CN110177370B - 一种面向车联网的共谋恶意车辆节点检测方法 - Google Patents

Abstract

本发明公开了一种面向车联网的共谋恶意车辆节点检测方法，本发明考虑车联网中道路安全事件消息时效性、消息可信度与车辆节点可信度的动态交互影响等因素，判断车辆节点接收的安全事件消息真假，然后依据发送真假消息个数、邻居评价因素计算发送消息的车辆节点信任值，判定单个恶意车辆节点及共谋嫌疑车辆节点名单，最后路侧单元RSU累计多个车辆节点发送的共谋嫌疑车辆节点名单，确定共谋恶意车辆节点；该方法不仅有效过滤了车联网中虚假安全事件消息，提高了共谋恶意车辆节点检测准确率，而且提高了车联网的安全性能及运行效率，为城市智能交通的安全应用提供有效技术支撑。

Description

一种面向车联网的共谋恶意车辆节点检测方法

技术领域

本发明涉及车联网安全技术领域，具体为一种面向车联网的共谋恶意车辆节点检测方法。

背景技术

车联网中的恶意车辆节点检测技术是车联网安全的一个重要方面。车联网中恶意车辆节点发送虚假安全消息，篡改安全消息等行为会扰乱交通，降低车联网的安全性能，恶意车辆节点共谋会严重降低车联网的网络性能，甚至会导致车联网网络瘫痪，因此检测恶意车辆节点及其共谋意义重大。车联网中车辆节点交互的消息可信度与车辆节点可信度联系紧密，互相影响，有机结合两者才可有效检测共谋恶意车辆节点。目前，现存恶意车辆节点检测方法中很少考虑恶意车辆节点共谋的情况，并且未充分考虑车辆节点交互消息的时效性、消息可信度与车辆节点可信度的动态交互影响等因素，车联网中恶意车辆节点的共谋现象，即两个或多个车辆节点一起协作对交通安全信息进行伪造，篡改等行为，共谋恶意车辆节点检测方面存在比单个恶意车辆节点检测更难，准确率低等问题。

发明内容

本发明的目的在于提供一种面向车联网的共谋恶意车辆节点检测方法，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：

一种面向车联网的共谋恶意车辆节点检测方法，包括以下步骤：

步骤1)，在车联网中，车辆节点间相互通信，V_i接收到V_j发送的道路安全事件E的消息msg_E；V_i表示接收消息的任一车辆节点，V_j表示发送消息的任一车辆节点；V_i判断接收到V_j发送的有关道路安全事件E的消息msg_E的相关属性，更新V_i自身的安全事件表SET；

步骤2)、V_i计算接收到安全道路事件E的msg_E的信任度T_{msg_E}，根据得到的信任度T_{msg_E}判断接收到安全道路事件E的真假；

步骤3)、计算V_j的信任度，检测单个恶意节点：

首先分别计算V_j的通信信任T_{D_V}和V_j的邻居信任T_{ID_V}，同时V_i通过RSU获取V_j的信任值，根据式(7)计算V_j的综合信任T_{COM_V}：

T_{COM_V}＝αT_{D_V}+βT_{ID_V}+γT_{RSU_V}(7)

式中，T_{COM_V}表示V_j的综合信任值；T_{D_V}表示V_j的通信信任值；T_{ID_V}表示V_j的邻居信任值；T_{RSU_V}表示RSU对V_j的信任值；α,β,γ表示权重因子，由多次仿真实验获得最优值；根据计算得到的V_j的综合信任T_{COM_V}更新V_i自身邻居信任表NTL；若

确定V_j为正常节点，不进行步骤4的共谋恶意车辆节点检测；若

确定V_j为恶意节点，在邻居信任表NTL中进行标注，进行步骤4)的共谋恶意车辆节点检测，

表示车辆节点综合信任值T_{COM_V}阈值；

步骤4)、根据步骤3)确定V_j为恶意节点时，遍历V_i中的邻居评价表NEL，根据每个邻居节点V_r返回V_j的评价信誉值

判断每个邻居节点V_r与V_j是否有共谋嫌疑，若

则邻居节点V_r与V_j有共谋嫌疑；若

则邻居节点V_r与V_j无共谋嫌疑；

为共谋恶意车辆节点嫌疑的信任阈值，V_j向RSU发送共谋嫌疑的恶意节点列表，最后由RSU确定共谋恶意节点。

进一步的，步骤1)具体包括以下步骤：V_i接收到V_j发送的关于道路安全事件E的道路安全事件消息msg_E；V_i判断接收到的道路安全事件消息msg_E中事件类型E_Type、事件时间E_Time及事件地点E_Point属性，将接收到的道路安全事件消息msg_E的三种属于与V_i自身SET中的事件属性分别对比；

1.1.1、若接收到的道路安全事件消息msg_E中的E_Type与V_i自身SET中的E_Type一致、接收到的道路安全事件消息msg_E中的E_Time≤ΔE_Time且接收到的道路安全事件消息msg_E中的E_Point≤ΔE_Point，则判断接收到的道路安全事件消息msg_E描述V_i自身SET中的事件，OBU将其划分为SET中关于事件E的消息。ΔE_Time表示时间阈值；ΔE_Point表示地理位置阈值；

1.1.2、若接收到的道路安全事件消息msg_E中的E_Type与V_i自身SET中的E_Type不一致或者接收到的道路安全事件消息msg_E中的E_Time>ΔE_Time或者接收到的道路安全事件消息msg_E中的E_Point>ΔE_Point，则判断接收到的道路安全事件消息msg_E描述新的道路安全事件E_new，OBU将其划分为SET中的新事件E_new。

进一步的，步骤2)具体包括以下步骤：

2.1、V_i计算安全道路事件E的msg_E的信任度T_{msg_E}：

2.1.1、首先计算接收到的道路安全事件消息msg_E的有效存活时间TTL_{msg_E}：设定道路安全事件消息的初始有效存活时间为

根据式(1)计算消息msg_E的有效存活时间TTL_{msg_E}：

式中，TTL_{msg_E}表示msg_E有效存活时间；

表示消息msg_E初始有效存活时间，其可根据道路状况进行设定；TM_now表示V_i接收到msg_E的当前时间，即V_i的OBU当前系统时间；TM_{msg_E}表示事件E发生的时间；

2.1.2、根据式(2)计算安全道路事件E的msg_E的信任度T_{msg_E}：

式中，T_{msg_E}表示msg_E的信任度；TTL_{msg_E}表示msg_E有效存活时间；

表示发送msg_E的V_j的旧信誉值，如若V_i与V_j没有历史交互信息，初始化

进一步的，计算道路安全事件E的信任度T_E，判断E的真假：

2.2.1、V_i在固定时间内，接收到多个关于E的消息msg_E：根据上述步骤计算出关于事件E的msg_E的信任度T_{msg_E}，根据式(3)计算E的信任度T_E：

式中，num_T表示步骤2.1计算出

的个数，num_F表示步骤2.1计算出

的个数，其中

表示消息信任度阈值。

进一步的，上述步骤中，若

表示事件信任度的阈值，OBU在SET中标注安全道路事件E为假，不转发E的消息；若

OBU在SET中标注安全道路事件E为真，转发E的消息。

进一步的，步骤3)具体包括以下步骤：

3.1计算发送消息节点V_j的通信信任T_{D_V}：

3.1.1根据V_i与V_j建立连接的次数及V_j发送真实道路安全事件消息的个数评估V_j的节点积极度：根据式(4)计算V_j的节点积极度γ：

式中，γ表示节点积极度；

表示V_i与V_j建立连接，V_j向V_i发送的真实道路安全事件消息个数；m表示V_i与V_j建立连接的次数；TM_now表示V_i的OBU系统当前时间；

表示V_i与V_j第一次建立连接的时间；

3.1.2计算V_j的通信信任T_{D_V}：根据式(5)计算V_j的通信信任T_{D_V}：

式中，γ表示节点积极度，由步骤3.1.1得到；t表示时间因子；

3.2计算V_j的邻居信任T_{ID_V}：V_i向V_r发送获取V_j的信任值请求，V_r接受请求并返回V_j的信任值

根据式(6)计算V_j的邻居信任T_{ID_V}；V_r表示邻居车辆节点；

式中，T_{ID_V}表示V_j的邻居信任值；

表示V_i保存至邻居信任表NTL中的V_r的信任值；n表示V_i的周围邻居车辆节点的数目；

表示V_r返回V_j的评价信任值，记录于邻居评价表NEL；

3.3计算V_j的综合信任T_{COM_V}：

3.3.1V_i通过RSU获取V_j的信任值；

3.3.2结合获取V_j的通信信任T_{D_V}、V_j的邻居信任T_{ID_V}和V_j的信任值T_{RSU_V}，根据式(7)计算V_j的综合信任T_{COM_V}：

T_{COM_V}＝αT_{D_V}+βT_{ID_V}+γT_{RSU_V} (7)

式中，T_{COM_V}表示V_j的综合信任值；T_{D_V}表示V_j的通信信任值；T_{ID_V}表示V_j的邻居信任值；T_{RSU_V}表示RSU对V_j的信任值；α,β,γ表示权重因子，由多次仿真实验获得最优值。

进一步的，V_i接收V_j发送的道路安全事件消息，根据得到的V_j的综合信任值T_{COM_V}，更新V_i自身邻居信任表NTL；若

确定V_j为正常节点，不进行步共谋恶意车辆节点检测；若

确定V_j为恶意节点，在邻居信任表NTL中进行标注，进行共谋恶意车辆节点检测，

表示车辆节点综合信任值T_{COM_V}阈值。

进一步的，V_i将有共谋嫌疑的恶意节点列表SLMN发送给RSU；根据节点V_i确定有共谋嫌疑的恶意车辆名单，V_i以道路安全事件E为单位，向RSU发送有共谋嫌疑的恶意节点名单；即SLMN包括用于标识不同道路安全事件E的编号E_ID和共谋嫌疑的恶意车辆集合V_CS＝{V_cs1,V_cs2,...,V_csm},V_csm表示有共谋嫌疑的任一车辆节点ID，标识不同车辆节点。

进一步的，RSU接收每个V_i发送的共谋嫌疑恶意节点列表SLMN，确定共谋节点集合V_C，即确定共谋恶意节点列表LCMN：RSU遍历多个SLMN,获取不同E中V_CS，求取num_q个V_CS集合的交集intersection_{V_C}＝{V_C1,V_C2,...,V_CX},其中，V_CX表示共谋车辆节点ID，标识不同车辆节点；num_q由多次仿真实验获取最优值；统计intersection_{V_C}集合中的车辆节点在不同E中共同出现次数num_bad,

表示次数阈值，若

确定intersection_{V_C}集合中的车辆节点为共谋恶意车辆节点，即LCMN＝{V_C1,V_C2,...,V_CX}。

进一步的，RSU将LCMN中的共谋恶意车辆节点的信任值设为0，并向车辆节点广播LCMN,车辆节点拒绝与共谋恶意车辆节点通信交互。

与现有技术相比，本发明具有以下有益的技术效果：

本发明一种面向车联网的共谋恶意车辆节点检测方法，在车联网中，车辆节点间互相通信，车辆节点V_i接收到车辆V_j发送的道路安全事件E的消息msg_E；V_i计算接收到安全道路事件E的msg_E的信任度T_{msg_E}，通过判断安全道路事件E的真假V_i计算V_j的信任度，检测单个恶意节点根据恶意节点来检测共谋恶意车辆节点，本方法考虑车联网中恶意车辆节点共谋的情况，有效过滤车联网中虚假安全事件消息，不仅提高了共谋恶意车辆节点检测准确率，而且提高了车联网的安全性能及运行效率，为城市智能交通的安全应用提供技术支撑。本发明考虑车联网中道路安全事件消息时效性、消息可信度与车辆节点可信度的动态交互影响等因素，判断车辆节点接收的安全事件消息真假，然后依据发送真假消息个数、邻居评价因素计算发送消息的车辆节点信任值，判定单个恶意车辆节点及共谋嫌疑车辆节点名单，最后路侧单元RSU累计多个车辆节点发送的共谋嫌疑车辆节点名单，确定共谋恶意车辆节点；该方法不仅有效过滤了车联网中虚假安全事件消息，提高了共谋恶意车辆节点检测准确率，而且提高了车联网的安全性能及运行效率，为城市智能交通的安全应用提供有效技术支撑。

附图说明

图1为本发明流程图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

如图1所示，本发明提供一种面向车联网的共谋恶意车辆节点检测方法，本方法考虑车联网中道路安全事件消息时效性、消息可信度与车辆节点可信度的动态交互影响等因素，判断车辆节点接收的安全事件消息真假，然后依据发送真假消息个数、邻居评价因素计算发送消息的车辆节点信任值，判定单个恶意车辆节点及共谋嫌疑车辆节点名单，最后路侧单元RSU(Road Side Unit)累计多个车辆节点发送的共谋嫌疑车辆节点名单，确定共谋恶意车辆节点；该方法不仅有效过滤了车联网中虚假安全事件消息，提高了共谋恶意车辆节点检测准确率，而且提高了车联网的安全性能及运行效率，为城市智能交通的安全应用提供有效技术支撑。

一种面向车联网的共谋恶意车辆节点检测方法，该方法包含以下实体：

车联网：该方法面向于车联网中的车辆与车辆(V2V)及车辆与基础设施(V2I)之间的通信。车联网中的车辆节点配载全球定位系统GPS(Global Positioning System)，前向和后向红外线雷达，红外线信号接收设备和无线信号收发器设备，车辆节点可以用所安装的无线传感设备对道路安全事件进行探测。本方法中涉及的基础设施包括路侧单元RSU，有效实现区域车路通信；本方法适用于RSU完全可信，车联网中恶意车辆节点数目小于正常车辆节点数目的普通情况。

本方法中用V_i表示接收消息的任一车辆节点，V_j表示发送消息的任一车辆节点。

道路安全事件包括道路拥堵、交通事故、道路结冰、道路建设4种类型。不同位置发生的安全事件是相互独立的；本方法中用E表示发生的道路安全事件。

安全应用单元SAU(Security Application Unit)：车联网中每个车辆节点的车载单元OBU(On board Unit)部署装备一个安全应用模块，将其定义为安全应用单元，该单元具有信息存储、计算和转发功能，能对车辆节点接收到的安全事件、邻居节点的信任值信息进行存储、处理和转发。每个车辆都既可以作为接收消息的任一车辆节点，同时也作为发送消息的任一车辆节点。

本发明中涉及以下定义：

1.道路安全事件消息msg_E：车辆节点接收或发送的关于道路安全事件E的消息。该消息包含事件类型E_Type、事件时间E_Time及事件地点E_Point3种不同属性。事件类型E_Type属性表示道路安全事件E的类型，本方法中涉及道路拥堵、交通事故、道路结冰、道路建设4种事件类型；事件时间E_Time属性指道路安全事件E发生的时间；事件位置E_Piont属性指道路安全事件E发生的位置。

2.安全事件表SET(Security Event Table):SET存储在车辆节点SAU中，其保存车辆节点接收到的安全事件消息属性等信息。

3.邻居信任表NTL(Neighborhood Trust List):NTL存储在车辆节点SAU中，其保存车辆节点的邻居车辆节点的信任值。

4.邻居评价表NEL(Neighborhood Evaluation List):NEL存储在车辆节点SAU中，其保存邻居车辆节点对发送消息车辆节点的信任值。

5.共谋嫌疑恶意节点列表SLMN(Suspicion List of Malicious Nodes):SLMN存储在车辆节点SAU中，其保存共谋嫌疑恶意车辆节点名单相关信息。

6.共谋恶意节点名单LCMN(List of Collusion Malicious Nodes)：LCMN存储在RSU中，其保存共谋恶意车辆节点名单。

一种面向车联网的共谋恶意车辆节点检测方法，包括如下步骤：

步骤1，在车联网中，车辆节点间相互通信，车辆节点V_i接收到车辆节点V_j发送的道路安全事件E的消息msg_E；车辆节点V_i判断接收到车辆节点V_j发送的有关道路安全事件E的消息msg_E的相关属性，更新车辆节点V_i自身的安全事件表SET；

1.1、车辆节点V_i接收到车辆节点V_j发送的关于道路安全事件E的道路安全事件消息msg_E；车辆节点V_i判断接收到的道路安全事件消息msg_E中事件类型E_Type、事件时间E_Time及事件地点E_Point属性，将接收到的道路安全事件消息msg_E的三种属于与车辆节点V_i自身SET中的事件属性分别对比；

1.1.1、若接收到的道路安全事件消息msg_E中的E_Type与车辆节点V_i自身SET中的E_Type一致、接收到的道路安全事件消息msg_E中的E_Time≤ΔE_Time且接收到的道路安全事件消息msg_E中的E_Point≤ΔE_Point，则判断接收到的道路安全事件消息msg_E描述车辆节点V_i自身SET中的事件，OBU将其划分为SET中关于事件E的消息。ΔE_Time表示时间阈值；ΔE_Point表示地理位置阈值

1.1.2、若接收到的道路安全事件消息msg_E中的E_Type与车辆节点V_i自身SET中的E_Type不一致或者接收到的道路安全事件消息msg_E中的E_Time>ΔE_Time或者接收到的道路安全事件消息msg_E中的E_Point>ΔE_Point，则判断接收到的道路安全事件消息msg_E描述新的道路安全事件E_new，OBU将其划分为SET中的新事件E_new。

步骤2，车辆节点V_i计算接收到安全道路事件E的msg_E的信任度T_{msg_E}，判断安全道路事件E的真假；

2.1车辆节点V_i计算安全道路事件E的msg_E的信任度T_{msg_E}。

2.1.1首先计算接收到的道路安全事件消息msg_E的有效存活时间TTL_{msg_E}。考虑道路安全事件消息的时效性，此处设定道路安全事件消息的初始有效存活时间为

根据式(1)计算消息msg_E的有效存活时间TTL_{msg_E}：

式中，TTL_{msg_E}表示msg_E有效存活时间；

表示消息msg_E初始有效存活时间，其可根据道路状况进行设定；TM_now表示V_i接收到msg_E的当前时间，即V_i的OBU当前系统时间；TM_{msg_E}表示事件E发生的时间。

2.1.2根据式(2)计算安全道路事件E的msg_E的信任度T_{msg_E}：

式中，T_{msg_E}表示msg_E的信任度；TTL_{msg_E}表示msg_E有效存活时间；

表示发送msg_E的V_j的旧信誉值，如若V_i与V_j没有历史交互信息，初始化

2.2计算道路安全事件E的信任度T_E，判断E的真假。

2.2.1车辆节点V_i在固定时间内，会接收到多个关于E的消息msg_E。针对步骤2.1计算出关于事件E的每个消息的信任度T_{msg_E}，根据式(3)计算E的信任度T_E。

式中，num_T表示步骤2.1计算出

的个数，num_F表示步骤2.1计算出

的个数，其中

表示消息信任度阈值，其由多次仿真实验确定最优值。

2.2.1.1

表示事件信任度的阈值，若

OBU在SET中标注安全道路事件E为假，不转发E的消息。

2.2.1.2若

OBU在SET中标注安全道路事件E为真，转发E的消息。

步骤3，计算发送消息节点V_j的信任度，检测单个恶意节点；

3.1计算发送消息的车辆节点V_j的通信信任T_{D_V}。

3.1.1根据车辆节点V_i与车辆节点V_j建立连接的次数及车辆节点V_j发送真实道路安全事件消息的个数评估车辆节点V_j的节点积极度：根据式(4)计算V_j的节点积极度γ：

式中，γ表示节点积极度；

示V_i与V_j建立连接，V_j向V_i发送的真实道路安全事件消息个数；m表示V_i与V_j建立连接的次数；TM_now表示V_i的OBU系统当前时间；

表示V_i与V_j第一次建立连接的时间。

3.1.2计算V_j的通信信任T_{D_V}：根据式(5)计算V_j的通信信任T_{D_V}：

式中，γ表示节点积极度，由步骤3.1.1得到；t表示时间因子。

3.2计算V_j的邻居信任T_{ID_V}：V_i向邻居车辆节点V_r发送获取V_j的信任值请求，邻居车辆节点V_r接受请求，V_r返回V_j的信任值

根据式(6)计算V_j的邻居信任T_{ID_V}；V_r表示邻居车辆节点；

式中，T_{ID_V}表示V_j的邻居信任值；

表示V_i保存至邻居信任表NTL中的邻居车辆节点V_r的信任值；n表示V_i的周围邻居车辆节点的数目；

表示邻居车辆节点V_r返回V_j的评价信任值，记录于邻居评价表NEL。

3.3计算V_j的综合信任T_{COM_V}：

3.3.1V_i向RSU请求V_j的信任值；

3.3.2由步骤3.1、3.2获取V_j的通信信任T_{D_V}及邻居信任T_{ID_V}，步骤3.3.1获取RSU对V_j的信任值T_{RSU_V}，根据式(7)计算V_j的综合信任T_{COM_V}。

T_{COM_V}＝αT_{D_V}+βT_{ID_V}+γT_{RSU_V} (7)

式中，T_{COM_V}表示V_j的综合信任值；T_{D_V}表示V_j的通信信任值；T_{ID_V}表示V_j的邻居信任值；T_{RSU_V}表示RSU对V_j的信任值；α,β,γ表示权重因子，由多次仿真实验获得最优值。

3.4更新邻居信任表NTL：V_i接收V_j发送的道路安全事件消息，由步骤1至3.3计算获取最新的V_j的综合信任值T_{COM_V}，更新V_i自身邻居信任表NTL。

3.5检测单个恶意车辆节点，

表示车辆节点综合信任值T_{COM_V}阈值。

3.5.1若

确定V_j为正常节点，不进行步骤4的共谋恶意车辆节点检测。

3.5.2若

确定V_j为恶意节点，在邻居信任表NTL中进行标注，进行步骤4的共谋恶意车辆节点检测。

步骤4，检测共谋恶意车辆节点；

4.1由步骤3确定节点V_j为恶意节点时，遍历邻居评价表NEL。本方法中，共谋恶意车辆节点嫌疑的信任阈值设为

根据每个邻居节点V_r返回V_j的评价信誉值

判断每个邻居节点V_r与V_j是否有共谋嫌疑。

4.1.1若

则邻居节点V_r与V_j有共谋嫌疑。

4.1.2若

则邻居节点V_r与V_j无共谋嫌疑。

4.2车辆节点V_i将有共谋嫌疑的恶意节点列表SLMN(Suspicion list ofmalicious nodes)发送给RSU。

4.2.1根据步骤4.1节点V_i确定有共谋嫌疑的恶意车辆名单，V_i以道路安全事件E为单位，向RSU发送有共谋嫌疑的恶意节点名单。即SLMN中包含两个属性，分别是(1)E的编号E_ID，用于标识不同道路安全事件；(2)共谋嫌疑的恶意车辆集合V_CS＝{V_cs1,V_cs2,...,V_csm},V_csm表示有共谋嫌疑的任一车辆节点ID，标识不同车辆节点。

4.3RSU接收每个车辆节点V_i发送的共谋嫌疑恶意节点列表SLMN，确定共谋节点集合V_C，即确定共谋恶意节点列表LCMN。

4.3.1RSU遍历多个SLMN,获取不同E中V_CS，求取num_q个V_CS集合的交集intersection_{V_C}＝{V_C1,V_C2,...,V_CX},其中，V_CX表示共谋车辆节点ID，标识不同车辆节点；num_q由多次仿真实验获取最优值。统计intersection_{V_C}集合中的车辆节点在不同E中共同出现次数num_bad,

表示次数阈值，若

确定intersection_{V_C}集合中的车辆节点为共谋恶意车辆节点，即LCMN＝{V_C1,V_C2,...,V_CX}。

4.4RSU将LCMN中的共谋恶意车辆节点的信任值设为0，并向车辆节点广播LCMN,车辆节点拒绝与共谋恶意车辆节点通信交互。

本发明所述方法考虑车联网中恶意车辆节点共谋的情况，考虑车联网中道路安全事件消息时效性，消息可信度与节点可信度互相影响等因素，进行消息信任、节点信任度等计算，在检测单个恶意节点的基础上，建立一种面向车联网的共谋恶意车辆节点检测方法，该方法可有效过滤车联网中虚假安全事件消息，提高了共谋恶意车辆节点检测准确率，而且提高了车联网的安全性能及运行效率。

Claims (8)

1.一种面向车联网的共谋恶意车辆节点检测方法，其特征在于，包括以下步骤：

步骤1)，在车联网中，车辆节点间相互通信，V_i接收到V_j发送的道路安全事件E的消息msg_E；V_i表示接收消息的任一车辆节点，V_j表示发送消息的任一车辆节点；V_i判断接收到V_j发送的有关道路安全事件E的消息msg_E的相关属性，更新V_i自身的安全事件表SET；

步骤2)、V_i计算接收到安全道路事件E的msg_E的信任度T_{msg_E}，根据得到的信任度T_{msg_E}判断接收到安全道路事件E的真假；

2.1、V_i计算安全道路事件E的msg_E的信任度T_{msg_E}：

2.1.1、首先计算接收到的道路安全事件消息msg_E的有效存活时间TTL_{msg_E}：设定道路安全事件消息的初始有效存活时间为

根据式(1)计算消息msg_E的有效存活时间TTL_{msg_E}：

式中，TTL_{msg_E}表示msg_E有效存活时间；

表示消息msg_E初始有效存活时间，其可根据道路状况进行设定；TM_now表示V_i接收到msg_E的当前时间，即V_i的OBU当前系统时间；TM_{msg_E}表示事件E发生的时间；

2.1.2、根据式(2)计算安全道路事件E的msg_E的信任度T_{msg_E}：

式中，T_{msg_E}表示msg_E的信任度；TTL_{msg_E}表示msg_E有效存活时间；

表示发送msg_E的V_j的旧信誉值，如若V_i与V_j没有历史交互信息，初始化

步骤3)、计算V_j的信任度，检测单个恶意节点：

首先分别计算V_j的通信信任T_{D_V}和V_j的邻居信任T_{ID_V}：

3.1计算发送消息节点V_j的通信信任T_{D_V}：

3.1.1根据V_i与V_j建立连接的次数及V_j发送真实道路安全事件消息的个数评估V_j的节点积极度：根据式(4)计算V_j的节点积极度γ：

式中，γ表示节点积极度；

表示V_i与V_j建立连接，V_j向V_i发送的真实道路安全事件消息个数；m表示V_i与V_j建立连接的次数；TM_now表示V_i的OBU系统当前时间；

表示V_i与V_j第一次建立连接的时间；

3.1.2计算V_j的通信信任T_{D_V}：根据式(5)计算V_j的通信信任T_{D_V}：

式中，γ表示节点积极度，由步骤3.1.1得到；t表示时间因子；

3.2计算V_j的邻居信任T_{ID_V}：V_i向V_r发送获取V_j的信任值请求，V_r接受请求并返回V_j的信任值

根据式(6)计算V_j的邻居信任T_{ID_V}；V_r表示邻居车辆节点；

式中，T_{ID_V}表示V_j的邻居信任值；

表示V_i保存至邻居信任表NTL中的V_r的信任值；n表示V_i的周围邻居车辆节点的数目；

表示V_r返回V_j的评价信任值，记录于邻居评价表NEL；

3.3计算V_j的综合信任T_{COM_V}：

3.3.1V_i通过RSU获取V_j的信任值；

3.3.2结合获取V_j的通信信任T_{D_V}、V_j的邻居信任T_{ID_V}和V_j的信任值T_{RSU_V}，根据式(7)计算V_j的综合信任T_{COM_V}：

T_{COM_V}＝αT_{D_V}+βT_{ID_V}+γT_{RSU_V} (7)

式中，T_{COM_V}表示V_j的综合信任值；T_{D_V}表示V_j的通信信任值；T_{ID_V}表示V_j的邻居信任值；T_{RSU_V}表示RSU对V_j的信任值；α,β,γ表示权重因子，由多次仿真实验获得最优值；

根据计算得到的V_j的综合信任T_{COM_V}更新V_i自身邻居信任表NTL；若

确定V_j为正常节点，不进行步骤4)的共谋恶意车辆节点检测；若

确定V_j为恶意节点，在邻居信任表NTL中进行标注，进行步骤4)的共谋恶意车辆节点检测，

表示车辆节点综合信任值T_{COM_V}阈值；

步骤4)、检测共谋恶意车辆节点：根据步骤3)确定V_j为恶意节点时，遍历V_i中的邻居评价表NEL，根据每个邻居节点V_r返回V_j的评价信誉值

判断每个邻居节点V_r与V_j是否有共谋嫌疑，若

则邻居节点V_r与V_j有共谋嫌疑；若

则邻居节点V_r与V_j无共谋嫌疑；

为共谋恶意车辆节点嫌疑的信任阈值，V_j向RSU发送共谋嫌疑的恶意节点列表，最后由RSU确定共谋恶意节点。

2.根据权利要求1所述的一种面向车联网的共谋恶意车辆节点检测方法，其特征在于，步骤1)具体包括以下步骤：V_i接收到V_j发送的关于道路安全事件E的道路安全事件消息msg_E；V_i判断接收到的道路安全事件消息msg_E中事件类型E_Type、事件时间E_Time及事件地点E_Point属性，将接收到的道路安全事件消息msg_E的三种属于与V_i自身SET中的事件属性分别对比；

1.1.1、若接收到的道路安全事件消息msg_E中的E_Type与V_i自身SET中的E_Type一致、接收到的道路安全事件消息msg_E中的E_Time≤ΔE_Time且接收到的道路安全事件消息msg_E中的E_Point≤ΔE_Point，则判断接收到的道路安全事件消息msg_E描述V_i自身SET中的事件，OBU将其划分为SET中关于事件E的消息；ΔE_Time表示时间阈值；ΔE_Point表示地理位置阈值；

1.1.2、若接收到的道路安全事件消息msg_E中的E_Type与V_i自身SET中的E_Type不一致或者接收到的道路安全事件消息msg_E中的E_Time>ΔE_Time或者接收到的道路安全事件消息msg_E中的E_Point>ΔE_Point，则判断接收到的道路安全事件消息msg_E描述新的道路安全事件E_new，OBU将其划分为SET中的新事件E_new。

3.根据权利要求1所述的一种面向车联网的共谋恶意车辆节点检测方法，其特征在于，计算道路安全事件E的信任度T_E，判断E的真假：

2.2.1、V_i在固定时间内，接收到多个关于E的消息msg_E：根据上述步骤计算出关于事件E的msg_E的信任度T_{msg_E}，根据式(3)计算E的信任度T_E：

式中，num_T表示步骤2.1计算出

的个数，num_F表示步骤2.1计算出

的个数，其中

表示消息信任度阈值。

4.根据权利要求3所述的一种面向车联网的共谋恶意车辆节点检测方法，其特征在于，上述步骤中，若

表示事件信任度的阈值，OBU在SET中标注安全道路事件E为假，不转发E的消息；若

OBU在SET中标注安全道路事件E为真，转发E的消息。

5.根据权利要求1所述的一种面向车联网的共谋恶意车辆节点检测方法，其特征在于，V_i接收V_j发送的道路安全事件消息，根据得到的V_j的综合信任值T_{COM_V}，更新V_i自身邻居信任表NTL；若

确定V_j为正常节点，不进行步共谋恶意车辆节点检测；若

确定V_j为恶意节点，在邻居信任表NTL中进行标注，进行共谋恶意车辆节点检测，

表示车辆节点综合信任值T_{COM_V}阈值。

6.根据权利要求1所述的一种面向车联网的共谋恶意车辆节点检测方法，其特征在于，V_i将有共谋嫌疑的恶意节点列表SLMN发送给RSU；根据节点V_i确定有共谋嫌疑的恶意车辆名单，V_i以道路安全事件E为单位，向RSU发送有共谋嫌疑的恶意节点名单；即SLMN包括用于标识不同道路安全事件E的编号E_ID和共谋嫌疑的恶意车辆集合V_CS＝{V_cs1,V_cs2,...,V_csm},V_csm表示有共谋嫌疑的任一车辆节点ID，标识不同车辆节点。

7.根据权利要求6所述的一种面向车联网的共谋恶意车辆节点检测方法，其特征在于，RSU接收每个V_i发送的共谋嫌疑恶意节点列表SLMN，确定共谋节点集合V_C，即确定共谋恶意节点列表LCMN：RSU遍历多个SLMN,获取不同E中V_CS，求取num_q个V_CS集合的交集intersection_{V_C}＝{V_C1,V_C2,...,V_CX},其中，V_CX表示共谋车辆节点ID，标识不同车辆节点；num_q由多次仿真实验获取最优值；统计intersection_{V_C}集合中的车辆节点在不同E中共同出现次数num_bad,

表示次数阈值，若

确定intersection_{V_C}集合中的车辆节点为共谋恶意车辆节点，即LCMN＝{V_C1,V_C2,...,V_CX}。

8.根据权利要求1所述的一种面向车联网的共谋恶意车辆节点检测方法，其特征在于，RSU将LCMN中的共谋恶意车辆节点的信任值设为0，并向车辆节点广播LCMN,车辆节点拒绝与共谋恶意车辆节点通信交互。

Images