CN109542355A - 一种停车场云存储资源的信任计算方法 - Google Patents
一种停车场云存储资源的信任计算方法 Download PDFInfo
- Publication number
- CN109542355A CN109542355A CN201811440413.6A CN201811440413A CN109542355A CN 109542355 A CN109542355 A CN 109542355A CN 201811440413 A CN201811440413 A CN 201811440413A CN 109542355 A CN109542355 A CN 109542355A
- Authority
- CN
- China
- Prior art keywords
- service
- vehicle node
- nearest
- days
- storage resource
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 9
- 230000003993 interaction Effects 0.000 claims description 23
- 230000005484 gravity Effects 0.000 claims description 14
- 230000002452 interceptive effect Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 230000006855 networking Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0668—Interfaces specially adapted for storage systems adopting a particular infrastructure
- G06F3/067—Distributed or networked storage systems, e.g. storage area networks [SAN], network attached storage [NAS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种停车场云存储资源的信任计算方法,包括:步骤一:公云服务器接受用户车辆节点发出的存储资源请求信号,步骤二:公云服务器根据接受到的请求信号,步骤三:公云服务器向服务车辆节点发出服务信号,步骤四:重新建立新的车辆存储资源共享网络;步骤五:公云服务器对所述车辆存储资源共享网络中的服务车辆节点进行信任值更新。本发明能合理利用闲置存储资源,能避免网络恶意攻击,使得整个停车场的安全性能更好,交通对象势必是能够很好地确认相互之间的信任关系的,而信任值是一个动态变化的过程,随着交互行为的积累,信任会发生改变,形成一个良好的信任值更新。
Description
技术领域
本发明涉及车联网以及信任机制技术领域,具体涉及一种停车场云存储资源的信任计算方法。
背景技术
随着经济和社会的快速发展,人民的生活水平也在日益提高,私家车数量也在快速增长,而停车场作为一个与汽车不可分割的一个配套场景,在生活中充当着越来越重要的角色,而随着科技的进步,越来越多的车辆上都开始装有车载计算机等智能设备,在日常的生活中我们不难发现,停车场中长时间充斥着各种车辆,并且这些车辆都处于停滞状态,这样导致车辆上车载计算机中的硬盘、内存等存储资源处于闲置状态,如今的现实生活中还没有有效的方法对这样的问题进行解决。
车联网本身具有较弱的抗网络攻击防御能力,因为车联网本身是具有开放分布和广播通信两个特性的网络,本身容易受到各种恶意攻击;信息安全问题是车联网安全问题的一个重要研究内容;现下的车联网系统都是基于信任管理机制为用户提供开放式服务的,一个良好运行的车联网体系,参与其中的用户,交通对象势必是能够很好地确认相互之间的信任关系的,而信任值是一个动态变化的过程,随着交互行为的积累,信任会发生改变,而这个改变收到多方因素的影响:交互的次数频率,交互的上下文变化,时间衰减等等,所以要确立一个动态的激励机制来更加科学合理的更新节点的信任值。
发明内容
本发明的目的提供一种停车场云存储资源的信任计算方法,解决上述现有技术问题中的一个或者多个。
根据本发明的一种停车场云存储资源的信任计算方法,包括以下步骤:
步骤一:公云服务器接受用户车辆节点发出的存储资源请求信号,所述存储资源请求信号包括所述用户车辆节点需要的存储资源大小以及所述存储资源的类型;
步骤二:所述公云服务器根据接受到的请求信号,通过计算信任值、距离和花费获取符合请求信号的若干候选服务车辆节点;
步骤三:所述公云服务器向所述服务车辆节点发出服务信号,同时向所述用户车辆节点发出反馈信号,使得所述服务车辆节点与所述用户车辆节点进行信号连接,车辆存储资源共享网络形成,服务开始;
步骤四:所述车辆存储资源共享网络中,当某一服务车辆节点离开或者终止服务时,终止服务的车辆向所述公云服务器发出告知信号,所述公云服务器将原暂存于终止服务车辆节点中的数据迁移到公云本地的缓冲池当中,所述公云服务器重新计算获取符合请求的服务车辆节点,然后将存放于缓冲池中的数据发送存储于新的服务车辆节点中,重新建立新的车辆存储资源共享网络;
步骤五:所述公云服务器对所述车辆存储资源共享网络中的服务车辆节点进行信任值更新。
本发明所提供的一种停车场云存储资源的信任计算方法,其步骤简洁,使用方便,能合理利用闲置存储资源,能避免网络恶意攻击,使得整个停车场的安全性能更好,交通对象势必是能够很好地确认相互之间的信任关系的,而信任值是一个动态变化的过程,随着交互行为的积累,信任会发生改变,形成一个良好的信任值更新。
存储资源类型这里指需要存储的文件的种类,例如文本文件,声音文件,视频文件,可执行文件。
公云服务器与车辆节点之间的信号发送与接收,所述公云服务器与车辆节点之间通过RSU(Road Side Unit,路侧单元)进行信号的发送与接收,所述停车场被划分成若干区域,每个区域的中心都设置有RSU,所述车辆节点以无线方式发送信号给自身所在区域的RSU,所述RSU再将信号以有线方式通过电缆发送给所述公云服务器,同样的,所述公云服务器将信号发送给车辆存储资源共享网络中的车辆节点所在的RSU,之后所述RSU再将信号发送到所在区域中的车辆节点上,目的在于可以避免距离带来的通讯影响,使得整个停车场中的车辆节点都可以通过各个区域中RSU之间的连接实现相互通讯。
在一些实施方式中,步骤五中的信任值更新
信任值的更新综合服务车辆节点自身的特征和服务车辆节点提供服务的交互规模,用公式表示为:
Dtr(i)=α1*Utr(i,n)+β1*Ttr(i),且α1+β1=1,0.1<α1<0.3,其中,
Dtr(i)表示服务车辆节点i总的信任值,
Utr(i,n)表示所述服务车辆节点i自身最近n天所反映的特征属性值,
Ttr(i)表示所述服务车辆节点i提供服务的交互规模值,
α1和β1则表示Utr(i,n)和Ttr(i)在总信任值Dtr(i)中所占的比重,而所述总的信任值Dtr(i)与交互规模值Ttr(i)的关联度更大,所以这里设置α1<β1,为了可以更加准确分辨Utr(i,n)与Ttr(i)的比重,定义0.1<α1<0.3,β1=1-α1;
当停车场环境中的车辆节点越多,可供选择的车辆节点就会越多,这样导致每个服务车辆提供服务的存储资源相应就会减少,这时,我们需要减小系数α1,从而β1增大,这样使得交互规模值Ttr(i)所占的比重变大,体现出总的信任值Dtr(i)与交互规模值Ttr(i)的关联度更大这一叙述。
在一些实施方式中,服务车辆节点i自身最近n天所反映的特征属性值Utr(i,n),
在停车场环境中的每一个车辆节点都会将自身的停车时间记录于所述公云服务器当中,所述时间记录表将一天24小时划分成四个时间段,0时至6时为夜间停车时间段,6时到12时为早间停车时间段,12时到18时为午间停车时间段,18时到24时为晚间停车时间段,以最近n天为记录,将所述车辆节点在这最近n天中的停车状态记录于停车时间表中,之后在所述公云服务器选取服务车辆节点的时候,会通过停车时间表计算出当前时间段与下一个时间段所有车辆的停车时间覆盖率,如图表2所示,列出了车辆节点i的若干天停车时间表,假设当前时间为10时,在此说明,下文中所有公式的推导以及环境的背景都假设当前时间为10时,其他时间的计算方法都与下文中描述的方法一致;
假设当前时间为10时,停车场中有一车辆节点请求提供存储资源服务,则所述公云服务器在接收到请求信号后立即开始计算所有车辆的停车时间覆盖率,而当前时间为10时,处于早间停车时间段,所以所述公云服务器只需要计算早间停车时间段和午间停车时间段中的停车数据,这样做的优点在于:每次公云服务器只需要计算停车时间表中一半的数据量,大大节省了计算时间,提高了计算效率,用公式表示为:
且0<η(i,n)<1,其中,
η(i,n)表示车辆节点i在最近n天停车的停车覆盖率,wj表示所述车辆节点i在第j天中的早间时间段与午间时间段停车的时长,则表示所述车辆节点i在最近n天中的早间时间段与午间时间段停车的总时长。η(i,n)越高,表示所述车辆节点i在早间时间段与午间时间段存在的可能性越高,这样所述车辆节点i就可以在早间时间段与午间时间段长时间的提供存储资源服务,可靠性越高,越值得被信任。
此外,时间停车表中还记录有每个时间段每个车辆节点曾经提供的服务数量以及最终完成的服务数量,用公式表示为:
且其中,
表示车辆节点i在最近n天停车服务完成率,vj表示所述车辆节点i在第j天中的早间时间段与午间时间段最终完成的服务数量,则表示所述车辆节点i在最近n天中的早间时间段与午间时间段最终完成的服务总数量,Vj表示所述车辆节点i在第j天中的早间时间段与午间时间段提供服务的数量,则表示所述车辆节点i在最近n天中的早间时间段与午间时间段提供服务的总数量,越高,表示所述车辆节点i在早间时间段与午间时间段提供服务后完成服务的可靠性越高,所述车辆节点i在这两个时间段中越值得被信任。
综上所述,服务车辆节点i自身最近n天所反映的特征属性值Utr(i,n)最终用公式表示为:
且α2+β2=1,0.4<α2<0.6
其中,α2和β2表示η(i,n)和在特征属性值Utr(i,n)中所占的比重,停车覆盖率η(i,n)和停车服务完成率对于节点i自身特征属性值Utr(i,n)来说,相关性都比较明显,所以α2和β2的取值相差不应过大,这里定义0.4<α2<0.6。
在一些实施方式中,服务车辆节点i提供服务的交互规模值Ttr(i),在所述服务完成之后,服务车辆节点i会根据自身提供的存储资源大小以及提供服务的时长,得到交互规模值Ttr(i),这里所说的存储资源大小被看成以块为单位的虚拟机,这样做的目的可以使每块存储空间相互独立,减少恶意攻击带来的损失;
其中,所述服务车辆节点提供的存储资源会根据以往的历史记录进行综合,优点在于可以更加有效的综合历史记录对节点的服务进行合理的计算,用公式表示为:
且smin<μ(i,fn)<smax
其中,fn表示最近n天所述车辆节点i在这两个时间段所交互的频次,所述交互频次指的是车辆节点提供存储资源服务并最终进行结算的次数,sp表示第p次所述车辆节点i提供的虚拟机个数,表示最近n天所述车辆节点i经过fn次服务后一共提供的虚拟机个数,μ(i,fn)则表示最近n天所述车辆节点i在这两个时间段平均每次服务提供的虚拟机个数,smin表示最近n天所述车辆节点i在这两个时间段每次服务提供的虚拟机个数的最小值,smax表示最近n天所述车辆节点i在这两个时间段每次服务提供的虚拟机个数的最大值;
所述服务车辆节点i提供服务的时长也会根据其历史记录进行综合,用公式表示为:
且tmin<ρ(i,fn)<tmax
其中,fn表示最近n天所述车辆节点i在这两个时间段所交互的频次,tp表示第p次所述车辆节点i提供服务的时长,表示最近n天所述车辆节点i经过fn次服务后一共提供服务的总时长,ρ(i,fn)则表示最近n天所述车辆节点i在这两个时间段平均每次服务提供服务的时长,tmin表示最近n天所述车辆节点i在这两个时间段每次提供服务时长的最小值,tmax表示最近n天所述车辆节点i在这两个时间段每次提供服务时长的最大值;
根据实际情况可知,当一车辆节点在最近n天中这两个时间段提供的服务次数越多,其可靠性越高,所以,这里设置一个交互频次的最大阈值,记作Fmax;
综上所述,所述服务车辆节点i提供服务的交互规模值Ttr(i)用公式表示为:
其中,α3和β3表示μ(i,fn)和ρ(i,fn)在交互规模值Ttr(i)中所占的比重,而当fn≥Fmax时,这样能增加算法的适应性,达到提高算法准确性的目的。而服务车辆节点i提供的存储空间和提供的服务时长,对于交互规模值Ttr(i)来说同等重要,所以α3和β3的取值相差不应过大,这里定义0.4<α3<0.6。
在一些实施方式中,服务车辆节点i自身提供的存储资源大小以及提供服务的时长,这里考虑到μ(i,fn)和ρ(i,fn)所代表的物理意义不同,单位不同,单纯从数值大小进行综合会对最终结果Ttr(i,fn)带来很大的影响,所以这里通过最小-最大归一法来对公式进行改进;
其中,最近n天所述车辆节点i在这两个时间段平均每次服务提供的虚拟机个数μ(i,fn)经过归一化处理后为:
且0<μ′(i,fn)<1
此公式中,smin表示最近n天所述车辆节点i在这两个时间段每次服务提供的虚拟机个数的最小值,smax表示最近n天所述车辆节点i在这两个时间段每次服务提供的虚拟机个数的最大值,经过最小-最大归一法处理之后,使得0<μ′(i,fn)<1;
其中,最近n天所述车辆节点i在这两个时间段平均每次提供服务的时长ρ(i,fn)经过归一化处理后为:
且0<ρ′(i,fn)<1
此公式中,tmin表示最近n天所述车辆节点i在这两个时间段每次提供服务时长的最小值,tmax表示最近n天所述车辆节点i在这两个时间段每次提供服务时长的最大值,经过最小-最大归一法处理之后,使得0<ρ′(i,fn)<1;
综上所述,最终所述服务车辆节点i提供服务的交互规模值Ttr(i)用公式表示为:
以上所述的信任值更新方法为车辆节点的筛选以及服务的评价提供了帮助。
附图说明
图1为本发明的一种停车场云存储资源的信任计算方法的流程图;
图2为本发明的实施例提供的停车场内部设施图;
图3为本发明的实施例提供的车辆节点i最近n天内停车时间表图;
图中:1、停车场区域,2、车辆节点,3、RSU覆盖区域,4、RSU,5、公云服务器,6、电缆。
具体实施方式
下面结合说明书附图,对本发明进行进一步详细的说明。
如图1~图2中所示,一种停车场云存储资源的信任计算方法,其中,包括以下步骤:
步骤一:公云服务器5接受用户车辆节点2发出的存储资源请求信号,存储资源请求信号包括用户车辆节点2需要的存储资源大小以及存储资源的类型;
步骤二:公云服务器5根据接受到的请求信号,通过计算信任值、距离和花费获取符合请求信号的若干候选服务车辆节点2;
步骤三:公云服务器5向服务车辆节点2发出服务信号,同时向用户车辆节点2发出反馈信号,使得服务车辆节点2与用户车辆节点2进行信号连接,车辆存储资源共享网络形成,服务开始;
步骤四:车辆存储资源共享网络中,当某一服务车辆节点2离开或者终止服务时,终止服务的车辆向公云服务器5发出告知信号,公云服务器5将原暂存于终止服务车辆节点2中的数据迁移到公云本地的缓冲池当中,公云服务器5重新计算获取符合请求的服务车辆节点2,然后将存放于缓冲池中的数据发送存储于新的服务车辆节点2中,重新建立新的车辆存储资源共享网络;
步骤五:公云服务器5对车辆存储资源共享网络中的服务车辆节点2进行信任值更新。
存储资源类型这里指需要存储的文件的种类,例如文本文件,声音文件,视频文件,可执行文件。
公云服务器5与车辆节点2之间的信号发送与接收,公云服务器5与车辆节点2之间通过RSU4(Road Side Unit,路侧单元)进行信号的发送与接收,停车场被划分成若干区域,行程RSU覆盖区域3,每个停车场区域1的中心都设置有RSU4,车辆节点2以无线方式发送信号给自身所在区域的RSU4,RSU4再将信号以有线方式通过电缆6发送给公云服务器5,同样的,公云服务器5将信号发送给车辆存储资源共享网络中的车辆节点2所在的RSU4,之后RSU4再将信号发送到所在区域中的车辆节点2上,目的在于可以避免距离带来的通讯影响,使得整个停车场中的车辆节点2都可以通过各个区域中RSU4之间的连接实现相互通讯。
步骤五中的信任值更新
信任值的更新综合服务车辆节点2自身的特征和服务车辆节点2提供服务的交互规模,用公式表示为:
Dtr(i)=α1*Utr(i,n)+β1*Ttr(i),且α1+β1=1,0.1<α1<0.3,其中,
Dtr(i)表示服务车辆节点2i总的信任值,
Utr(i,n)表示服务车辆节点2i自身最近n天所反映的特征属性值,
Ttr(i)表示服务车辆节点2i提供服务的交互规模值,
α1和β1则表示Utr(i,n)和Ttr(i)在总信任值Dtr(i)中所占的比重,而总的信任值Dtr(i)与交互规模值Ttr(i)的关联度更大,所以这里设置α1<β1,为了可以更加准确分辨Utr(i,n)与Ttr(i)的比重,定义0.1<α1<0.3,β1=1-α1;
当停车场环境中的车辆节点2越多,可供选择的车辆节点2就会越多,这样导致每个服务车辆提供服务的存储资源相应就会减少,这时,我们需要减小系数α1,从而β1增大,这样使得交互规模值Ttr(i)所占的比重变大,体现出总的信任值Dtr(i)与交互规模值Ttr(i)的关联度更大这一叙述。
服务车辆节点2i自身最近n天所反映的特征属性值Utr(i,n),
在停车场环境中的每一个车辆节点2都会将自身的停车时间记录于公云服务器5当中,时间记录表将一天24小时划分成四个时间段,0时至6时为夜间停车时间段,6时到12时为早间停车时间段,12时到18时为午间停车时间段,18时到24时为晚间停车时间段,以最近n天为记录,将车辆节点2在这最近n天中的停车状态记录于停车时间表中,之后在公云服务器5选取服务车辆节点2的时候,会通过停车时间表计算出当前时间段与下一个时间段所有车辆的停车时间覆盖率,如图3中所示,列出了车辆节点2i的若干天停车时间表,假设当前时间为10时,在此说明,下文中所有公式的推导以及环境的背景都假设当前时间为10时,其他时间的计算方法都与下文中描述的方法一致;
假设当前时间为10时,停车场中有一车辆节点2请求提供存储资源服务,则公云服务器5在接收到请求信号后立即开始计算所有车辆的停车时间覆盖率,而当前时间为10时,处于早间停车时间段,所以公云服务器5只需要计算早间停车时间段和午间停车时间段中的停车数据,这样做的优点在于:每次公云服务器5只需要计算停车时间表中一半的数据量,大大节省了计算时间,提高了计算效率,用公式表示为:
且0<η(i,n)<1,其中,
η(i,n)表示车辆节点2i在最近n天停车的停车覆盖率,wj表示车辆节点2i在第j天中的早间时间段与午间时间段停车的时长,则表示车辆节点2i在最近n天中的早间时间段与午间时间段停车的总时长。η(i,n)越高,表示车辆节点2i在早间时间段与午间时间段存在的可能性越高,这样车辆节点2i就可以在早间时间段与午间时间段长时间的提供存储资源服务,可靠性越高,越值得被信任。
此外,时间停车表中还记录有每个时间段每个车辆节点2曾经提供的服务数量以及最终完成的服务数量,用公式表示为:
且其中,
表示车辆节点2i在最近n天停车服务完成率,vj表示车辆节点2i在第j天中的早间时间段与午间时间段最终完成的服务数量,则表示车辆节点2i在最近n天中的早间时间段与午间时间段最终完成的服务总数量,Vj表示车辆节点2i在第j天中的早间时间段与午间时间段提供服务的数量,则表示车辆节点2i在最近n天中的早间时间段与午间时间段提供服务的总数量,越高,表示车辆节点2i在早间时间段与午间时间段提供服务后完成服务的可靠性越高,车辆节点2i在这两个时间段中越值得被信任。
综上,服务车辆节点2i自身最近n天所反映的特征属性值Utr(i,n)最终用公式表示为:
且α2+β2=1,0.4<α2<0.6
其中,α2和β2表示η(i,n)和在特征属性值Utr(i,n)中所占的比重,停车覆盖率η(i,n)和停车服务完成率对于节点i自身特征属性值Utr(i,n)来说,相关性都比较明显,所以α2和β2的取值相差不应过大,这里定义0.4<α2<0.6。
服务车辆节点2i提供服务的交互规模值Ttr(i),在服务完成之后,服务车辆节点2i会根据自身提供的存储资源大小以及提供服务的时长,得到交互规模值Ttr(i),这里所说的存储资源大小被看成以块为单位的虚拟机,这样做的目的可以使每块存储空间相互独立,减少恶意攻击带来的损失;
其中,服务车辆节点2提供的存储资源会根据以往的历史记录进行综合,优点在于可以更加有效的综合历史记录对节点的服务进行合理的计算,用公式表示为:
且smin<μ(i,fn)<smax
其中,fn表示最近n天车辆节点2i在这两个时间段所交互的频次,交互频次指的是车辆节点2提供存储资源服务并最终进行结算的次数,sp表示第p次车辆节点2i提供的虚拟机个数,表示最近n天车辆节点2i经过fn次服务后一共提供的虚拟机个数,μ(i,fn)则表示最近n天车辆节点2i在这两个时间段平均每次服务提供的虚拟机个数,smin表示最近n天车辆节点2i在这两个时间段每次服务提供的虚拟机个数的最小值,smax表示最近n天车辆节点2i在这两个时间段每次服务提供的虚拟机个数的最大值;
服务车辆节点2i提供服务的时长也会根据其历史记录进行综合,用公式表示为:
且tmin<ρ(i,fn)<tmax
其中,fn表示最近n天车辆节点2i在这两个时间段所交互的频次,tp表示第p次车辆节点2i提供服务的时长,表示最近n天车辆节点2i经过fn次服务后一共提供服务的总时长,ρ(i,fn)则表示最近n天车辆节点2i在这两个时间段平均每次服务提供服务的时长,tmin表示最近n天车辆节点2i在这两个时间段每次提供服务时长的最小值,tmax表示最近n天车辆节点2i在这两个时间段每次提供服务时长的最大值;
根据实际情况可知,当一车辆节点2在最近n天中这两个时间段提供的服务次数越多,其可靠性越高,所以,这里设置一个交互频次的最大阈值,记作Fmax;
综上,服务车辆节点2i提供服务的交互规模值Ttr(i)用公式表示为:
其中,α3和β3表示μ(i,fn)和ρ(i,fn)在交互规模值Ttr(i)中所占的比重,而当fn≥Fmax时,这样能增加算法的适应性,达到提高算法准确性的目的。而服务车辆节点2i提供的存储空间和提供的服务时长,对于交互规模值Ttr(i)来说同等重要,所以α3和β3的取值相差不应过大,这里定义0.4<α3<0.6。
服务车辆节点2i自身提供的存储资源大小以及提供服务的时长,这里考虑到μ(i,fn)和ρ(i,fn)所代表的物理意义不同,单位不同,单纯从数值大小进行综合会对最终结果Ttr(i,fn)带来很大的影响,所以这里通过最小-最大归一法来对公式进行改进;
其中,最近n天车辆节点2i在这两个时间段平均每次服务提供的虚拟机个数μ(i,fn)经过归一化处理后为:
且0<μ′(i,fn)<1
此公式中,smin表示最近n天车辆节点2i在这两个时间段每次服务提供的虚拟机个数的最小值,smax表示最近n天车辆节点2i在这两个时间段每次服务提供的虚拟机个数的最大值,经过最小-最大归一法处理之后,使得0<μ′(i,fn)<1;
其中,最近n天车辆节点2i在这两个时间段平均每次提供服务的时长ρ(i,fn)经过归一化处理后为:
且0<ρ′(i,fn)<1
此公式中,tmin表示最近n天车辆节点2i在这两个时间段每次提供服务时长的最小值,tmax表示最近n天车辆节点2i在这两个时间段每次提供服务时长的最大值,经过最小-最大归一法处理之后,使得0<ρ′(i,fn)<1;
综上,最终服务车辆节点2i提供服务的交互规模值Ttr(i)用公式表示为:
以上的信任值更新方法为车辆节点2的筛选以及服务的评价提供了帮助。
以上所述仅是本发明的优选方式,应当指出,对于本领域普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干相似的变形和改进,这些也视为发明保护之内。
Claims (8)
1.一种停车场云存储资源的信任计算方法,其中,包括以下步骤:
步骤一:公云服务器接受用户车辆节点发出的存储资源请求信号,所述存储资源请求信号包括所述用户车辆节点需要的存储资源大小以及所述存储资源的类型;
步骤二:所述公云服务器根据接受到的请求信号,通过计算信任值、距离和花费获取符合请求信号的若干候选服务车辆节点;
步骤三:所述公云服务器向所述服务车辆节点发出服务信号,同时向所述用户车辆节点发出反馈信号,使得所述服务车辆节点与所述用户车辆节点进行信号连接,车辆存储资源共享网络形成,服务开始;
步骤四:所述车辆存储资源共享网络中,当某一服务车辆节点离开或者终止服务时,终止服务的车辆向所述公云服务器发出告知信号,所述公云服务器将原暂存于终止服务车辆节点中的数据迁移到公云本地的缓冲池当中,所述公云服务器重新计算获取符合请求的服务车辆节点,然后将存放于缓冲池中的数据发送存储于新的服务车辆节点中,重新建立新的车辆存储资源共享网络;
步骤五:所述公云服务器对所述车辆存储资源共享网络中的服务车辆节点进行信任值更新。
2.根据权利要求1所述的一种停车场云存储资源的信任计算方法,其特征在于,所述存储资源类型这里指需要存储的文件的种类,例如文本文件,声音文件,视频文件,可执行文件。
3.根据权利要求1所述的一种停车场云存储资源的信任计算方法,其特征在于,公云服务器与车辆节点之间的信号发送与接收,所述公云服务器与车辆节点之间通过RSU(RoadSide Unit,路侧单元)进行信号的发送与接收,所述停车场被划分成若干区域,每个区域的中心都设置有RSU,所述车辆节点以无线方式发送信号给自身所在区域的RSU,所述RSU再将信号以有线方式通过电缆发送给所述公云服务器,同样的,所述公云服务器将信号发送给车辆存储资源共享网络中的车辆节点所在的RSU,之后所述RSU再将信号发送到所在区域中的车辆节点上,目的在于可以避免距离带来的通讯影响,使得整个停车场中的车辆节点都可以通过各个区域中RSU之间的连接实现相互通讯。
4.根据权利要求1所述的一种停车场云存储资源的信任计算方法,其特征在于,步骤五中的信任值更新,
信任值更新综合服务车辆节点自身的特征和服务车辆节点提供服务的交互规模,用公式表示为:
Dtr(i)=α1*Utr(i,n)+β1*Ttr(i),且α1+β1=1,0.1<α1<0.3,其中,
Dtr(i)表示服务车辆节点i总的信任值,
Utr(i,n)表示所述服务车辆节点i自身最近n天所反映的特征属性值,
Ttr(i)表示所述服务车辆节点i提供服务的交互规模值,
α1和β1则表示Utr(i,n)和Ttr(i)在总信任值Dtr(i)中所占的比重,而所述总信任值Dtr(i)与交互规模值Ttr(i)的关联度更大,所以这里设置α1<β1,为了可以更加准确分辨Utr(i,n)与Ttr(i)的比重,定义0.1<α1<0.3,β1=1-α1。
5.根据权利要求4所述的一种停车场云存储资源的信任计算方法,其特征在于,服务车辆节点i自身最近n天所反映的特征属性值Utr(i,n),
在停车场环境中的每一个车辆节点都会将自身的停车时间记录于所述公云服务器当中,时间记录表将一天24小时划分成四个时间段,0时至6时为夜间停车时间段,6时到12时为早间停车时间段,12时到18时为午间停车时间段,18时到24时为晚间停车时间段,以最近n天为记录,将所述车辆节点在这最近n天中的停车状态记录于停车时间表中,之后在所述公云服务器选取服务车辆节点的时候,会通过停车时间表计算出当前时间段与下一个时间段所有车辆的停车时间覆盖率,
用公式表示为:
且0<η(i,n)<1,其中,
η(i,n)表示车辆节点i在最近n天停车的停车覆盖率,
wj表示所述车辆节点i在第j天中的早间时间段与午间时间段停车的时长,
则表示所述车辆节点i在最近n天中的早间时间段与午间时间段停车的总时长;
此外,时间停车表中还记录有每个时间段每个车辆节点曾经提供的服务数量以及最终完成的服务数量,用公式表示为:
且其中,
表示车辆节点i在最近n天停车服务完成率,
vj表示所述车辆节点i在第j天中的早间时间段与午间时间段最终完成的服务数量,
则表示所述车辆节点i在最近n天中的早间时间段与午间时间段最终完成的服务总数量,
Vj表示所述车辆节点i在第j天中的早间时间段与午间时间段提供服务的数量,
则表示所述车辆节点i在最近n天中的早间时间段与午间时间段提供服务的总数量;
综上,服务车辆节点i自身最近n天所反映的特征属性值Utr(i,n)最终用公式表示为:
且α2+β2=1,0.4<α2<0.6,其中,α2和β2表示η(i,n)和在特征属性值Utr(i,n)中所占的比重,
停车覆盖率η(i,n)和停车服务完成率对于节点i自身特征属性值Utr(i,n)来说,相关性都比较明显,所以α2和β2的取值相差不应过大,这里定义0.4<α2<0.6。
6.根据权利要求4所述的一种停车场云存储资源的信任计算方法,其特征在于,服务车辆节点i提供服务的交互规模值Ttr(i),在服务完成之后,服务车辆节点i会根据自身提供的存储资源大小以及提供服务的时长,得到交互规模值Ttr(i),这里所说的存储资源大小被看成以块为单位的虚拟机,这样做的目的可以使每块存储空间相互独立,减少恶意攻击带来的损失。
7.根据权利要求6所述的一种停车场云存储资源的信任计算方法,其特征在于,
所述服务车辆节点提供的存储资源会根据以往的历史记录进行综合,优点在于可以更加有效的综合历史记录对节点的服务进行合理的计算,用公式表示为:
且smin<μ(i,fn)<smax,其中,
fn表示最近n天所述车辆节点i在这两个时间段所交互的频次,所述交互频次指的是车辆节点提供存储资源服务并最终进行结算的次数,
sp表示第p次所述车辆节点i提供的虚拟机个数,
表示最近n天所述车辆节点i经过fn次服务后一共提供的虚拟机个数,
μ(i,fn)则表示最近n天所述车辆节点i在这两个时间段平均每次服务提供的虚拟机个数,
smin表示最近n天所述车辆节点i在这两个时间段每次服务提供的虚拟机个数的最小值,smax表示最近n天所述车辆节点i在这两个时间段每次服务提供的虚拟机个数的最大值;
所述服务车辆节点i提供服务的时长也会根据其历史记录进行综合,用公式表示为:
且tmin<ρ(i,fn)<tmax,其中,
fn表示最近n天所述车辆节点i在这两个时间段所交互的频次,
tp表示第p次所述车辆节点i提供服务的时长,
表示最近n天所述车辆节点i经过fn次服务后一共提供服务的总时长,
ρ(i,fn)则表示最近n天所述车辆节点i在这两个时间段平均每次服务提供服务的时长,
tmin表示最近n天所述车辆节点i在这两个时间段每次提供服务时长的最小值,tmax表示最近n天所述车辆节点i在这两个时间段每次提供服务时长的最大值;
根据实际情况可知,当一车辆节点在最近n天中这两个时间段提供的服务次数越多,其可靠性越高,所以,这里设置一个交互频次的最大阈值,记作Fmax;
综上所述,所述服务车辆节点i提供服务的交互规模值Ttr(i)用公式表示为:
其中,
α3和β3表示μ(i,fn)和ρ(i,fn)在交互规模值Ttr(i)中所占的比重。
8.根据权利要求7所述的一种停车场云存储资源的信任计算方法,其特征在于,服务车辆节点i自身提供的存储资源大小以及提供服务的时长,
其中,最近n天所述车辆节点i在这两个时间段平均每次服务提供的虚拟机个数μ(i,fn)经过归一化处理后为:
且0<μ′(i,fn)<1
此公式中,smin表示最近n天所述车辆节点i在这两个时间段每次服务提供的虚拟机个数的最小值,smax表示最近n天所述车辆节点i在这两个时间段每次服务提供的虚拟机个数的最大值,经过最小-最大归一法处理之后,使得0<μ′(i,fn)<1;
其中,最近n天所述车辆节点i在这两个时间段平均每次提供服务的时长ρ(i,fn)经过归一化处理后为:
且0<ρ′(i,fn)<1
此公式中,tmin表示最近n天所述车辆节点i在这两个时间段每次提供服务时长的最小值,tmax表示最近n天所述车辆节点i在这两个时间段每次提供服务时长的最大值,经过最小-最大归一法处理之后,使得0<ρ′(i,fn)<1;
综上所述,最终所述服务车辆节点i提供服务的交互规模值Ttr(i)用公式表示为:
以上所述的信任值更新方法为车辆节点的筛选以及服务的评价提供了帮助。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811440413.6A CN109542355B (zh) | 2018-11-28 | 2018-11-28 | 一种停车场云存储资源的信任计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811440413.6A CN109542355B (zh) | 2018-11-28 | 2018-11-28 | 一种停车场云存储资源的信任计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109542355A true CN109542355A (zh) | 2019-03-29 |
CN109542355B CN109542355B (zh) | 2022-04-15 |
Family
ID=65851112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811440413.6A Active CN109542355B (zh) | 2018-11-28 | 2018-11-28 | 一种停车场云存储资源的信任计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109542355B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110446204A (zh) * | 2019-09-11 | 2019-11-12 | 南通大学 | 一种适用于车联网络车辆结点的信任值计算方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104767797A (zh) * | 2015-03-18 | 2015-07-08 | 广东工业大学 | 一种车联网固定热点资源分布存储与下载方法 |
CN105847326A (zh) * | 2016-03-14 | 2016-08-10 | 河海大学 | 一种车联云资源动态部署系统 |
US20170116117A1 (en) * | 2015-10-26 | 2017-04-27 | Sandisk Technologies Inc. | Identifying storage descriptors based on a metric |
CN107506432A (zh) * | 2017-08-22 | 2017-12-22 | 安徽大学 | 一种面向车载视频的基于边缘计算的目标检测方法及系统 |
CN107995262A (zh) * | 2017-11-16 | 2018-05-04 | 北京交通大学 | 基于停放车辆的车载云系统及使用方法 |
CN108322488A (zh) * | 2017-01-16 | 2018-07-24 | 广州市联奥信息科技有限公司 | 在多个车联网中实现可信数据共享和分发的系统 |
-
2018
- 2018-11-28 CN CN201811440413.6A patent/CN109542355B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104767797A (zh) * | 2015-03-18 | 2015-07-08 | 广东工业大学 | 一种车联网固定热点资源分布存储与下载方法 |
US20170116117A1 (en) * | 2015-10-26 | 2017-04-27 | Sandisk Technologies Inc. | Identifying storage descriptors based on a metric |
CN105847326A (zh) * | 2016-03-14 | 2016-08-10 | 河海大学 | 一种车联云资源动态部署系统 |
CN108322488A (zh) * | 2017-01-16 | 2018-07-24 | 广州市联奥信息科技有限公司 | 在多个车联网中实现可信数据共享和分发的系统 |
CN107506432A (zh) * | 2017-08-22 | 2017-12-22 | 安徽大学 | 一种面向车载视频的基于边缘计算的目标检测方法及系统 |
CN107995262A (zh) * | 2017-11-16 | 2018-05-04 | 北京交通大学 | 基于停放车辆的车载云系统及使用方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110446204A (zh) * | 2019-09-11 | 2019-11-12 | 南通大学 | 一种适用于车联网络车辆结点的信任值计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109542355B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767265A (zh) | 一种数据共享方法及服务器 | |
CN103995807B (zh) | 一种基于Web架构下海量数据查询和二次处理的方法 | |
WO2019001214A1 (zh) | 信息的传输方法、装置和系统 | |
CN106951446B (zh) | 金融信息推送方法和装置 | |
CN106911670B (zh) | 一种车联网中的隐私保护系统及方法 | |
CN110113381A (zh) | 一种区块链中订阅主题的方法及装置 | |
CN111367965B (zh) | 目标对象确定方法、装置、电子设备及存储介质 | |
CN110851531B (zh) | 协作边缘计算方法、区块链和协作边缘计算系统 | |
TW202022640A (zh) | 基於區塊鏈的共享資源租賃方法、裝置和電腦設備 | |
CN105447116A (zh) | 基于Mamdani算法的停车诱导决策方法 | |
CN106529914A (zh) | 一种自动催费方法及装置 | |
CN109102664A (zh) | 基于区块链实现图书共享的方法、图书借阅终端及存储介质 | |
CN111667273A (zh) | 基于区域与主体的数字货币使用方法、装置及电子设备 | |
CN109542355A (zh) | 一种停车场云存储资源的信任计算方法 | |
CN110730220B (zh) | 基于系统当前业务能力整合的智能调度方法和装置 | |
Ying et al. | BAVPM: Practical autonomous vehicle platoon management supported by blockchain technique | |
CN110992728A (zh) | 基于区块链的停车服务方法及系统 | |
CN114945022A (zh) | 一种基于区块链的车联网边缘计算共享方法 | |
CN110162274A (zh) | 一种基于区块链的数据处理方法、装置及设备 | |
CN113205199A (zh) | 手机银行外币现钞预约方法及装置 | |
CN111698166A (zh) | 交易报文路由方法、装置、路由服务器及存储介质 | |
CN111461687A (zh) | 基于终端设备的区块链服务平台的应用系统及其实现方法 | |
CN105677478A (zh) | 资源管理的方法和装置 | |
CN109842482A (zh) | 一种信息同步方法、系统及终端设备 | |
CN112417018B (zh) | 一种数据共享方法及装置 |
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 |
Effective date of registration: 20240626 Address after: 230000 B-1015, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui. Patentee after: HEFEI MINGLONG ELECTRONIC TECHNOLOGY Co.,Ltd. Country or region after: China Address before: 226000 No. 9 Siyuan Road, Chongchuan District, Nantong City, Jiangsu Province Patentee before: NANTONG University Country or region before: China |