CN110177356A - 一种基于信任模型的车载命名数据网络转发方法 - Google Patents

Abstract

本发明公开了一种基于信任模型的车载命名数据网络转发方法，为了获得可靠的数据并使应用程序在VNDN中高效工作，通过识别恶意和自私的车辆节点，并在源请求节点N_R接收数据包后，通过使用K‑means聚类算法对接收的Data包分簇，源请求节点节点N_R选择距离最大簇的簇心最近的数据包内容，作为Interest包对应的结果，确保车辆获得的数据可信。本方法从节点信任和数据信任两方面综合考虑，提升了数据包传输的安全性和可靠性，同时有效地检测和处理VANETs中不同类型的恶意行为，降低了传输延迟，提高了消息的转发效率，优化了VANETs网络整体性能。

Description

一种基于信任模型的车载命名数据网络转发方法

技术领域

本发明涉及车载命名数据网络领域，具体为一种基于信任模型的车载命名数据网络转发方法。

背景技术

车载自组织网络(VANETs)通常用于减少交通事故，提高交通效率和安全性。VANETs中所有应用都基于节点之间的数据交换，因此不仅需要确保数据传输的可靠性，数据本身的真实性和可靠性也是先决条件。在命名数据网络(NDN)中，请求节点基于拉的方式发出兴趣包(Interest包)，并通过节点之间的通信来获得回传的数据包(Data包)，极大地提升了通信效率。但现有的VNDN转发方法中并未引入安全机制来确保传输的可靠性，导致Data包的回传存在一定风险。

发明内容

本发明的目的在于提供一种基于信任模型的车载命名数据网络转发方法，以克服现有技术的不足。

为达到上述目的，本发明采用如下技术方案：

一种基于信任模型的车载命名数据网络转发方法，包括以下步骤：

步骤1)、利用节点B发送Interest包，节点A_k接收节点B发送的Interest包，节点B为车联网中任一车辆节点，节点B的邻居节点的集合为A＝{A₁,A₂,...,A_k,...,A_p}，A_k为节点B任意一个邻居节点，p为节点B邻居节点的总数目，N_R为源请求节点，源请求节点为第一个发送Interest包节点；

步骤2)、节点A_k判断上一跳节点B是否可信，如果节点A_k判断上一跳节点B可信，则进入下一步，否则，节点A_k丢弃接收到节点B发送的Interest包；

步骤3)、节点A_k接收到节点B发送的Interest包并判断节点A_k的CS中是否缓存了相应的Data包，若节点A_k的CS中并未缓存相应的Data包，则进入下一步，若节点A_k的CS中缓存了相应的Data包，节点A_k则回传Data包，并跳转至步骤5)；

步骤4)、节点A_k对接收到的Interest包的类型进行判断，针对不同类别消息选择不同转发策略；安全类消息考虑多种影响因素计算听等时间确定转发节点；非安全类消息则考虑速度，距离因素来计算听等时间，听等时间到期后，节点A_k转发Interest包，跳至步骤1)；

步骤5)、源请求节点N_R使用K-means聚类算法将节点A_k回传的Data包的内容构成的数据集进行聚类，完成车载命名数据网络转发。

进一步的，节点A_k对节点B前一时间窗口的恶意倾向进行判断，恶意倾向计算公式如下：

其中n为节点B成功回传节点A_k所请求消息行为的数量，即合法行为的数量；m为节点B未成功回传节点A_k所请求消息行为的数量，即恶意行为的数量；L表示合法行为，L_i为第i个合法行为；Ma表示恶意行为，Ma_j为第j个恶意行为，为前一时间窗口节点A_k对节点B的恶意行为在它们所有通信行为中所占比例，使用平均权重值作为节点B是否有恶意倾向的阈值，平均权重值取值为0.6，如果节点B的大于阈值，则说明节点B有恶意倾向，否则没有恶意倾向。

进一步的，节点A_k对节点B的直接信任值进行计算，计算公式如下：

为节点A_k计算的节点B的当前直接信任；是节点A_k前一时间窗口计算的节点B直接信任 是节点A_k对节点B增加了激励机制后计算的最终直接信任；当两节点没有交互记录时，节点之间的直接信任为0.5。

进一步的，步骤2)中，通过与节点B有通信的节点计算节点B的推荐信任，节点A_k对比自己的邻居列表中有C＝{C₁,C₂,...,C_l,...,C_d}与节点B有通信，节点A_k计算节点B和列表中每个邻居的推荐信任的相似性S_(B,Cl)：

节点C_l是列表C中的任一节点；RTP_B为B的推荐信任表，为节点C_l的推荐信任表；

节点A_k利用上述相似性来计算节点B的间接信任值计算公式如下：

通过直接信任和间接信任计算对节点B的综合信任值计算公式如下：

λ为信任权重系数，当综合信任大于阈值时，则上一跳节点B可信；否则上一跳节点B不可信，节点A_k丢弃接收到节点B发送的Interest包。

进一步的，若Interest包为安全类消息，则考虑当前节点与上一跳节点的距离、节点之间的速度差异、节点的活跃度和节点信任值四个因素来计算听等时间，针对不同的影响因素分配不同的权重系数，计算公式如下：

D_max为车辆之间的通信范围，D_st为当前节点和上一跳之间距离，为当前车辆的速度，V_B为上一跳节点的速度；time_max为最大听等时间。time_rand是随机时间，防止发生冲突。α,β,γ,ε分别为调整系数，α+β+γ+ε＝1。

进一步的，若Interest包为非安全类消息，则只用考虑速度和位置因素来计算听等时间，听等时间计算公式如下：

μ,ν为调整系数，μ+ν＝1。

进一步的，源请求节点N_R从数据集中随机选择K个对象，分别作为K个类别的初始聚类中心；源请求节点N_R计算剩余每个对象与各个聚类中心的欧氏距离，并将其划分到距离最近的子类中，然后重新计算每个子类中所有对象的平均值，将其作为新的聚类中心，重复上述过程，直到聚类中心不再变化。

进一步的，源请求节点N_R选择距离最大簇的簇心最近的数据包内容，作为Interest包对应的结果。

与现有技术相比，本发明具有以下有益的技术效果：

本发明一种基于信任模型的车载命名数据网络转发方法，为了获得可靠的数据并使应用程序在VNDN中高效工作，通过识别恶意和自私的车辆节点，并在源请求节点N_R接收数据包后，通过使用K-means聚类算法对接收的Data包分簇，源请求节点节点N_R选择距离最大簇的簇心最近的数据包内容，作为Interest包对应的结果，确保车辆获得的数据可信。本方法从节点信任和数据信任两方面综合考虑，提升了数据包传输的安全性和可靠性，同时有效地检测和处理VANETs中不同类型的恶意行为，降低了传输延迟，提高了消息的转发效率，优化了VANETs网络整体性能。

进一步的，通过与节点B有通信的节点计算节点B的推荐信任，利用推荐信用获取节点B的综合信任值能够有效避免直接信任的主观性和片面性以增强其客观性，提高判断准确率。

附图说明

图1为本发明方法流程图。

图2为推荐信任值计算示意图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

在命名数据网络中，包含三种类型的数据包：Interest包、Data包和Beacon包；本发明中添加了一种数据包RTP包，该数据包用来发送与自身车辆节点存在交互行为的车辆的信任度；在车联网中，定义B为车联网中任一车辆节点，节点B的邻居节点的集合为A＝{A₁,A₂,...,A_k,...,A_p}，A_k为节点B任意一个邻居节点，p为节点B邻居节点的总数目，N_R为源请求节点。在VANETs网络中消息类型包括安全消息、娱乐消息、公共服务消息以及辅助驾驶消息，本申请对消息类型进行识别区分。

如图1所示，一种基于信任模型的车载命名数据网络转发方法，包括以下步骤：

步骤1，首先将网络中的消息分为安全类消息S和非安全类消息E，并分别为消息安全类消息S和非安全类消息E分配权重W_(X)；安全类消息即安全驾驶相关的消息，包括拥堵、道路维护、道路封闭和严重事故，非安全类消息包括停车场和加油站位置等；

步骤2，定义B为车联网中任一车辆节点，节点B的邻居节点的集合为A＝{A₁,A₂,...,A_k,...,A_p}，A_k为节点B任意一个邻居节点，p为节点B邻居节点的总数目，N_R为源请求节点，节点B发送Interest包，节点A_k接收Interest包；

步骤3，节点A_k判断上一跳节点B是否可信；

3.1节点A_k对节点B前一时间窗口的恶意倾向进行判断，恶意倾向计算公式如下：

其中n为节点B成功回传节点A_k所请求消息行为的数量，即合法行为的数量；m为节点B未成功回传节点A_k所请求消息行为的数量，即恶意行为的数量；L表示合法行为，L_i为第i个合法行为；Ma表示恶意行为，Ma_j为第j个恶意行为。

为前一时间窗口节点A_k对节点B的恶意行为在节点A_k和节点B所有通信行为中所占比例；转发成功率越高，可信度越高。但是对于仅转发非安全消息的狡猾节点而言，很难得到客观、正确的信任值；为了解决这个问题有必要设计恰当的方法对狡猾的节点进行识别，由于节点的恶意倾向与未被转发的数据的平均权重密切相关，节点A_k可以通过上述方法来评估节点B的恶意倾向。

假设VANETs的安全类消息和非安全类消息的比例为2：8；结合两种消息的权重，VANETs中消息的平均权重可计算为(1×0.2+0.5×0.8)＝0.6，使用平均权重值作为节点B是否有恶意倾向的阈值，如果节点B的大于阈值，则说明节点B有恶意倾向，否则没有恶意倾向。

3.2节点A_k对节点B的直接信任值进行计算，计算公式如下：

为节点A_k计算的节点B的当前直接信任；是节点A_k前一时间窗口计算的节点B直接信任；是节点A_k对节点B增加了激励机制后计算的最终直接信任；当两节点没有交互记录时，节点之间的直接信任为0.5；如公式(3)第二项，当大于设定阈值时，若惩罚加倍，降低信任值差值的两倍，如公式(3)第一项，若增加的信任值差值减半；当小于设定阈值时，等于

3.3推荐信任用于避免直接信任的主观性和片面性以增强其客观性，由于它主要受第三方的影响，因此有必要使用多个邻居推荐来计算。

节点B的推荐信任需要通过与节点B有通信的节点计算，如图2所示，节点A_k发现自己的邻居列表中有C＝{C₁,C₂,...,C_l,...,C_d}与节点B有通信，节点A_k计算节点B和列表中每个邻居的推荐信任的相似性S_(B,Cl)。

节点C_l是列表C中的任一节点。RTP_B为B的推荐信任表，为节点C_l的推荐信任表。

3.4节点A_k利用上述相似性来计算节点B的间接信任值计算公式如下：

3.5节点A_k通过直接信任和间接信任计算对节点B的综合信任值计算公式如下：

λ为信任权重系数，当综合信任大于阈值时，则上一跳节点可信，执行步骤4；否则，不可信，丢弃Interest包。

步骤4，节点A_k根据接收到节点B发送的Interest包，判断节点A_k的CS(ContentStore)中是否缓存了相应的Data包；

4.1若节点A_k的CS中并未缓存相应的Data包，则执行步骤5；

4.2若节点A_k的CS中缓存了相应的Data包，节点A_k则回传Data包，跳转至步骤6；

步骤5，节点A_k对Interest包的类型进行判断，考虑多种影响因素计算听等时间，确定转发节点；

5.1若Interest包为安全类消息，则考虑当前节点与上一跳节点的距离、节点之间的速度差异、节点的活跃度和节点信任值四个因素来计算听等时间。针对不同的影响因素分配不同的权重系数，计算公式如下：

D_max为车辆之间的通信范围，D_st为当前节点和上一跳之间距离，为当前车辆的速度，V_B为上一跳节点的速度。time_max为最大听等时间。time_rand是随机时间，防止发生冲突。α,β,γ,ε分别为调整系数，α+β+γ+ε＝1。

5.2若Interest包为非安全类消息，则只用考虑速度和位置因素来计算听等时间，听等时间计算公式如下：

μ,ν为调整系数，μ+ν＝1。

5.3听等时间到期后，继续转发Interest包，跳至步骤2；

步骤6，源请求节点N_R使用K-means聚类算法将回传Data包的内容构成的数据集进行聚类；

6.1源请求节点N_R从数据集中随机选择K个对象，分别作为K个类别的初始聚类中心；

6.2源请求节点N_R计算剩余每个对象与各个聚类中心的欧氏距离，并将其划分到距离最近的子类中。然后重新计算每个子类中所有对象的平均值，将其作为新的聚类中心。重复上述过程，直到聚类中心不再变化；

6.3源请求节点N_R选择距离最大簇的簇心最近的Data包内容，作为Interest包对应的结果。

本方法从节点信任(定义为VANETs中车辆节点的可信度)和数据信任(定义为Data包是否可信)两方面综合考虑，提升了数据包传输的安全性和可靠性，同时有效地检测和处理VANETs中不同类型的恶意行为，降低了传输延迟，提高了消息的转发效率，优化了VANETs网络整体性能。

Claims (9)

1.一种基于信任模型的车载命名数据网络转发方法，其特征在于，包括以下步骤：

步骤1)、利用节点B发送Interest包，节点A_k接收节点B发送的Interest包，节点B为车联网中任一车辆节点，节点B的邻居节点的集合为A＝{A₁,A₂,...,A_k,...,A_p}，A_k为节点B任意一个邻居节点，p为节点B邻居节点的总数目，N_R为源请求节点，源请求节点为第一个发送Interest包节点；

步骤2)、节点A_k判断上一跳节点B是否可信，如果节点A_k判断上一跳节点B可信，则进入下一步，否则，节点A_k丢弃接收到节点B发送的Interest包；

步骤3)、节点A_k接收到节点B发送的Interest包并判断节点A_k的CS中是否缓存了相应的Data包，若节点A_k的CS中并未缓存相应的Data包，则进入下一步，若节点A_k的CS中缓存了相应的Data包，节点A_k则回传Data包，并跳转至步骤5)；

步骤4)、节点A_k对接收到的Interest包的类型进行判断，针对不同类别消息选择不同转发策略；安全类消息考虑多种影响因素计算听等时间确定转发节点；非安全类消息则考虑速度，距离因素来计算听等时间，听等时间到期后，节点A_k转发Interest包，跳至步骤1)；

步骤5)、源请求节点N_R使用K-means聚类算法将节点A_k回传的Data包的内容构成的数据集进行聚类，完成车载命名数据网络转发。

2.根据权利要求1所述的一种基于信任模型的车载命名数据网络转发方法，其特征在于，步骤2)中节点A_k判断上一跳节点B是否可信，首先评估节点B的恶意倾向：节点A_k对节点B前一时间窗口的恶意倾向进行判断，得到前一时间窗口节点A_k对节点B的恶意行为在它们所有通信行为中所占比例

其中n为节点B成功回传节点A_k所请求消息行为的数量；m为节点B未成功回传节点A_k所请求消息行为的数量；W_(X)为消息分配权重；L表示合法行为，L_i为第i个合法行为；Ma表示恶意行为，Ma_j为第j个恶意行为，使用平均权重值作为节点B是否有恶意倾向的阈值，平均权重值取值为0.6，如果节点B的大于阈值，则说明节点B有恶意倾向，否则没有恶意倾向。

3.根据权利要求2所述的一种基于信任模型的车载命名数据网络转发方法，其特征在于，根据得到的计算节点A_k对节点B的直接信任值

为节点A_k计算的节点B的当前直接信任；是节点A_k前一时间窗口计算的节点B直接信任；是节点A_k对节点B增加了激励机制后计算的最终直接信任；当两节点没有交互记录时，两个节点之间的直接信任为0.5。

4.根据权利要求3所述的一种基于信任模型的车载命名数据网络转发方法，其特征在于，通过与节点B有通信的节点计算节点B的推荐信任，获取节点B的综合信任值节点A_k对比自己的邻居列表中有C＝{C₁,C₂,...,C_l,...,C_d}与节点B有通信，节点A_k计算节点B和列表中每个邻居的推荐信任的相似性

节点C_l是列表C中的任一节点；RTP_B为B的推荐信任表，为节点C_l的推荐信任表；

节点A_k利用上述相似性来计算节点B的间接信任值计算公式如下：

通过直接信任和间接信任计算对节点B的综合信任值计算公式如下：

λ为信任权重系数，当综合信任大于阈值时，则上一跳节点B可信；否则上一跳节点B不可信，节点A_k丢弃接收到节点B发送的Interest包。

5.根据权利要求1所述的一种基于信任模型的车载命名数据网络转发方法，其特征在于，若Interest包为安全类消息，则考虑当前节点与上一跳节点的距离、节点之间的速度差异、节点的活跃度和节点信任值四个因素来计算听等时间，针对不同的影响因素分配不同的权重系数，计算公式如下：

D_max为车辆之间的通信范围，D_st为当前节点和上一跳之间距离，为当前车辆的速度，V_B为上一跳节点的速度；time_max为最大听等时间，time_rand是随机时间，防止发生冲突，α,β,γ,ε分别为调整系数，α+β+γ+ε＝1。

6.根据权利要求1所述的一种基于信任模型的车载命名数据网络转发方法，其特征在于，若Interest包为非安全类消息，则只用考虑速度和位置因素来计算听等时间，听等时间计算公式如下：

μ,ν为调整系数，μ+ν＝1。

7.根据权利要求1所述的一种基于信任模型的车载命名数据网络转发方法，其特征在于，源请求节点N_R从数据集中随机选择K个对象，分别作为K个类别的初始聚类中心；源请求节点N_R计算剩余每个对象与各个聚类中心的欧氏距离，并将其划分到距离最近的子类中，然后重新计算每个子类中所有对象的平均值，将其作为新的聚类中心，重复上述过程，直到聚类中心不再变化。

8.根据权利要求7所述的一种基于信任模型的车载命名数据网络转发方法，其特征在于，源请求节点N_R选择距离最大簇的簇心最近的数据包内容，作为Interest包对应的结果。

9.根据权利要求1所述的一种基于信任模型的车载命名数据网络转发方法，其特征在于，消息分配权重W_(X)：

其中，S为安全类消息，E为非安全类消息。