de la situación futura. Finalmente, se construyó un modelo de evaluación de amenazas para evaluar el nivel de riesgo del bus CAN. Experimentos extensos también verificaron el rendimiento mejorado de nuestro algoritmo SDBL.