CN104732237B - 一种车联网中虚假交通信息的识别方法 - Google Patents
一种车联网中虚假交通信息的识别方法 Download PDFInfo
- Publication number
- CN104732237B CN104732237B CN201510129183.1A CN201510129183A CN104732237B CN 104732237 B CN104732237 B CN 104732237B CN 201510129183 A CN201510129183 A CN 201510129183A CN 104732237 B CN104732237 B CN 104732237B
- Authority
- CN
- China
- Prior art keywords
- warning information
- information
- character subset
- feature
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Traffic Control Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明公开一种车联网中虚假交通信息的识别方法,对警报信息中的特征进行扩充,设计分割规则将信息的综合特征划分为多个特征子集,根据特征子集的不同特性,使用不同的弱分类器分别处理各个特征子集,并将子集检测结果集成,利用警报信息的可信度作为判断警报信息真实性的依据。本发明能够快速又精准地检测出虚假信息,具有广阔的应用前景。
Description
技术领域
本发明涉及车联网技术,具体涉及一种车联网中虚假交通信息的识别方法。
背景技术
车联网作为物联网技术在智能交通的重要应用,可为车辆提供交互通信功能,通过信息的共享和及时发布,在事故预警、保障交通安全以及为用户提供舒适的驾驶环境等方面起到巨大的作用。
在交通安全应用中,车联网中的车辆节点向邻居车辆广播警报信息,如车辆位置、加速度和速度等,提前告知道路状况,相关信息的提前预告可以辅助驾驶提高驾驶安全。然而,车联网处于开放环境,无法排除恶作剧用户、软硬件损坏或者恶意入侵情况的存在,已知的针对警报信息的攻击包括伪造、篡改、抑制、重放、数据包拘留等攻击方式,导致交通警报信息被修改、延迟、丢弃,降低车辆辅助驾驶的效用,甚至会导致严重的交通事故。为此,检测虚假信息确保交通信息的真实性,成为车联网安全驾驶的重要方面。
现有关于车联网虚假警报信息识别方案主要分为两类,一类是对节点行为是否异常进行判断,主要方法有基于信任机制和基于投票机制两类;另一类是基于警报信息自身的特征识别虚假信息,主要集中在设计计算能力低且识别效果好的分类器,以及通过各种渠道获取丰富的警报信息特征上。
Ding等人提出了一个基于事件的信誉模型过滤虚假警报消息,该方案将遇到相同事件的所有车辆分为不同角色,利用依赖角色的动态信誉评估机制来决定交通信息是否可信,但是容易受到恶意节点的信任值影响。Li等人提出了一种基于不同交通场景的混合式入侵行为检测机制,当车辆不在同一道路上行驶时,使用基于局部投票的VOTE方法进行入侵检测,但是该方案是基于投票机制的,往往会受到车联网中恶意节点比例的影响。Zhang等人提出了一种车联网中基于增量学习的BP神经网络的虚假消息过滤器,但是该方案中的粗糙过滤往往不能达到满意的检测率需要进行精细过滤,这会增加检测的时间开销。
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提供一种车联网中虚假交通信息的识别方法。
技术方案:本发明所述的一种车联网中虚假交通信息的识别方法,对警报信息中包含的特征进行扩充,设计分割规则,然后将警报信息的综合特征划分为三类特征子集,根据特征子集的特性选择不同的弱分类器分别处理,并利用警报信息的可信度作为判断警报真实性依据,具体包括以下步骤:
(1)信息收集:通过传感器探测警报信息,接收RSU广播警报信息以及接收邻居节点转发的警报信息,并将RSU广播的警报信息作为训练数据,将邻居节点转发的警报信息作为检测数据;
(2)预处理,具体过程为:将步骤(1)中所获取的警报信息通过特征提取法提取所有特征,并将所有特征以统一格式存储,特征提取公式为:
Feai(k)=F(Ii(k)) (1)
其中,Feai(k)表示事件i的第k个警报信息中的有效特征,Ii(k)表示事件i的第k个警报信息;
(3)分割特征,根据步骤(2)所得特征之间的关联性将警报信息的综合特征划分为三类特征子集,并对三类特征子集的特性进行分析;
(4)虚假信息检测,包括以下过程:弱分类器训练、弱分类器检测和警报信息判定;最后再进行后期处理:检测结果执行相应的行为,若警报信息为真实警报,立即警告驾乘人员并转发该警报信息,否则丢弃该警报信息;同时,修改相关车辆的信誉值,如果车辆发送的是真实信息,则增加其信誉值,否则减少其信誉值,并将修改后的信誉值发送给当地ESU。
进一步的,所述步骤(3)中三类特征子集具体为:
与事件紧急程度相关的特征子集1={t0,l0,σ},由于观察者的反应时间差异以及车辆与事件距离的不同,使得t0,l0在可接受的范围内有一定的误差,而BP神经网络具有高度学习和自适应能力,且具有良好的泛化和一定容错能力,适合特征子集1的特性,所以选用BP神经网络对特征子集1分类;
与事件可信度相关的特征子集2={rep,TLL},其特征rep和TLL与事件的可信度有关,该子集可作为可信度对警报信息进行再次判断;
与道路状况相关的特征子集3={t,l,v,a,d},该特征子集中的特征维数较多,而支持向量机(SVM)对非线性和高维数据具有很好的识别能力,并且具有良好的泛化能力,适合特征子集3对高维度分类的需求,所以选用支持向量机(SVM)对特征子集3分类。
其中,t0,l0分别为警报事件发生的时间和位置,σ为警报事件的优先级,rep为发送警报信息的车辆的信誉值,TTL为警报信息转发的次数,t,l分别为警报信息发送时的时间和位置,v,a分别为发送车辆的速度和加速度,d为发送车辆的行驶方向。
进一步的,所述步骤(4)中弱分类器训练的具体过程为:
将训练集的特征子集1输入到BP神经网络中,通过均方差和梯度下降法来实现对网络连接权值的修正,将训练集的特征子集3输入到SVM中,通过引入拉格朗日乘子求解最优分类超平面以最大间隔将真实信息与虚假信息分开;
w(k+1)=w(k)+α(k)(1-η)D(k)+ηD(k) (2);
上述公式(2)为神经网络动量BP算法的权值修正,公式(3)为最优分类超平面的目标函数,w(k)为第k步时的权值,D(k)为第k步时的负梯度,η为动量因子,α(k)为第k步时的学习率,ξi为松弛变量,C为惩罚因子,为目标函数;通过公式(2)和(3)可得到特征子集1和特征子集3的权值w1和w3,并将两个权值集成得到警报事件的模式。
进一步的,所述步骤(4)中弱分类器检测的具体过程为:将待检测的警报信息的特征子集1输入BP神经网络得到待检测警报的特征子集1的权值w′1;将待检测的警报信息的特征子集3输入SVM得到待检测警报的特征子集3的权值w'3,将各个弱分类器检测得到的权值集成并与警报事件的模式进行模式匹配,判断待检测的警报信息的真实性。
进一步的,所述步骤(4)警报信息判定的具体过程为:根据特征子集2中包含的特征rep和TLL计算出警报信息的可信度,并作为判断警报信息真实性的依据,将检测的结果根据警报信息的可信度作最终判定;
其中,警报信息的可信度计算公式为:
其中μ为可信参数,δj为车辆j的信誉值,ni为警报信息转发的跳数。
有益效果:本发明对警报信息中的特征进行扩充,设计分割规则将信息的综合特征划分为多个特征子集,根据特征子集的不同特性,使用不同的弱分类器分别处理各个特征子集,并将子集检测结果集成,利用警报信息的可信度作为判断警报信息的真实性的依据。具体包括以下优点:
(1)本发明能够快速识别大量交通警报信息中的虚假警报;
(2)本发明中的弱分类器集成技术降低了运算时间,且由于综合特征的应用,识别率优于仅使用部分特征的检测结果,又能够保证虚假警报检测的时效性;
(3)本发明将丰富的节点特征包含于消息报文中,为提高检测率提供足够的信息特征;
(4)本发明中的新型报文能够减少基于节点识别的通信次数,进而降低检测的整体通信代价;
综上所述,本发明能够快速又精准地检测出虚假信息,具有广阔的应用前景。
附图说明
图1为实施例中警报事件E发生模拟图;
图2为实施例中的流程框架图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
本发明所述的一种车联网中虚假交通信息的识别方法,对警报信息中包含的特征进行扩充,设计分割规则,然后将警报信息的综合特征划分为三类特征子集,根据特征子集的特性选择不同的弱分类器分别处理,并利用警报信息的可信度作为判断警报真实性依据,具体包括以下步骤:
(1)信息收集:通过传感器探测警报信息,接收RSU广播警报信息以及接收邻居节点转发的警报信息等多种方式收集信息,并将RSU广播的警报信息作为训练数据,将邻居节点转发的警报信息作为检测数据;
(2)预处理,具体过程为:将步骤(1)中所获取的警报信息通过特征提取法提取所有特征,并将所有特征以统一格式存储,特征提取公式为:
Feai(k)=F(Ii(k)) (1)
其中,Feai(k)表示事件i的第k个警报信息中的有效特征,Ii(k)表示事件i的第k个警报信息;
上述,交通信息报文中的特征如表1所示,
表1
(3)分割特征,根据步骤(2)所得特征之间的关联性将警报信息的综合特征划分为三类特征子集,并对三类特征子集的特性进行分析;三类特征子集具体为:
与事件紧急程度相关的特征子集1={t0,l0,σ},由于观察者的反应时间差异以及车辆与事件距离的不同,使得t0,l0在可接受的范围内有一定的误差,而BP神经网络具有高度学习和自适应能力,且具有良好的泛化和一定容错能力,适合特征子集1的特性,所以选用BP神经网络对特征子集1分类;
与事件可信度相关的特征子集2={rep,TLL},其特征rep和TLL与事件的可信度有关,该子集可作为可信度对警报信息进行再次判断;
与道路状况相关的特征子集3={t,l,v,a,d},该特征子集中的特征维数较多,而支持向量机(SVM)对非线性和高维数据具有很好的识别能力,并且具有良好的泛化能力,适合特征子集3对高维度分类的需求,所以选用支持向量机(SVM)对特征子集3分类;
(4)虚假信息检测,包括以下过程:弱分类器训练、弱分类器检测和警报信息判定;弱分类器训练的具体过程为:
将训练集的特征子集1输入到BP神经网络中,通过均方差和梯度下降法来实现对网络连接权值的修正,将训练集的特征子集3输入到SVM中,通过引入拉格朗日乘子求解最优分类超平面以最大间隔将真实信息与虚假信息分开;
w(k+1)=w(k)+α(k)(1-η)D(k)+ηD(k) (2);
上述公式(2)为神经网络动量BP算法的权值修正,公式(3)为最优分类超平面的目标函数,w(k)为第k步时的权值,D(k)为第k步时的负梯度,η为动量因子,α(k)为第k步时的学习率,ξi为松弛变量,C为惩罚因子,为目标函数;通过公式(2)和(3)可得到特征子集1和特征子集3的权值w1和w3,并将两个权值集成得到警报事件的模式;
上述弱分类器检测的具体过程为:将待检测的警报信息的特征子集1输入BP神经网络得到待检测警报的特征子集1的权值w′1;将待检测的警报信息的特征子集3输入SVM得到待检测警报的特征子集3的权值w'3,将各个弱分类器检测得到的权值集成并与警报事件的模式进行模式匹配,判断待检测的警报信息的真实性。
上述警报信息判定的具体过程为:根据特征子集2中包含的特征rep和TLL计算出警报信息的可信度,并作为判断警报信息真实性的依据,将检测的结果根据警报信息的可信度作最终判定;
其中,警报信息的可信度计算公式为:
其中μ为可信参数,δj为车辆j的信誉值,ni为警报信息转发的跳数;
最后再进行后期处理。
实施例:
假设高密度的城市道路上,车辆A与车辆B发生碰撞(假设为事件E,且令碰撞事件的优先级为1,发生时间为2015年3月15日10时20分,地点为119.27’,32.12’),附近车辆C1,C2,…,Cn观察到碰撞事件E并将该事件信息及自身信息发送给后续车辆,后续车辆(假设为D1,D2,…,Dn)能接受到警报信息,在此分析车辆D1对接收的警报信息的识别。图1为警报事件E发生模拟图。
1、随着往事件E方向行驶,车辆D1接收到(C1,C2,…,Cn)发送的关于事件E的信息,同时,也能接受到当地RSU发送的关于事件E的信息以及通过传感器感知到的信息。然后根据公式(5)判断接受的警报信息是否在有效的事件延迟内,若不满足则将该警报信息直接丢弃。
tj-T<△t (5)
其中,tj为车辆j发送警报信息的时间,T为车辆D1接受警报信息的时间,△t为事先设定的事件延迟。
2、当警报信息满足公式(5),车辆D1根据公式(1)提取出警报信息中的所有特征,并将这些特征存储在事件表中,存储格式为:
(t0Ek,l0Ek,σEk,repjEk,TLLEk,tjEk,ljEk,vjEk,ajEk,djEk)。
3、车辆D1根据分割规则,将关于事件E的所有警报信息的有效特征分割为三类特征子集,分割结果如表2所示。
表2
特征子集 | 特征子集1 | 特征子集2 | 特征子集3 |
特征名称 | 与事件紧急程度相关 | 与事件可信度相关 | 与道路状况相关 |
子集内容 | t0Ek,l0Ek,σEk | repjEk,TLLEk | tjEk,ljEk,vjEk,ajEk,djEk |
4、车辆D1将通过传感器感知和接收RSU广播的警报信息作为训练集。对训练集的特征子集1利用BP神经网络进行训练,根据公式(2)可以得到警报事件的特征子集1的权值wE1;对训练集的特征子集3利用支持向量机(SVM)对事件E的警报信息进行训练,根据公式(3)得到警报事件的特征子集3的权值wE3。将警报事件的权值集成得到事件的模式为(wE1,wE3)。
5、车辆D1将从其他车辆接受的信息(假设C1为正常车辆,C2为恶意车辆发送警报信息为前方道路正常)的特征子集1和特征子集3分别输入到BP神经网络和SVM中同时进行处理,根据公式(2)和(3),得出从C1接受的警报信息的权值为从C2接受的警报信息的权值为根据公式(6)和(7)将得到的权值集成与事件的模式进行匹配,得出从C1接受的警报信息为真实信息,从C3接受的警报信息为虚假信息。
6、车辆D1将从C1和C2接受的警报信息的特征子集2通过公式(4)计算出两警报事件的可信度分别为Tru1和Tru2,由于C2为恶意车辆,其信誉值比C1低,故Tru1>Tru2则可决定从车辆C2接受的警报信息为虚假信息。
7、D1立即警报驾乘人员前方发生碰撞事件,并将该信息转发给其他车辆,并增加车辆C1的信誉值发送给RSU;同时,降低车辆C2的信誉值发送给RSU。
Claims (5)
1.一种车联网中虚假交通信息的识别方法,其特征在于:对警报信息中包含的特征进行扩充,设计分割规则,然后将警报信息的综合特征划分为三类特征子集,根据特征子集的特性选择不同的弱分类器分别处理,并利用警报信息的可信度作为判断警报真实性的依据,具体包括以下步骤:
(1)信息收集:通过传感器探测警报信息,接收RSU广播警报信息以及接收邻居节点转发的警报信息,并将RSU广播的警报信息作为训练数据,将邻居节点转发的警报信息作为检测数据;
(2)预处理,具体过程为:将步骤(1)中所获取的警报信息通过特征提取法提取所有特征,并将所有特征以统一格式存储,特征提取公式为:
Feai(k)=F(Ii(k)) (I)
其中,Feai(k)表示事件i的第k个警报信息中的有效特征,Ii(k)表示事件i的第k个警报信息;
(3)分割特征,根据步骤(2)所得特征之间的关联性将警报信息的综合特征划分为三类特征子集,并对三类特征子集的特性进行分析;
(4)虚假信息检测,包括以下过程:弱分类器训练、弱分类器检测和警报信息判定;
最后再进行后期处理:根据检测结果执行相应的行为,若警报信息为真实警报,立即警告驾乘人员并转发该警报信息,否则丢弃该警报信息;同时,修改相关车辆的信誉值,如果车辆发送的是真实信息,则增加其信誉值,否则减少其信誉值,并将修改后的信誉值发送给当地RSU。
2.根据权利要求1所述的车联网中虚假交通信息的识别方法,其特征在于:所述步骤(3)中三类特征子集具体为:
与事件紧急程度相关的特征子集1={t0,l0,σ},选用BP神经网络对特征子集1分类,其中,t0,l0分别为警报事件发生的时间和位置,σ为警报事件的优先级;
与事件可信度相关的特征子集2={rep,TLL},其特征rep和TLL与事件的可信度有关,该子集可作为可信度对警报信息进行再次判断,其中,rep为发送警报信息的车辆的信誉值,TTL为警报信息转发的次数;
与道路状况相关的特征子集3={t,l,v,a,d},选用支持向量机对特征子集3分类,其中,t,l分别为警报信息发送时的时间和位置,v,a分别为发送车辆的速度和加速度,d为发送车辆的行驶方向。
3.根据权利要求1所述的车联网中虚假交通信息的识别方法,其特征在于:所述步骤(4)中弱分类器训练的具体过程为:
将训练集的特征子集1输入到BP神经网络中,通过均方差和梯度下降法来实现对网络连接权值的修正,将训练集的特征子集3输入到SVM中,通过引入拉格朗日乘子求解最优分类超平面以最大间隔将真实信息与虚假信息分开;
w(k+1)=w(k)+α(k)(1-η)D(k)+ηD(k) (II);
上述公式(II)为神经网络动量BP算法的权值修正,公式(III)为最优分类超平面的目标函数,w(k)为第k步时的权值,D(k)为第k步时的负梯度,η为动量因子,α(k)为第k步时的学习率,ξi为松弛变量,C为惩罚因子,为目标函数;通过公式(II)和(III)可得到特征子集1和特征子集3的权值w1和w3,并将两个权值集成得到警报事件的模式。
4.根据权利要求1所述的车联网中虚假交通信息的识别方法,其特征在于:所述步骤(4)中弱分类器检测的具体过程为:将待检测的警报信息的特征子集1输入BP神经网络得到待检测警报的特征子集1的权值w1';将待检测的警报信息的特征子集3输入SVM得到待检测警报的特征子集3的权值w'3,将各个弱分类器检测得到的权值集成并与警报事件的模式进行模式匹配,判断待检测的警报信息的真实性。
5.根据权利要求1所述的车联网中虚假交通信息的识别方法,其特征在于:所述步骤(4)警报信息判定的具体过程为:根据特征子集2中包含的特征rep和TLL计算出警报信息的可信度,并作为判断警报信息真实性的依据,将检测的结果根据警报信息的可信度作最终判定;
其中,警报信息的可信度计算公式为:
<mrow>
<msub>
<mi>Tru</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>&mu;</mi>
<mfrac>
<msub>
<mi>&delta;</mi>
<mi>j</mi>
</msub>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mi>V</mi>
<mo>)</mo>
</mrow>
</mrow>
其中μ为可信参数,δj为车辆j的信誉值,ni为警报信息转发的跳数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510129183.1A CN104732237B (zh) | 2015-03-23 | 2015-03-23 | 一种车联网中虚假交通信息的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510129183.1A CN104732237B (zh) | 2015-03-23 | 2015-03-23 | 一种车联网中虚假交通信息的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104732237A CN104732237A (zh) | 2015-06-24 |
CN104732237B true CN104732237B (zh) | 2017-10-27 |
Family
ID=53456111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510129183.1A Active CN104732237B (zh) | 2015-03-23 | 2015-03-23 | 一种车联网中虚假交通信息的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104732237B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105430005B (zh) * | 2015-12-15 | 2018-07-17 | 曹文静 | 一种车辆安全信息网络中的虚假信息检测方法 |
US9950700B2 (en) * | 2016-03-30 | 2018-04-24 | GM Global Technology Operations LLC | Road surface condition detection with multi-scale fusion |
CN108271190A (zh) * | 2016-12-30 | 2018-07-10 | 大唐高鸿信息通信研究院(义乌)有限公司 | 车载短距离通信网的车载节点信誉管理方法 |
CN108257404B (zh) * | 2018-01-15 | 2019-06-07 | 长安大学 | 一种面向车联网的城市交通道路虚假预警信息过滤方法 |
CN108040073A (zh) | 2018-01-23 | 2018-05-15 | 杭州电子科技大学 | 信息物理交通系统中基于深度学习的恶意攻击检测方法 |
CN109195162B (zh) * | 2018-10-12 | 2020-05-08 | 暨南大学 | 一种车联网中聚合两种信任评估的消息可靠性评估方法 |
CN110231820B (zh) * | 2019-05-31 | 2022-08-05 | 江苏亿科达科技发展有限公司 | 一种基于物联网的车辆行驶控制方法 |
CN110264714B (zh) * | 2019-06-19 | 2021-04-27 | 北京邮电大学 | 车辆管理和信息处理方法及电子设备 |
CN115484068A (zh) * | 2022-08-22 | 2022-12-16 | 东北大学 | 一种基于bp神经网络的车联网中虚假事故信息检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102157061A (zh) * | 2011-04-01 | 2011-08-17 | 上海市交通信息中心 | 一种基于关键字统计的交通事件识别方法 |
CN103208184A (zh) * | 2013-04-03 | 2013-07-17 | 昆明联诚科技有限公司 | 一种高速公路交通事件视频检测方法 |
CN103699698A (zh) * | 2014-01-16 | 2014-04-02 | 北京泰乐德信息技术有限公司 | 一种基于改进贝叶斯的轨道交通故障识别方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030093580A1 (en) * | 2001-11-09 | 2003-05-15 | Koninklijke Philips Electronics N.V. | Method and system for information alerts |
-
2015
- 2015-03-23 CN CN201510129183.1A patent/CN104732237B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102157061A (zh) * | 2011-04-01 | 2011-08-17 | 上海市交通信息中心 | 一种基于关键字统计的交通事件识别方法 |
CN103208184A (zh) * | 2013-04-03 | 2013-07-17 | 昆明联诚科技有限公司 | 一种高速公路交通事件视频检测方法 |
CN103699698A (zh) * | 2014-01-16 | 2014-04-02 | 北京泰乐德信息技术有限公司 | 一种基于改进贝叶斯的轨道交通故障识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于交通状态识别的交通信息采集技术分析;曹祎;《公路与汽运》;20130930(第158期);第87-90页 * |
基于车联网信息融合多Agent方法的交通事件检测;梁军等;《长安大学学报(自然科学版)》;20140731;第34卷(第4期);第159-166页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104732237A (zh) | 2015-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104732237B (zh) | 一种车联网中虚假交通信息的识别方法 | |
Grover et al. | Misbehavior detection based on ensemble learning in vanet | |
CN101329734B (zh) | 基于k-l变换和ls-svm的车牌字符识别方法 | |
Alrehan et al. | Machine learning techniques to detect DDoS attacks on VANET system: A survey | |
CN103996287B (zh) | 一种基于决策树模型的车辆强制换道决策方法 | |
CN103310202B (zh) | 一种保障驾驶安全的系统及其方法 | |
CN105894856B (zh) | 一种基于车车通信的车辆防碰撞方法 | |
Maglaras | A novel distributed intrusion detection system for vehicular ad hoc networks | |
CN106203330A (zh) | 一种基于卷积神经网络的车辆分类方法 | |
Yu et al. | LSTM-based intrusion detection system for VANETs: a time series classification approach to false message detection | |
CN103077347A (zh) | 一种基于改进核心向量机数据融合的复合式入侵检测方法 | |
CN106570444A (zh) | 基于行为识别的车载智能提醒方法及系统 | |
CN106297305A (zh) | 一种结合牌照识别和路径优化的套牌车分层检测方法 | |
CN103620645A (zh) | 物体识别装置 | |
Nasrollahi et al. | Identification and prioritization of connected vehicle technologies for sustainable development in Iran | |
Ghaleb et al. | Detecting bogus information attack in vehicular ad hoc network: a context-aware approach | |
Virojboonkiate et al. | Driver identification using histogram and neural network from acceleration data | |
CN104240542B (zh) | 一种基于地磁传感器网络的机场场面机动目标识别方法 | |
CN104715614A (zh) | 一种嫌疑套牌车捕获方法 | |
Park et al. | This car is mine!: Automobile theft countermeasure leveraging driver identification with generative adversarial networks | |
Fogue et al. | Using data mining and vehicular networks to estimate the severity of traffic accidents | |
Saudagar et al. | An amalgamated novel ids model for misbehaviour detection using vereminet | |
Alzahrani et al. | An Improved Robust Misbehavior Detection Scheme for Vehicular Ad Hoc Network | |
CN109859478A (zh) | 基于车辆轨迹的信号控制交叉口驾驶决策事件识别方法 | |
CN113316123B (zh) | 一种基于lte-v2x的cacc车队异常车辆检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |