CN110445788B - 一种车载自组网环境下面向内容的信任评估系统及方法 - Google Patents

一种车载自组网环境下面向内容的信任评估系统及方法 Download PDF

Info

Publication number
CN110445788B
CN110445788B CN201910735254.0A CN201910735254A CN110445788B CN 110445788 B CN110445788 B CN 110445788B CN 201910735254 A CN201910735254 A CN 201910735254A CN 110445788 B CN110445788 B CN 110445788B
Authority
CN
China
Prior art keywords
trust
trust evaluation
information
evaluation
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
Application number
CN201910735254.0A
Other languages
English (en)
Other versions
CN110445788A (zh
Inventor
郭晶晶
马建峰
刘志全
杨腾飞
孟倩
侯高攀
张涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201910735254.0A priority Critical patent/CN110445788B/zh
Publication of CN110445788A publication Critical patent/CN110445788A/zh
Application granted granted Critical
Publication of CN110445788B publication Critical patent/CN110445788B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general
    • 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)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种车载自组网环境下面向内容的信任评估方法，能够通过策略调节模块来学习历史信任评估结果来动态确定在不同情境下的信任评估策略，保证多种情境下信任评估结果的准确性，此外，信任评估模块通过信任评估请求和信任评估请求相关信息获取最佳评估策略，能够在网络中传输的虚假信息比例超过50％的情况下仍然保持90％以上的评估准确率。从而降低虚假信息在节点决策过程中的影响，提高行驶安全性与舒适性。

Description

一种车载自组网环境下面向内容的信任评估系统及方法
技术领域
本发明属于车联网信息安全领域，具体涉及一种车载自组网环境下面向内容的信任评估系统及方法。
背景技术
车载自组织网络是一种移动自组织网络，它具有节点移动速度快、开放的信息传输环境以及拓扑结构高度动态等特点。车载自组织网络中，网络节点间可以通过车与车通讯技术(Vehicle to Vehicle,V2V)与车辆与基础设施通讯(Vehicle to Infrastructure,V2I)的方式进行信息传输与共享，从而为司机与乘客提供一个安全，可靠的驾驶环境以及丰富的娱乐资源，提高交通效率与用户体验。达到这一目标的前提是网络中传输的消息必须安全可靠。然而，传感器故障或网络节点被恶意入侵都可能导致虚假信息被注入网络并快速传播，这些虚假信息若作为车辆行驶决策依据，可能会导致交通事故等严重后果。传统的安全机制，例如密码学方法、认证协议等可以用于保证网络节点的身份合法性，数据的完整性与保密性，但是无法识别网络中传播的错误信息。目前，通常节点基于自身经验与外部消息采用信任评估的方法来评估某一事件的信任度，信任度低的事件被认为是虚假的，而信任度高的事件被认为是可信的。现有多种不同的针对车联网信息的信任评估方案，这些方案通常利用加权投票、Dempster-Shafer理论与贝叶斯推理等方法作为信任评估函数，将与某一事件相关的信息作为评估函数的输入进行推理评估，最终得出该事件的信任度。然而，现有方案中都使用了固定的评估策略，不会根据评估效果与车辆节点所处行驶环境而动态更新策略以确保评估结果准确。此外，现有方案只能保证在网络中传输的虚假信息比例不超过50％的情况下有效。
发明内容
本发明的目的在于克服上述不足，提供一种车载自组网环境下面向内容的信任评估系统及方法，能够动态调整信任评估策略，保证在不同场景下都可以准确评估事件的信任度。
为了达到上述目的，一种车载自组网环境下面向内容的信任评估系统，包括信息处理模块、信任评估模块和策略调节模块；
信息处理模块用于将接收到的内部信息和外部信息标准化，并储存于本地数据库中；
信任评估模块用于接收信任评估请求，并访问本地数据库获取与信任评估请求相关信息，再访问策略调节模块根据和信任评估请求相关信息获取最佳评估策略，利用信任评估函数以及信任评估函数相关信息进行计算得出信任值，并将该信任值发送给信任评估请求者；
信任评估请求者在依据收到的信任评估结果作出相关的驾驶行为决策后，根据决策满意度向策略调节模块发送信任评估反馈；
策略调节模块用于持续接收信任评估请求者对信任值准确度的反馈，并更新信任评估策略。
信任评估系统置于车辆节点内，路侧单元接收通信范围内的所有车辆节点的信息，所有路侧单元均连接可信权威单元；
车辆节点上设置有若干种传感器，用于采集车辆信息，并发送至信息处理模块和其他车辆节点；
路侧单元用于充当可信权威单元与通信范围内的所有车辆节点间的通信中继；
可信权威单元用于为路侧单元和车辆节点提供注册与证书管理服务；
车辆节点生成的信任评估请求发送至车辆节点内的信任评估模块中。
内部信息为车辆节点自身搭载的传感器采集的信息，外部信息为接收到其他网络节点的信息。
一种车载自组网环境下面向内容的信任评估方法，包括以下步骤：
步骤一，信息处理模块持续接收实时信息，并将接收到的内部信息和外部信息进行标准化，储存于本地数据库中；
步骤二，信任评估模块接收到信任评估请求后，访问本地数据库获取与信任评估请求相关信息，再访问策略调节模块根据获取的信任评估请求相关信息获取最佳评估策略，利用信任评估函数以及信任评估函数相关信息进行计算得出信任值，并将该信任值发送给信任评估请求者；
步骤三，策略调节模块持续接收信任评估请求者对信任值准确度的反馈，并更新信任评估策略。
步骤一中，内部信息为自身搭载的传感器采集的信息，外部信息为接收到其他网络节点的信息；
内部信息标准化为四元组min，min＝<T，L，E，V>，其中T与L分别代表消息中所报告事件E的发生时间与位置，E为该消息所报告的事件的标识符，V代表E在T时，L处发生的信任度，V∈{0，1}，V＝0表示事件E在T时，L处发生是不可信的，V＝1表示事件E在T时，L处发生是可信的；
外部信息标准化为五元组mex，mex＝<ID，T，L，E，V>，ID代表该消息的发送者的唯一标识符，T与L分别代表消息中所报告事件E的发生时间与位置，E为该消息所报告的事件的标识符，V代表E在T时，L处发生的信任度，其中V∈[0，1]，V的取值越大，代表事件E在T时，L处发生的概率越大。
发生时间T与位置L组合可表示事件E的上下文，因此，事件E的上下文c表示为c＝<t，l>，其中t代表该事件发生的时间，l代表该事件发生的地点。
步骤二中，访问本地数据库获取与信任评估请求相关信息时，确定信任评估请求的相关信息的具体方法如下：
信任评估请求R＝(e，c)表示请求评估事件e在上下文c中发生或存在的信任度。若消息m满足Em＝e，Em为消息m中报告的事件，e为信任评估请求中的事件，且cm＝c，cm为消息m中所报告事件的上下文信息，即Em的发生时间T与位置L，c为信任评估请求中的上下文，则消息m与信任评估请求R相关。
步骤二中，利用信任评估函数以及信任评估函数相关信息进行计算得出信任值的具体方法如下：
信任评估模块收到信任评估请求R＝(e，c)后，通过公式1对事件e在上下文c中发生的信任度进行计算，
ffinal(e，c)＝β×finter(e，c)+(1-β)×fintra(e，c)公式1
其中，ffinal(e，c)是对请求R进行评估后的最终信任值，finter(e，c)与fintra(e，c)分别表示内部信息与外部信息的信任评估结果，β为用于调节内部信息与外部信息在最终信任度中所占权重的系数。
步骤三中，信任评估请求者对信任值准确度的反馈，该反馈被当作信任评估过程中所采取的评估策略的激励值，该激励值的取值为0或1，当激励r＝1时，表示信任评估结果与事实真相相符，当r＝0时，表示信任评估结果与事实真相相反；
信任评估策略中通过系数β调节内部信息与外部信息在最终信任度中所占权重，通过增强学习模型调整系数β的取值，通过调整系数β的取值更新信任评估策略；
增强学习模型的状态空间SS为<hin，hex，N，R(e，c)>，hin与hex分别表示与信任评估请求相关的内部信息与外部信息中所含信任值的熵的取值，N表示与信任评估请求相关的内部信息与外部信息的相对数量，R(e，c)表示与信任评估请求相关的信息中所含信任值的规则性，R(e，c)＝1表示这些信任值在不同时刻的数值差异巨大，其信任度不稳定，R(e，c)＝0表示这些信任值在不同时刻的数值无差异，其信任度稳定；
增强学习模型的动作空间为集合AS，动作空间AS中的元素之一赋值给系数β用于确定信任评估函数。
与现有技术相比，本发明的系统基于储存在本地数据库中的标准化信息与信任评估请求评估某一事件的信任度，根据持续接收信任评估请求者对信任值准确度的反馈，动态调整信任评估策略，保证在不同场景下都可以准确评估事件的信任度。
本发明的方法能够通过策略调节模块来学习历史信任评估结果来动态确定在不同情境下的信任评估策略，保证多种情境下信任评估结果的准确性，此外，信任评估模块通过和信任评估请求相关信息获取最佳评估策略，能够在网络中传输的虚假信息比例超过50％的情况下仍然保持90％以上的评估准确率。从而降低虚假信息在节点决策过程中的影响，提高行驶安全性与舒适性。
附图说明
图1为本发明的系统结构图；
图2为本发明的网络结构图；
图3为在情境S1下α＝1时的评估准确度结果图；
图4为在情境S1下α＝0.5的评估准确度结果图；
图5为在情境S1下α＝0时的评估准确度结果图；
图6为在情境S2下α＝1时的评估准确度结果图；
图7为在情境S2下α＝0.5时的评估准确度结果图；
图8为在情境S2下α＝0时的评估准确度结果图。
具体实施方式
下面结合附图对本发明做进一步说明。
参见图1，一种车载自组网环境下面向内容的信任评估系统，包括信息处理模块、信任评估模块和策略调节模块；
信息处理模块用于将接收到的内部信息和外部信息标准化，并储存于本地数据库中；
信任评估模块用于接收信任评估请求，并访问本地数据库获取与信任评估请求相关信息，再访问策略调节模块根据获取的和信任评估请求相关信息获取最佳评估策略，利用信任评估函数以及信任评估函数相关信息进行计算得出信任值，并将该信任值发送给信任评估请求者；
策略调节模块用于持续接收信任评估请求者对信任值准确度的反馈，并根据这些反馈更新信任评估模块中的信任评估策略。
参见图2，信任评估系统置于车辆节点(Vehicle nodes)内，路侧单元接收通信范围内的所有车辆节点的信息，所有路侧单元均连接可信权威单元(TA,Trust Authority)；
车辆节点上设置有若干种传感器，用于采集车辆信息，并发送至信息处理模块和其他车辆节点；
路侧单元用于充当可信权威单元与通信范围内的所有车辆节点间的通信中继；
可信权威单元用于为路侧单元和车辆节点提供注册与证书管理服务；
车辆节点生成的信任评估请求发送至车辆节点内的信任评估模块中。
内部信息为车辆自身搭载的传感器采集的信息，外部信息为接收到其他网络节点的信息。
车辆节点中装备有车载单元(OBUs，On-Board Units)可支持同其他车辆节点及路侧单元(RSU)通过开放无线信道进行通信，此外，车辆节点还装备有多种传感器，可以用来持续收集行驶情况，这些信息可以通过无线信道向其他节点发送。假设每个车辆节点上至少装配有时钟以及定位系统，使得车辆节点向外发送信息时可以携带时间与位置信息。
本发明需要预先定义一些事件类型，每一类事件都有唯一的标识。当某个网络实体感知到某一事件，该实体会将该事件转换为标准消息格式存储于本地供其他车辆模块利用或发送给其他网络实体。当某一车辆节点需要判断某一事件的真实性时，它将分析从其他节点接收到的与该事件相关的信息，并结合自身经验来评估该事件的信任度。评估结果可被用于指导后续驾驶行为。
一种车载自组网环境下面向内容的信任评估方法，包括以下步骤：
步骤一，信息处理模块持续接收实时信息，并将接收到的内部信息和外部信息进行标准化，储存于本地数据库中；
步骤二，信任评估模块接收到信任评估请求后，访问本地数据库获取与信任评估请求相关信息，再访问策略调节模块根据获取的和信任评估请求相关信息获取最佳评估策略，利用信任评估函数以及信任评估函数相关信息进行计算得出信任值，并将该信任值发送给信任评估请求者；
步骤三，策略调节模块持续接收信任评估请求者对信任值准确度的反馈，并更新信任评估策略，令信任评估函数可以根据当前情景为参数选择最优取值。
信息处理过程：
本发明有多种获取信息的方式，内部信息为自身搭载的传感器采集的信息，外部信息为接收到其他网络节点的信息；所有的内部信息与外部信息需要被转换为标准化的格式存储于本地数据库。
内部信息标准化为四元组min，min＝<T，L，E，V>，其中T与L分别代表消息中所报告事件E的发生时间与位置，E为该消息所报告的事件的标识符，V代表E在T时，L处发生的信任度，V∈{0，1}，V＝0表示事件E在T时，L处发生是不可信的(未发生)，V＝1表示事件E在T时，L处发生是可信的(发生)。
外部信息标准化为五元组mex，mex＝<ID，T，L，E，V>，ID代表该消息的发送者的唯一标识符，T与L分别代表消息中所报告事件E的发生时间与位置，E为该消息所报告的事件的标识符，V代表E在T时，L处发生的信任度，其中V∈[0，1]，V的取值越大，代表事件E在T时，L处发生的概率越大。
发生时间T与位置L组合可表示事件E的上下文，因此，事件E的上下文c表示为c＝<t，l>，其中t代表该事件发生的时间，其表示形式为[year||month||day||hour||minute||second]，l代表该事件发生的地点，其表示形式为[road||lane||direction]，该形式与OSM(OpenStreetMap)中的路段标识规则相同。
访问本地数据库获取与信任评估请求相关信息时，确定信任评估请求的相关信息的具体方法如下：
信任评估模块需要访问本地数据库来获取与信任评估请求R＝(e，c)中的事件e与上下文c相关的信息，我们用Mex(e，c)与Min(e，c)分别表示与信任评估请求R＝(e，c)相关的外部消息和内部消息。
若消息m满足Em＝e，Em为消息m中报告的事件，e为信任评估请求中的事件，且cm＝c，cm为消息m中所报告事件的上下文信息，即Em的发生时间T与位置L，c为信任评估请求中的上下文，则消息m与信任评估请求R相关。
将两个上下文相同定义为：若上下文c＝<t，l>与c′＝<t′，l′>，满足以下两个条件，则称上下文c与c′相同，记为c＝c′。
1.[hour||minute||second]c与[hour||minute||second]c’之间的时间差应小于ω秒，[year||month||day]c与[year||month||day]c’之间的时间差应小于ε天，此外，应该都是工作日或都是休息日。ω与ε为预定义的阈值。
2.[road]c＝[road]c’，[direction]c＝[direction]c’。
信任评估过程：
利用信任评估函数以及信任评估函数相关信息进行计算得出信任值的具体方法如下：
信任评估模块收到信任评估请求R＝(e，c)后，通过公式1对事件e在上下文c中发生的信任度进行计算，
ffinal(e，c)＝β×finter(e，c)+(1-β)×fintra(e，c) 公式1
其中，ffinal(e，c)是对请求R进行评估后的最终信任值，finter(e，c)与fintra(e，c)分别表示基于内部信息与外部信息的信任评估结果，β为用于调节内部信息与外部信息在最终信任度中所占权重的系数。β的取值与评估情境(增强学习模型状态空间中的一个状态)相关，会随着持续的增强学习而更新。
finter(e，c)可由以下公式计算得到。
Figure BDA0002161953130000091
Figure BDA0002161953130000092
Figure BDA0002161953130000093
其中，
Figure BDA0002161953130000094
为集合Sex(e，c)中所有元素v的平均值。H(Sex(e，c)为集合Sex(e，c)中所有元素v的熵，px为集合Sex(e，c)中的元素v的取值为x的概率。
fintra(e，c)可由以下公式计算得到。
Figure BDA0002161953130000095
Figure BDA0002161953130000096
Figure BDA0002161953130000097
其中，
Figure BDA0002161953130000098
为集合Sin(e，c)中所有元素v的平均值。H(Sin(e，c)为集合Sin(e，c)中所有元素v的熵，px为集合Sin(e，c)中的元素v的取值为x的概率。
nex＝|Mex(e，c)|
nin＝|Min(e，c)|
Sex(e，c)＝{<vi＝Mex(e，c)i.V，ti＝Mex(e，c)i.T>|1≤i≤nex}
Sin(e，c)＝{<vi＝Min(e，c)i.V，ti＝Min(e，c)i.T>|1≤i≤nex}
Figure BDA0002161953130000103
Figure BDA0002161953130000104
下标i表示一个集合中的第i个元素。符号|x|表示集合x中元素的个数。
基于增强学习模型的策略调整方法：
本发明的车辆节点处在动态变化的行驶环境中，它们在不同时间，不同路段中行驶时所拥有的内部信息与外部信息的数量及质量均不相同，如果在某些环境中进行的信任评估结果不准确，那么可以通过改变公式1中系数β的取值来更新信任评估策略，使得信任评估函数可以在不同情形下得到最佳的评估结果。基于Q-learning算法的增强学习模型对历史信任评估结果的反馈进行学习，学习结果可用于在不同情形下选择参数β令评估结果最优。
信任评估请求者对信任值准确度的反馈，该反馈被当作信任评估过程中所采取的评估策略的激励值，该激励值的取值为0或1，当激励r＝1时，表示信任评估结果与事实真相相符，当r＝0时，表示信任评估结果与事实真相相反；
信任评估策略中通过系数β调节内部信息与外部信息在最终信任度中所占权重，通过增强学习模型调整系数β的取值，通过调整系数β的取值更新信任评估策略；
增强学习模型的状态空间SS为<hin，hex，N，R(e，c)>，hin与hex分别表示与给定信任评估请求相关的内部信息与外部信息中所含信任值的熵的取值，计算方法如下：
Figure BDA0002161953130000101
Figure BDA0002161953130000102
N表示与给定信任评估请求相关的内部信息与外部信息的相对数量，计算方法如下：
Figure BDA0002161953130000111
Figure BDA0002161953130000112
R(e，c)表示与信任评估请求R＝(e，c)相关的信息中所含信任值的规则性，R(e，c)＝1表示这些信任值在不同时刻的数值差异巨大，其信任度不稳定，R(e，c)＝0表示这些信任值在不同时刻的数值无差异，其信任度稳定；R(e，c)的计算过程如算法1所示。
Figure BDA0002161953130000113
增强学习模型的动作空间为集合AS，AS＝{0.2，0.5，0.8}，动作空间AS中的元素之一赋值给系数β用于确定信任评估函数。β不同的取值将赋予外部信息与内部信息在信任评估过程中不同的权重。算法2给出了基于增强学习模型的信任评估策略学习方法。
Figure BDA0002161953130000114
Figure BDA0002161953130000121
算法2中1～7行为车辆节点增强学习模型的初始化，8～14行为学习过程，该过程基于接收到的信任评估策略反馈动态更新Q-table与R-table，从而得到近似最优动作值函数S(s，a)供信任评估模块使用。第11行中的参数α是学习速率，其取值范围是[0，1]，α越大，历史学习结果对当前学习过程的影响越小。
本发明中信息处理模块与基于增强学习的策略调整模块持续运行，分别完成外部信息与内部信息的格式化以及近似最优动作值函数的动态更新。信任评估的工作流程为：
1.信任评估模块接收到节点内部其他模块的信任评估请求R＝(e，c)，e与c分别为某事件的标识符与上下文信息。
2.访问本地数据库，获取与(e，c)相关的内部与外部信息Min(e，c)与Mex(e，c)。
3.根据Min(e，c)与Mex(e，c)计算请求R所对应的状态s，计算方法见上文中基于增强学习模型的策略调整方法。
4.访问策略调整模块，根据公式(2)获取最优评估策略。当最优策略多于一个时，β将从最优策略中随机选择一个作为其取值。
β＝{AS[a]|maxa∈{0，1，2}{S[s，a]}} 公式2
5.根据第4步得到的β的取值，Min(e，c)与Mex(e，c)，利用公式(1)计算请求R＝(e，c)的信任值ffinal(e，c)，将计算结果返回给信任评估请求者。
效果说明：
为说明所提方法的有效性，我们在不同情境下对方法进行了测试。所有实验均在OMNeT++，VEINS与SUMO搭建的车载网仿真环境下进行，采用来自OSM的真实地图作为实验道路。
表1为实验所采用的参数取值。
表1 实验参数及取值
Figure BDA0002161953130000131
测试指标为信任评估结果的准确率(Precision Rate，PR)，计算方式如下所示：
Figure BDA0002161953130000132
表2为实验中所考虑的不同行为的车辆节点。
表2 车辆类型及行为
Figure BDA0002161953130000141
表3为进行实验的不同情境。路况稳定表示在相同上下文中某事件的信任度相似。车辆经验分为熟悉与不熟悉道路两种情况。车辆节点对道路越熟悉，其拥有的与该道路相关的信息越多。
表3 实验情境
Figure BDA0002161953130000142
以下是在上述设置下展开的实验结果。为了展示该方法与现有方法相比所具有的优势，主要在网络中恶意实体比例大于等于50％的情境中进行实验。
图3至图5为在情境S1下α取不同值时的评估准确度结果。
图6至图8为在情境S2下α取不同值时的评估准确度结果。
从以上实验结果我们可以看出，当处于路况稳定的情境时，当网络中恶意节点比例不大于70％时，我们的方法均可以保证评估准确率不低于90％，当网络中恶意节点比例大于70％时，我们需要选取合适的学习速率α的取值，使得评估准确度接近100％。现有针对车载网络的信任评估方法在网络中恶意实体比例大于50％时，评估准确率均处于非常低(接近0)的水平。

Claims (7)

1.一种车载自组网环境下面向内容的信任评估系统的信任评估方法，其特征在于，信任评估系统包括信息处理模块、信任评估模块和策略调节模块；
信息处理模块用于将接收到的内部信息和外部信息标准化，并储存于本地数据库中；
信任评估模块用于接收信任评估请求，并访问本地数据库获取与信任评估请求相关信息，再访问策略调节模块根据和信任评估请求相关信息获取最佳评估策略，利用信任评估函数以及信任评估函数相关信息进行计算得出信任值，并将该信任值发送给信任评估请求者；
信任评估请求者在依据收到的信任评估结果作出相关的驾驶行为决策后，根据决策满意度向策略调节模块发送信任评估反馈；
策略调节模块用于持续接收信任评估请求者对信任值准确度的反馈，更新信任评估策略；
信任评估系统的信任评估方法，包括以下步骤：
步骤一，信息处理模块持续接收实时信息，并将接收到的内部信息和外部信息进行标准化，储存于本地数据库中；
步骤二，信任评估模块接收到信任评估请求后，访问本地数据库获取与信任评估请求相关信息，再访问策略调节模块根据获取的信任评估请求相关信息获取最佳评估策略，利用信任评估函数以及信任评估函数相关信息进行计算得出信任值，并将该信任值发送给信任评估请求者；
步骤三，策略调节模块持续接收信任评估请求者对信任值准确度的反馈，并更新信任评估策略；
信任评估请求者对信任值准确度的反馈，该反馈被当作信任评估过程中所采取的评估策略的激励值，该激励值的取值为0或1，当激励r＝1时，表示信任评估结果与事实真相相符，当r＝0时，表示信任评估结果与事实真相相反；
信任评估策略中通过系数β调节内部信息与外部信息在最终信任度中所占权重，通过增强学习模型调整系数β的取值，通过调整系数β的取值更新信任评估策略；
增强学习模型的状态空间SS为<hin,hex,N,R(e,c)>，hin与hex分别表示与信任评估请求相关的内部信息与外部信息中所含信任值的熵的取值，N表示与信任评估请求相关的内部信息与外部信息的相对数量，R(e,c)表示与信任评估请求相关的信息中所含信任值的规则性，R(e,c)＝1表示这些信任值在不同时刻的数值差异巨大，其信任度不稳定，R(e,c)＝0表示这些信任值在不同时刻的数值无差异，其信任度稳定；
增强学习模型的动作空间为集合AS，动作空间AS中的元素之一赋值给系数β用于确定信任评估函数。
2.根据权利要求1所述的一种车载自组网环境下面向内容的信任评估系统的信任评估方法，其特征在于，信任评估系统置于车辆节点内，路侧单元接收通信范围内的所有车辆节点的信息，所有路侧单元均连接可信权威单元；
车辆节点上设置有若干种传感器，用于采集车辆相关信息，并发送至信息处理模块和其他车辆节点；
路侧单元用于充当可信权威单元与通信范围内的所有车辆节点间的通信中继；
可信权威单元用于为路侧单元和车辆节点提供注册与证书管理服务；
车辆节点生成的信任评估请求发送至车辆节点内的信任评估模块中。
3.根据权利要求2所述的一种车载自组网环境下面向内容的信任评估系统的信任评估方法，其特征在于，内部信息为车辆节点自身搭载的传感器采集的信息，外部信息为接收到其他网络节点的信息。
4.根据权利要求1所述的一种车载自组网环境下面向内容的信任评估系统的信任评估方法，其特征在于，步骤一中，内部信息为车辆节点自身搭载的传感器采集的信息，外部信息为接收到其他网络节点的信息；
内部信息标准化为四元组min，min＝<T,L,E,V>，其中T与L分别代表消息中所报告事件E的发生时间与位置，E为该消息所报告的事件的标识符，V代表E在T时，L处发生的信任度，V∈{0,1}，V＝0表示事件E在T时，L处发生是不可信的，V＝1表示事件E在T时，L处发生是可信的；
外部信息标准化为五元组mex，mex＝<ID,T,L,E,V′>，ID代表该消息的发送者的唯一标识符，T与L分别代表消息中所报告事件E的发生时间与位置，E为该消息所报告的事件的标识符，V′代表E在T时，L处发生的信任度，其中V∈[0,1]，V′的取值越大，代表事件E在T时，L处发生的概率越大。
5.根据权利要求1所述的一种车载自组网环境下面向内容的信任评估系统的信任评估方法，其特征在于，发生时间T与位置L组合可表示事件E的上下文，因此，事件E的上下文c表示为c＝<t,l>，其中t代表该事件发生的时间，l代表该事件发生的地点。
6.根据权利要求1所述的一种车载自组网环境下面向内容的信任评估系统的信任评估方法，其特征在于，步骤二中，访问本地数据库获取与信任评估请求相关信息时，确定信任评估请求的相关信息的具体方法如下：
信任评估请求R＝(e,c)表示请求评估事件e在上下文c中发生或存在的信任度，若消息m满足Em＝e，Em为消息m中报告的事件，e为信任评估请求中的事件，且cm＝c，cm为消息m中所报告事件的上下文信息，即Em的发生时间T与位置L，c为信任评估请求中的上下文，则消息m与信任评估请求R相关。
7.根据权利要求1所述的一种车载自组网环境下面向内容的信任评估系统的信任评估方法，其特征在于，步骤二中，利用信任评估函数以及信任评估函数相关信息进行计算得出信任值的具体方法如下：
信任评估模块收到信任评估请求R＝(e,c)后，通过公式1对事件e在上下文c中发生的信任度进行计算，
ffinal(e,c)＝β×finter(e,c)+(1-β)×fintra(e,c) 公式1
其中，ffinal(e,c)是对请求R进行评估后的最终信任值，finter(e,c)与fintra(e,c)分别表示基于内部信息与外部信息的信任评估结果，β为用于调节内部信息与外部信息在最终信任度中所占权重的系数。
CN201910735254.0A 2019-08-09 2019-08-09 一种车载自组网环境下面向内容的信任评估系统及方法 Active CN110445788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910735254.0A CN110445788B (zh) 2019-08-09 2019-08-09 一种车载自组网环境下面向内容的信任评估系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910735254.0A CN110445788B (zh) 2019-08-09 2019-08-09 一种车载自组网环境下面向内容的信任评估系统及方法

Publications (2)

Publication Number Publication Date
CN110445788A CN110445788A (zh) 2019-11-12
CN110445788B true CN110445788B (zh) 2021-07-27

Family

ID=68434219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910735254.0A Active CN110445788B (zh) 2019-08-09 2019-08-09 一种车载自组网环境下面向内容的信任评估系统及方法

Country Status (1)

Country Link
CN (1) CN110445788B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111093189A (zh) * 2019-12-06 2020-05-01 暨南大学 一种车联网中基于信任级联的紧急消息散播方法和系统
CN111181958B (zh) * 2019-12-27 2021-09-03 西安电子科技大学 一种提高车联网中抗攻击性的方法及系统
CN112887986B (zh) * 2021-01-13 2021-11-02 天津大学 一种结合实体信任和社交信任的车辆信任评估方法
CN113380024B (zh) * 2021-05-27 2022-09-02 重庆邮电大学 一种基于车联网的声誉更新方法及信任度计算方法
CN113660269B (zh) * 2021-08-17 2022-06-21 上海交通大学 面向集中式网联云控平台的信息可信度识别处理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101932063A (zh) * 2010-08-24 2010-12-29 吉林大学 一种车载自组网的可信安全路由方法
CN104080140A (zh) * 2013-03-29 2014-10-01 南京邮电大学 一种移动自组织网络中基于信任评估的协作通信方法
WO2018075930A1 (en) * 2016-10-20 2018-04-26 Idac Holdings, Inc. Determining and communicating security posture attributes

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103957525B (zh) * 2014-05-12 2018-02-27 江苏大学 车联网中基于分簇信任评估的恶意节点检测方法
CN104333596B (zh) * 2014-11-11 2017-06-16 安徽大学 一种车联网环境下的信息可靠性评估方法
CN106412912B (zh) * 2016-06-22 2017-11-10 长安大学 一种面向车联网的节点信任评估方法
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
CN109347852B (zh) * 2018-11-07 2020-12-11 暨南大学 一种轻量级的车联网信任评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101932063A (zh) * 2010-08-24 2010-12-29 吉林大学 一种车载自组网的可信安全路由方法
CN104080140A (zh) * 2013-03-29 2014-10-01 南京邮电大学 一种移动自组织网络中基于信任评估的协作通信方法
WO2018075930A1 (en) * 2016-10-20 2018-04-26 Idac Holdings, Inc. Determining and communicating security posture attributes

Also Published As

Publication number Publication date
CN110445788A (zh) 2019-11-12

Similar Documents

Publication Publication Date Title
CN110445788B (zh) 一种车载自组网环境下面向内容的信任评估系统及方法
Gyawali et al. Machine learning and reputation based misbehavior detection in vehicular communication networks
US11290470B2 (en) Misbehavior protection for connected vehicle communication
Zhang et al. Misbehavior detection based on support vector machine and Dempster-Shafer theory of evidence in VANETs
Ahmad et al. NOTRINO: A NOvel hybrid TRust management scheme for INternet-Of-vehicles
Zhang A survey on trust management for vanets
Boddupalli et al. Resilient cooperative adaptive cruise control for autonomous vehicles using machine learning
Bißmeyer Misbehavior detection and attacker identification in vehicular ad-hoc networks
CN112929845B (zh) 一种基于区块链的车联网节点信任评估方法及系统
Pu A novel blockchain-based trust management scheme for vehicular networks
US20220321355A1 (en) Judgment Method For Edge Node Computing Result Trustworthiness Based On Trust Evaluation
CN112566058B (zh) 一种车联网自适应防御方法、系统、介质、设备及终端
Siegel Data proxies, the cognitive layer, and application locality: enablers of cloud-connected vehicles and next-generation internet of things
Oluoch A distributed reputation scheme for situation awareness in vehicular ad hoc networks (VANETs)
Chuprov et al. Reputation and trust models with data quality metrics for improving autonomous vehicles traffic security and safety
CN114745127A (zh) 基于区块链的车联网环境下节点可信认证方法
Fernandes et al. A blockchain-based reputation system for trusted VANET nodes
Mangla et al. A misbehavior detection framework for cooperative intelligent transport systems
Liu et al. HDRS: A hybrid reputation system with dynamic update interval for detecting malicious vehicles in VANETs
CN113452681B (zh) 基于区块链的车联网群智感知声誉管理系统及方法
Zhao et al. Fedmix: A sybil attack detection system considering cross-layer information fusion and privacy protection
Zhang et al. A three-factor based trust model for anonymous bacon message in VANETs
CN115941332A (zh) 一种基于区块链和推荐信任的车辆可信度衡量方法
Rosenstatter et al. V2c: A trust-based vehicle to cloud anomaly detection framework for automotive systems
Thenmozhi et al. Towards modelling a trusted and secured centralised reputation system for VANET’s

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