CN108881282A - 一种基于传染病模型的汽车网络恶意信息传播方法 - Google Patents
一种基于传染病模型的汽车网络恶意信息传播方法 Download PDFInfo
- Publication number
- CN108881282A CN108881282A CN201810762270.4A CN201810762270A CN108881282A CN 108881282 A CN108881282 A CN 108881282A CN 201810762270 A CN201810762270 A CN 201810762270A CN 108881282 A CN108881282 A CN 108881282A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- model
- network
- infectious disease
- information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000005540 biological transmission Effects 0.000 title claims abstract description 23
- 230000006855 networking Effects 0.000 title abstract description 7
- 208000015181 infectious disease Diseases 0.000 claims abstract description 45
- 208000035473 Communicable disease Diseases 0.000 claims abstract description 27
- 230000033001 locomotion Effects 0.000 claims abstract description 4
- 238000004891 communication Methods 0.000 claims description 21
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000005562 fading Methods 0.000 claims description 5
- 230000007480 spreading Effects 0.000 claims description 5
- 230000035484 reaction time Effects 0.000 claims description 3
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 claims description 2
- 230000005541 medical transmission Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 7
- 230000000644 propagated effect Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract 1
- 241000700605 Viruses Species 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000002155 anti-virotic effect Effects 0.000 description 4
- 230000036039 immunity Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000014599 transmission of virus Effects 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1416—Event detection, e.g. attack signature detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1433—Vulnerability analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种基于传染病模型的汽车网络恶意信息传播方法,包括如下步骤:步骤一:建立智能网联汽车模型结构,所述智能网联汽车结构包括用于描述车辆物理特征的物理层和用于描述信息传播特征的网络层;步骤二:引入车辆动力学模型,针对所述物理层,使用智能驾驶模型IDM刻画所述车辆的运动;步骤三:引入传染病传播模型,针对所述网络层,使用传染病模型SIR刻画车载网络恶意信息的传播。本发明针对智能网联汽车提出了两层结构模型,在物理层研究车辆的动力学行为,在网络层研究车辆的信息感染传播行为,针对现有的车载网络恶意信息或威胁信息的传播行为进行了描述,解决了目前没有研究车载网络恶意信息传播的问题。
Description
技术领域
本发明涉及汽车网络安全技术领域,具体涉及一种基于传染病模型的汽车网络恶意信息传播方法。
背景技术
当前,以万物互联、大数据和人工智能为代表的新一轮科技变革方兴未艾,引领传统工业全面转型升级,促使产业格局重构。智能汽车、智能交通便是这一变革的产物。区别于传统的汽车,移动互联网汽车不仅包含用于维护汽车基本功能的传统内部网络,还包含用于移动通信的车外通信系统,用于为汽车提供车与车、车与基础设施、车与TSP(Telematics Service Provider)平台等通信服务。科学技术往往具有双面性,移动互联技术的应用,也使得传统的信息安全问题延伸到智能网联汽车和智能交通领域。在智能网联汽车给用户带来个性化服务及丰富娱乐体验的同时,也会引发车主隐私信息泄露、车辆被非法控制等安全问题,危及车主生命,甚至引发整个城市道路交通的紊乱。
与人类流感传染病以及计算机网络病毒类似,网联化的车辆可以看作具有可感染的个体,能够接收和发送恶意信息或病毒信息。近几年,针对人类传染病和互联网的病毒传播问题,人们提出了一系列重要的传染病模型,如SI、SIS、SIR、SIRS、SEIR和SEIRS模型(S、I、E和R分别表示易感染、已感染、潜伏和恢复状态)。这些模型刻画了不同条件下的人类和计算机网络病毒传播行为。
发明专利201510756638.2公开了一种计算机网络病毒传播行为建模方法,方法包括:网络初始化,病毒传播过程,节点检测过程,免疫与免疫失效过程,模型评价,提出免疫策略。该发明仅针对固定互联网的病毒传播,无法刻画车辆高速移动时车载网络病毒传播的特征。
发明专利201710155726.X公开了一种基于传染病算法的车联网数据广播方法,在区域内,路侧单元把检测到的车辆信息发送给区域内的基站,基站整合信息后进行广播。该发明仅仅提出一种车联网数据广播方法,并未考虑车载网络安全威胁情况下的病毒信息传播行为。
由于车辆的高度移动性,车载网络拓扑结构变化快的特点,因此,不能直接应用传统的网络病毒模型。
发明内容
本发明的目的在于提供一种基于传染病模型的汽车网络恶意信息传播方法,利用经典的传染病模型SIR(易感染-感染-恢复)来刻画汽车网络安全威胁情况下恶意信息的传播行为。
为实现以上的技术目的,本发明将采取以下技术方案:一种基于传染病模型的汽车网络恶意信息传播方法,包括如下步骤:
步骤一:建立智能网联汽车模型结构,所述智能网联汽车结构包括用于描述车辆物理特征的物理层和用于描述信息传播特征的网络层;
步骤二:引入车辆动力学模型,针对所述物理层,使用智能驾驶模型IDM刻画所述车辆的运动;
步骤三:引入传染病传播模型,针对所述网络层,使用传染病模型SIR刻画车载网络恶意信息的传播,所述传染病模型采用下式计算,
其中,S,I,R分别表示处于易感染状态、已感染状态和免疫状态的数量,λ表示感染率,γ表示治愈率。
所述智能驾驶模型采用下式计算,
且
其中,表示第i辆车的加速度,ai表示第i辆车的最大加速度,bi表示第i辆车的最大减速度,v0表示自由流状态下的最大速度,Δvij=vj-vi表示后车j与其最近邻前车i的速度差,δ表示加速度指数项,s*表示期望的安全车距,s0表示最小的车间距,sij=xi-xj-Li表示后车j与其前车i的净距离差,Li表示第i辆车的车长,T表示反应时间。
还包括用于实现两层参数连接的无线通信信道模型,
所述无线通信信道模型所用的阴影衰落模型采用下式计算,
其中,β1(sij)=η10log10(sij)dB,
βth=η10log(R)dB,R是车辆的通信半径,η是路径损耗参数。
所述微观交通流模型IDM采用车载传感器获取的数据包括车辆速度、位移、车间距。
还包括通过OTA空中下载技术远程升级下载远程服务器上的补丁,进而抑制并消除恶意信息。
所述车载传感器包括相机、雷达、速度传感器。
所述无线通信网络技术使用DSRC、LTE-V和5G。
有益效果:本发明针对智能网联汽车提出了两层结构模型,在物理层研究车辆的动力学行为,在网络层研究车辆的信息感染传播行为,针对现有的车载网络恶意信息或威胁信息的传播行为进行了描述,解决了目前没有研究车载网络恶意信息传播的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为一种基于传染病模型的汽车网络恶意信息传播方法的一种实施例的双层示意图;
图2为本发明一种实施例的车辆动力学模型示意图;
图3为本发明一种实施例的信息传播模型示意图;
图4为本发明一种实施例的总体结构模型图;
图5为本发明一种实施例的应用流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1示出了一种基于传染病模型的汽车网络恶意信息传播方法的双层示意图,上层是网络层,表示信息流的传播行为;下层表示物理层,表示车辆的动力学行为,如速度和位移等。汽车通过车载环境感知器,如雷达、相机等将感知到的前向环境信息通过无线网络通道传输给其他车辆;此外,基站、云平台或者其他车辆发送的通信信息,通过网络层传输给对应车辆,车辆根据传输的控制信息进一步采取相应的车辆控制策略。如果网络层的信息是正常无干扰的信息,车辆将会正常行驶;否则,如果存在恶意信息的传播,将给车辆安全带来巨大的隐患。
具体的,图2和图3分别示出了一种实施例的车辆动力学模型和恶意信息传播模型示意图。在图2仅考虑车辆的车辆动力学变化参数,如速度、位移、车间距等,这些参数值能够通过车载雷达、相机和速度传感器等获取,智能汽车能够存储这些数据,并将关键的车辆参数进行广播。
针对物理层,引入传统的交通流模型刻画车辆的运动,所述发明使用的是微观交通流模型—智能驾驶模型IDM(Intelligent Driver Model)
且其中表示第i辆车的加速度,ai表示第i辆车的最大加速度,bi表示第i辆车的最大减速度,v0表示自由流状态下的最大速度,Δvij=vj-vi表示后车j与其最近邻前车i的速度差,δ表示加速度指数项,s*表示期望的安全车距,s0表示最小的车间距,sij=xi-xj-Li表示后车j与其前车i的净距离差,Li表示第i辆车的车长,T表示反应时间。
针对网络层,考虑到车载网络恶意信息的传播与人类传染病的相似性,参考下表:
表1人类传染病与车载网络恶意信息传播行为对比
据此,引入经典的传染病模型SIR(Susceptible-Infected-Recovered,易感染-感染-恢复),网络中的车辆具有三种状态:易感染状态(S),感染状态(I)和免疫状态(R),其中易感染状态表示车辆可以被病毒或恶意信息感染,感染状态表示车辆已经被感染而且具备了向周围车辆传播的能力,免疫状态表示原感染状态的车辆经过补丁或杀毒软件的修复已经恢复了正常,并具备针对这种病毒的免疫能力。
其中S,I,R分别表示处于易感染状态、已感染状态和免疫状态的数量,λ表示感染率,γ表示治愈率。
图3示出了恶意信息传播的示意图以及车辆的三种状态。在初始化状态中,所有的车辆均为易感染状态S,一旦黑客对车辆发起攻击或在通信网络中注入恶意信息如篡改速度位移信息、抑制前方道路警告信息的发送等,被攻击的车辆以概率λ首先变成了已感染状态I;由于该攻击或者注入的恶意信息具有传播性,通过网络扩散,大规模的车辆将会被感染;随后,TSP或者云平台发现智能网联汽车中存在恶意信息的传播,因此,研发补丁或者杀毒程序,并通过OTA(Over-the-Air)空中下载技术进行远程升级下载,修复率是γ,足够时间后,所有被感染的车辆将会恢复正常,并保留对该种攻击和恶意信息的免疫能力。
图4示出了所述发明一种实施例的模型结构图。如图1所述,所述发明的方法分为两层,网络层和物理层。为了实现两层的参数连接,引入无线通信信道模型,所述的实施例中采用的是阴影衰落模型。
其中β1(sij)=η10log10(sij)dB,βth=η10log(R)dB,R是车辆的通信半径,η是路径损耗参数。
由所述的阴影衰落模型方程可以将车辆的动力学参数(如速度和位移)与网络层信息传播参数(如传播半径、路径损耗等)连接起来,进一步地,提出本发明实施例的基于传染病模型的汽车网络恶意信息传播方法。
图5示出了本发明一种实施例的实现方法的流程图。包含以下步骤:
步骤S1:网络状态初始化。在初始状态下,所有的车辆均为易感染状态S,被感染车辆数以及免疫的车辆数为0;
步骤S2:通过车载传感器如相机、雷达、速度传感器等获取车辆速度、位移和车间距等物理信息,引入微观交通流模型IDM;
步骤S3:判断网络中是否存在恶意信息,若是,则转到步骤S4;若否,则转到步骤S5;
步骤S4:黑客通过远程攻击篡改获取的车辆动力学信息或在网络中注入非法的控制信息等;
步骤S5:车载通信单元将正常的车辆动力学信息通过无线网络通道传播至网络层;
步骤S6:车载通信单元将恶意信息通过无线网络通道传播至网络层;
步骤S7:考虑到无线网络传输过程中的路径损耗、建筑物等的遮挡、通信网络传输半径和车间距等因素,引入无线通信信道模型,本实施例中使用的是阴影衰落模型,获取是否构成通信的连通概率;
S8:判断通信连通概率是否为0。若为0,转到步骤S9;若不为0,转到步骤S10;
S9:表示两辆车之间不具备传播条件,即不论是正常信息还是恶意信息都不能传播;
S10:表示两辆车之间具备传播的可能,而且连通概率越大,信息传播的可能性就越大;对于正常信息,可以传播至周围车辆,流程结束;若为恶意信息传播至周围车辆,则转到步骤S11;
S11:经过一段时间后,TSP平台或远程服务器通过远程监控检测到车载网络上存在病毒,转到步骤S12;
S12:远程服务器通过研发相应的补丁或杀毒软件,通过OTA空中下载技术远程升级下载补丁,进而抑制并消除恶意信息;
S13:所有被感染的车辆恢复正常,并针对该种攻击具备了免疫能力。
本发明针对智能网联汽车提出了两层结构模型,在物理层研究车辆的动力学行为,在网络层研究车辆的信息感染传播行为,针对现有的车载网络恶意信息或威胁信息的传播行为进行了描述,解决了目前没有研究车载网络恶意信息传播的问题。
此外,上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于传染病模型的汽车网络恶意信息传播方法,其特征在于:包括如下步骤:
步骤一:建立智能网联汽车模型结构,所述智能网联汽车结构包括用于描述车辆物理特征的物理层和用于描述信息传播特征的网络层;
步骤二:引入车辆动力学模型,针对所述物理层,使用智能驾驶模型IDM刻画所述车辆的运动;
步骤三:引入传染病传播模型,针对所述网络层,使用传染病模型SIR刻画车载网络恶意信息的传播,所述传染病模型采用下式计算,
其中,S,I,R分别表示处于易感染状态、已感染状态和免疫状态的数量,λ表示感染率,γ表示治愈率。
2.根据权利要求1所述的一种基于传染病模型的汽车网络恶意信息传播方法,其特征在于:所述智能驾驶模型采用下式计算,
且
其中,表示第i辆车的加速度,ai表示第i辆车的最大加速度,bi表示第i辆车的最大减速度,v0表示自由流状态下的最大速度,Δvij=vj-vi表示后车j与其最近邻前车i的速度差,δ表示加速度指数项,s*表示期望的安全车距,s0表示最小的车间距,sij=xi-xj-Li表示后车j与其前车i的净距离差,Li表示第i辆车的车长,T表示反应时间。
3.根据权利要求1所述的一种基于传染病模型的汽车网络恶意信息传播方法,其特征在于:还包括用于实现两层参数连接的无线通信信道模型,所述无线通信信道模型所用的阴影衰落模型采用下式计算,
其中,β1(sij)=η10log10(sij)dB,βth=η10log(R)dB,R是车辆的通信半径,η是路径损耗参数。
4.根据权利要求2所述的一种基于传染病模型的汽车网络恶意信息传播方法,其特征在于:所述微观交通流模型IDM采用车载传感器获取的数据包括车辆速度、位移、车间距。
5.根据权利要求1所述的一种基于传染病模型的汽车网络恶意信息传播方法,其特征在于:还包括通过OTA空中下载技术远程升级下载远程服务器上的补丁,进而抑制并消除恶意信息。
6.根据权利要求4所述的一种基于传染病模型的汽车网络恶意信息传播方法,其特征在于:所述车载传感器包括相机、雷达、速度传感器。
7.根据权利要求3所述的一种基于传染病模型的汽车网络恶意信息传播方法,其特征在于:所述无线通信网络技术包括DSRC、LTE-V和5G。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810762270.4A CN108881282B (zh) | 2018-07-12 | 2018-07-12 | 一种基于传染病模型的汽车网络恶意信息传播方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810762270.4A CN108881282B (zh) | 2018-07-12 | 2018-07-12 | 一种基于传染病模型的汽车网络恶意信息传播方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108881282A true CN108881282A (zh) | 2018-11-23 |
CN108881282B CN108881282B (zh) | 2020-08-25 |
Family
ID=64301176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810762270.4A Active CN108881282B (zh) | 2018-07-12 | 2018-07-12 | 一种基于传染病模型的汽车网络恶意信息传播方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108881282B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110582074A (zh) * | 2019-09-02 | 2019-12-17 | 北京航空航天大学 | 一种基于感染传播模型的车联网信息安全风险传播控制方法 |
CN113162925A (zh) * | 2021-04-19 | 2021-07-23 | 东北大学秦皇岛分校 | 基于sirs模型与博弈论的自适应抑制病毒传播方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049789A (zh) * | 2012-12-17 | 2013-04-17 | 南京理工大学连云港研究院 | 一种复杂网络中的恶意信息流传播方法 |
CN105141544A (zh) * | 2015-06-15 | 2015-12-09 | 西安电子科技大学 | 一种车联网中的数据分发方法 |
CN105357200A (zh) * | 2015-11-09 | 2016-02-24 | 河海大学 | 一种网络病毒传播行为建模方法 |
CN105774800A (zh) * | 2016-03-28 | 2016-07-20 | 清华大学 | 一种混合车辆队列中车辆间的碰撞缓解方法及装置 |
CN106303968A (zh) * | 2016-09-27 | 2017-01-04 | 北京航空航天大学 | 一种基于专用短程通信网络的路网黑客车辆定位方法 |
CN107071827A (zh) * | 2017-03-16 | 2017-08-18 | 北京航空航天大学 | 一种基于传染病算法的车联网数据广播方法 |
-
2018
- 2018-07-12 CN CN201810762270.4A patent/CN108881282B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049789A (zh) * | 2012-12-17 | 2013-04-17 | 南京理工大学连云港研究院 | 一种复杂网络中的恶意信息流传播方法 |
CN105141544A (zh) * | 2015-06-15 | 2015-12-09 | 西安电子科技大学 | 一种车联网中的数据分发方法 |
CN105357200A (zh) * | 2015-11-09 | 2016-02-24 | 河海大学 | 一种网络病毒传播行为建模方法 |
CN105774800A (zh) * | 2016-03-28 | 2016-07-20 | 清华大学 | 一种混合车辆队列中车辆间的碰撞缓解方法及装置 |
CN106303968A (zh) * | 2016-09-27 | 2017-01-04 | 北京航空航天大学 | 一种基于专用短程通信网络的路网黑客车辆定位方法 |
CN107071827A (zh) * | 2017-03-16 | 2017-08-18 | 北京航空航天大学 | 一种基于传染病算法的车联网数据广播方法 |
Non-Patent Citations (3)
Title |
---|
MAZIAR NEKOVEE: "《Modeling the Spread of Worm Epidemics in Vehicular Ad Hoc Networks》", 《IEEE》 * |
OSCAR TRULLOLS-CRUCES,ET.AL: "《Worm Epidemics in Vehicular Networks》", 《IEEE TRANSACTIONS ON MOBILE COMPUTING》 * |
李彤等: "《车载自组织网络通信协议》", 《科技导报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110582074A (zh) * | 2019-09-02 | 2019-12-17 | 北京航空航天大学 | 一种基于感染传播模型的车联网信息安全风险传播控制方法 |
CN113162925A (zh) * | 2021-04-19 | 2021-07-23 | 东北大学秦皇岛分校 | 基于sirs模型与博弈论的自适应抑制病毒传播方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108881282B (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111095955B (zh) | 用于联网车辆网络安全的系统和方法 | |
US11909817B2 (en) | Scalable and secure vehicle to everything communications | |
JP6805667B2 (ja) | 検知装置、ゲートウェイ装置、検知方法および検知プログラム | |
US20210034745A1 (en) | Security system and methods for identification of in-vehicle attack originator | |
US11652643B2 (en) | Verification method, verification apparatus, and storage medium including program stored therein | |
US20200320201A1 (en) | Secure boot of vehicular processors | |
CN106652467A (zh) | 一种交通信息采集系统及其方法 | |
CN108881282B (zh) | 一种基于传染病模型的汽车网络恶意信息传播方法 | |
CN105280005A (zh) | 一种道路安全消息的发送方法及装置 | |
CN108900522A (zh) | 一种电动汽车的安全防护方法、装置及系统 | |
CN111885060A (zh) | 面向车联网的无损式信息安全漏洞检测系统和方法 | |
Siddiqui et al. | Bird's-eye view on the Automotive Cybersecurity Landscape & Challenges in adopting AI/ML | |
CN109910903A (zh) | 基于驾驶安全包络的车辆网互联设备的安全检测方法 | |
Narayanan et al. | Using semantic technologies to mine vehicular context for security | |
CN110582074A (zh) | 一种基于感染传播模型的车联网信息安全风险传播控制方法 | |
Jichici et al. | Control System Level Intrusion Detection on J1939 Heavy-Duty Vehicle Buses | |
US11791999B2 (en) | Vehicle electronic control unit authentication | |
CN113891318A (zh) | 一种车载网中基于无人机辅助的检测恶意节点方法 | |
Nazaruddin et al. | A Machine Learning Based Approach to Detect Cyber-Attacks on Connected and Autonomous Vehicles (CAVs) | |
Mohammad et al. | Analysis of in-vehicle security system of smart vehicles | |
JP2020173535A (ja) | 管理装置、通信システム、車両通信管理方法および車両通信管理プログラム | |
van der Ploeg et al. | SECREDAS: Safe and (Cyber-) Secure Cooperative and Automated Mobility | |
US12017649B2 (en) | Blockchain system to aid vehicle actions | |
US20230234615A1 (en) | Countering Autonomous Vehicle Usage for Ramming Attacks | |
US11455852B2 (en) | Vehicle deauthortization of user device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210714 Address after: A02-1, 10th floor, Jinqiu international building, 6 Zhichun Road, Haidian District, Beijing 100088 Patentee after: Beijing Lobby Technology Co.,Ltd. Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road Patentee before: BEIHANG University |