CN111479237A - 一种基于区块链和深度学习的去中心化分布式vanet系统 - Google Patents
一种基于区块链和深度学习的去中心化分布式vanet系统 Download PDFInfo
- Publication number
- CN111479237A CN111479237A CN202010262063.XA CN202010262063A CN111479237A CN 111479237 A CN111479237 A CN 111479237A CN 202010262063 A CN202010262063 A CN 202010262063A CN 111479237 A CN111479237 A CN 111479237A
- Authority
- CN
- China
- Prior art keywords
- tci
- vehicle
- block
- information
- vsm
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/06—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols the encryption apparatus using shift registers or memories for block-wise or stream coding, e.g. DES systems or RC4; Hash functions; Pseudorandom sequence generators
- H04L9/0643—Hash functions, e.g. MD5, SHA, HMAC or f9 MAC
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/02—Protecting privacy or anonymity, e.g. protecting personally identifiable information [PII]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/03—Protecting confidentiality, e.g. by encryption
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/12—Detection or prevention of fraud
- H04W12/121—Wireless intrusion detection systems [WIDS]; Wireless intrusion prevention systems [WIPS]
- H04W12/122—Counter-measures against attacks; Protection against rogue devices
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/06—Selective distribution of broadcast services, e.g. multimedia broadcast multicast service [MBMS]; Services to user groups; One-way selective calling services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Multimedia (AREA)
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于区块链和深度学习的去中心化分布式VANET系统,包括多个车载单元OBU、多个通讯基站BS、以及多个边缘计算EC节点,车载单元和通讯基站之间通过无线通讯的方式通信,通讯基站与EC节点之间通过无线通讯或有线通讯的方式通信,EC节点之间是通过区块链网络彼此通信,车载单元用于与其附近的其他车辆的车载单元通过安全通信的方式共享车辆安全消息VSM,车载单元还用于与其对应的BS之间通过安全通信的方式共享VSM消息。本发明能够解决现有集中式VANET系统由于黑客可以执行各种网络攻击导致系统安全性差的技术问题,以及应用数据挖掘、机器学习和深度学习算法的VANET系统中存在的系统安全性差、对中央服务器过度依赖的技术问题。
Description
技术领域
本发明属于交通网络技术领域,更具体地,涉及一种基于区块链和深度学习的去中心化分布式VANET系统。
背景技术
智能交通系统(Intelligent Transportation System,简称ITS)是一种结合计算机科学,无线通信,人工智能,电子控制和信息处理技术的技术,并应用于车辆制造和交通运输。ITS能够在保证交通安全,有效减少交通事故,缓解交通拥堵的前提下,充分利用现有交通条件,并提高交通运营效率。
车辆自组织网络(Vehicular Ad-hoc Networks,简称VANET)是ITS的重要研究分支。在VANET中,车辆相互之间、车辆与通讯基站(Base Station,简称BS)进行通信,而无需中央服务器的任何干预。然而,VANET的网络安全性低,通信隐蔽性差,并且存在由于集中式基础结构而导致的黑客入侵数据的风险。
如今,为了提高VANET网络的通信安全性,研究者们主要采用两种方式对VANET网络进行改进,第一种是基于对网络架构本身进行改进的机制,包括节点认证、信息完整性、不可否认性、信息机密性和抗重播攻击等,尽管这些方法在不同程度上解决了VANET的一部分通信安全问题,但它们几乎都是基于集中式体系结构,因此黑客仍然可以执行各种网络攻击,例如使整个VANET瘫痪、篡改数据、窃取和伪造身份信息等,从而给VANET网络安全性带来破坏;另一种是基于从VANET网络的大规模数据中提取有价值知识的机制,包括在VANET网络中应用不同的数据挖掘(Data Mining,简称DM)、机器学习(Machine Learning,简称ML)和深度学习(Deep Learning,简称DL)算法等;然而,这种方法仍然存在着网络安全性差、以及对中央服务器过度依赖的缺陷。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于区块链和深度学习的去中心化分布式VANET系统,其目的在于,解决现有集中式VANET系统由于黑客可以执行各种网络攻击导致系统安全性差的技术问题,以及应用DM、ML和DL算法的VANET系统中存在的系统安全性差、对中央服务器过度依赖的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于区块链和深度学习的去中心化分布式VANET系统,包括多个车载单元OBU、多个通讯基站BS、以及多个边缘计算EC节点,车载单元和通讯基站之间通过无线通讯的方式通信,通讯基站与EC节点之间通过无线通讯或有线通讯的方式通信,EC节点之间是通过区块链网络彼此通信,
车载单元用于与其附近的其他车辆的车载单元通过安全通信的方式共享车辆安全消息VSM;车载单元还用于与其对应的BS之间通过安全通信的方式共享VSM消息;BS用于对来自于其信号覆盖范围内所有车载单元的VSM消息进行处理,以获取该BS所在区域的交通状况信息TCI,并将该TCI信息以广播方式发送到其当前信号覆盖范围内的所有车载单元;BS还用于对来自于其信号覆盖范围内所有车载单元的VSM消息进行合并处理,并将合并处理后的VSM消息和其产生的TCI信息一起传送到对应的EC节点。EC节点用于使用区块链技术对来自BS的VSM消息和TCI信息进行加密处理,以形成TCI区块,将该TCI区块与系统中所有剩余EC节点所形成的TCI区块一起构成TCI区块链,并将该TCI区块链上的所有TCI区块输入该EC节点已经训练好的多个深度学习模型中,以得到对应于不同交通数据处理业务的数据处理结果;EC节点还用于使用Gentry全同态加密算法对对应于不同交通数据处理业务的数据处理结果进行加密,并将加密后的数据处理结果传送到其对应的所有BS;BS还用于将来自于EC节点的数据处理结果以广播方式发送到其信号覆盖范围内的所有车载单元;车载单元还用于接收其附近的BS发送的加密后的数据处理结果,使用自己的私钥对该数据处理结果进行解密,以获得明文。
优选地,车载单元与其他车载单元通过安全通信的方式共享VSM的过程包括以下子步骤:
(a1)车载单元vi通过传感器连续监视车辆安全消息,对该车辆安全消息进行预处理,以得到预处理后的车辆安全信息VSM(vi),其中i表示车载单元在所有车载单元中的序号,且i∈[1,N],N是本发明系统中车载单元的总数;
(b1)车载单元vi对步骤(a1)处理后的车辆安全信息VSM(vi)进行加密处理,以得到加密结果Ssp(vi),使用WAVE短消息和TCP/IP协议对加密结果Ssp(vi)进行封装处理以获得WSM数据包WSM(vi),并将该WSM数据包WSM(vi)通过广播方式传输到该车载单元vi附近的所有车载单元,其中sp表示加密过程使用的私钥;
(c1)车载单元vi附近的车载单元通过控制信道CCH获取车载单元vi发送的WSM数据包WSM(vi),利用WSM和TCP/IP协议对WSM数据包WSM(vi)进行解封装处理,并使用车载单元vi提供的公钥对解封装处理结果进行解密处理,以获取车载单元vi的车辆安全信息WSM(vi)。
优选地,VSM消息包括车辆位置信息、行驶速度信息、行驶方向信息、以及车辆制动状态信息;TCI信息包括交通事故信息和/或交通拥堵信息;交通数据处理业务包括车辆识别和交通流量预测。
优选地,EC节点使用区块链技术对来自BS的VSM消息和TCI信息进行加密处理,以形成TCI区块,将该TCI区块与系统中所有剩余EC节点所形成的TCI区块一起构成TCI区块链这一过程包括以下子步骤:
(a2)EC节点ECj获取来自BS的VSM消息和TCI信息,并使用VSM消息和TCI信息创建一个TCI区块的内容;
(b2)EC节点ECj使用预先建立的墨克树验证步骤(a2)中创建的TCI区块内容的数据一致性,如果验证通过则进入步骤(c2),否则过程结束;
(c2)EC节点ECj根据步骤(a2)创建的TCI区块的内容和步骤(b2)中的墨克树并使用哈希算法计算该TCI区块的哈希值作为该TCI区块的头部;
(d2)EC节点ECj根据TCI区块的内容、墨克树、TCI区块的头部生成一个TCI区块;
(e2)EC节点ECj计算步骤(d2)得到的TCI区块的工作量证明PoW,并判断其小于目标值εT,如果是,则将该TCI区块加入到TCI区块链中,然后过程结束,否则进入步骤(f2);其中目标值εT是256位的16进制数;
(f2)EC节点ECj更新TCI区块的当前时间戳tj和随机数noj,并返回步骤(e2);
(g2)EC节点ECj根据TCI区块链中数据对应的不同交通数据处理业务,将数据分别输入到预先训练好的不同深度学习模型中,以得到与各个交通数据处理业务对应的数据处理结果。
优选地,TCI区块Blockj的哈希值BHj计算如下:
BHj=SHA256(BHj-1+MRj)
其中MRj为TCI区块Blockj对应的墨克树的值,BHj-1是前一个TCI区块Blockj-1的哈希值,而SHA256()是安全哈希算法SHA256函数。
优选地,TCI区块的PoW是通过以下方式计算:
首先,获取TCI区块的头部字节:
Bheaderj=vej+BHj-1+MRj+tj+bj+noj
其中vej、tj,bj和noj分别表示TCI区块Blockj的版本、当前时间戳、位数和随机数。
然后,对该TCI区块的头部字节进行哈希计算,即计算SHA256(SHA256(Bheaderj)),得到的结果就是TCI区块的PoW。
优选地,当交通数据处理业务是车辆识别时,所使用的深度学习模型可以是四方向卷积神经网络模型QD-CNN,其模型输入是所有EC节点中的TCI区块链中的所有车辆图像数据,以及预先设定的要进行识别的车辆型号或者车牌号码,输出是与预先设定的车辆型号或者车牌号码相匹配的车辆图像;
当交通数据处理业务是交通流量预测时,所使用的深度学习模型可以是堆叠自动编码器SALM,其模型输入是所有EC节点中的TCI区块链中当前时间段各个交通路段中的所有车辆数量,输出是下一个时间段各个交通路段的车辆数量。
优选地,车载单元使用自己的私钥对该数据处理结果进行解密以获得明文具体为:
y=(c mod sk)mod 2
其中c表示数据处理结果,sk表示私钥,y表示得到的明文。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)由于本发明采用基于边缘计算架构的去中心化分布式VANET系统结构(D2VANET)方案,其将VANET数据处理任务部署在各级边缘计算节点,因此能够解决现有集中式VANET系统由于黑客可以执行各种网络攻击导致系统安全性差的技术问题,以及统安全性差、对中央服务器过度依赖的技术问题。
(2)由于本发明采用基于区块链的去中心化安全可信通信机制,其利用同态加密算法对边缘计算节点之间传输的交通数据和深度学习模型进行数据加密和区块链构建,因此能够为交通数据业务处理提供一个安全、隐私保护和可信的通信环境,保护去中心化D2VANET环境下的数据隐私并支持安全和信任深度学习模型训练。
(3)由于本发明采用基于边缘计算和区块链的安全可信交通数据深度学习分析模型,其可以根据具体交通数据处理业务需求,构建或者导入不同网络结构的深度学习模型,并且将模型部署在多个边缘计算节点进行分布式并行训练和预测,模型输入数据和模型网络结构均采用区块链技术进行加密和传输,因此能够在安全可信的D2VANET环境中充分利用深度学习和边缘计算技术对大规模交通业务数据进行训练和预测,实现交通数据智能化分析应用。
附图说明
图1是本发明基于区块链和深度学习的去中心化分布式VANET系统的架构图;
图2是本发明的D2VANET系统中潜在的通信场景示例;
图3是本发明TCI区块链的生成过程;
图4是本发明TCI区块链中使用的墨克树的生成过程;
图5是本发明使用的不同深度学习模型的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明的基本思路在于,结合区块链、边缘计算和深度学习方法,并将其应用于VANET系统中,从而提供了一种基于区块链和深度学习的去中心化分布式VANET系统。基于边缘计算的去中心化的分布式的VANET体系结构可以将网络计算负载从集中式云计算中心分散到各个边缘计算节点,有效地减少有效地减少对集中式计算集群和集中信任权限的依赖和巨大的网络数据通信开销。基于区块链的隐私保护可信深度学习训练模型可以支持安全和信任深度学习模型训练和数据通信,并且可以实现对车辆隐私的保护和深度学习模型训练过程的可信度。
随着物联网(Internet of Things,简称IOT)技术和智能移动设备的发展,大量移动设备连接到Internet并以惊人的速度生成大量数据。边缘计算(Edge computing,简称EC)是一种新颖的计算模型,可在网络边缘而非网络中心处理移动设备数据。EC可以有效缩短数据传输距离,从而消除带宽和延迟问题,并最终提高应用程序和服务的性能和可靠性。近年来,区块链技术已被视为物联网边缘的安全性和分散性的潜在结构。受益于容错性,透明性和固有性的优势,区块链技术已应用于许多领域,例如金融系统、ITS、IoT、智能电网、医疗网络、投票系统和数据中心网络。基于区块链的网络架构具有去中心化,不篡改,可追溯,高可信度和高可用性的特点,有利于提高网络安全性。此外,VANET中使用了各种加密算法来提高数据处理的安全性并保护用户的隐私。
如图1所示,本发明提供了一种基于区块链和深度学习的去中心化分布式VANET系统(Decentralized Distributed Vehicular Ad-hoc Network,简称D2VANET),包括多个车载单元(On-Board Units,简称OBU)、多个通讯基站(Base Station,简称BS)、以及多个边缘计算节点(Edge Computing Node,简称EC节点),车载单元和通讯基站之间通过无线通讯的方式通信,通讯基站与EC节点之间通过无线通讯或有线通讯的方式通信,EC节点之间是通过区块链网络(Blockchain)彼此通信。
在D2VANET中,车载单元是安装在汽车上,且具备全球定位系统(GlobalPositioning System,简称GPS)功能和数据收发功能,以提供准确的定位信息并与外界通信。每个车辆充当消息的发送者和接收者,将信息广播到其他车辆、BS和EC节点。
大量的固定BS被部署在道路的两侧或交叉路口,它们负责管理其范围内的所有OBU通信,并连接到相应的EC节点和骨干网络。BS监视当前的交通状况信息(TrafficCondition Information,简称TCI),包括交通事故或交通拥堵信息,并与相邻车辆进行通信以获得并共享实时TCI。BS的数量和位置取决于D2VANET中使用的通信协议。例如,某些协议要求将BS均匀地分布在整个交通网络中,有些协议则要求仅将BS部署在交叉路口,而其他协议则只需要部署在区域边界。
在D2VANET系统中,EC节点被部署在多个管理级别,例如城市街道(其设置低级EC节点)、地区和县(其设置有中级EC节点)、城市(其设置有高级EC节点),且一个EC节点对应管理多个BS。低级EC节点负责连接车辆和BS。每个中级EC节点都连接到其管辖范围内的低级EC节点以及与其所属的高级EC节点。所有EC节点都相互连接以形成分散的分布式计算网络。
D2VANET中潜在的通信场景包括车辆间通信、车辆与BS之间的通信,车辆/BS与EC之间的通信、以及EC节点之间的通信。这些通信场景都需要一个安全、隐私保护和可信的通信环境。D2VANET中潜在的通信场景示例见图2所示。
车载单元用于与其附近(例如以该车载单元所在车辆为圆心,半径在500米范围内)的其他车辆的车载单元通过安全通信的方式共享车辆安全消息(Vehicle SecurityMessage,简称VSM)。
每辆配备OBU的车辆都通过多跳多播、广播或802.11p协议与周围的车辆通信。在大多数情况下,车辆只对道路前方的交通信息感兴趣。因此,接收到广播消息后,如果消息来自前方车辆,则当前车辆将接受该消息并将其转发给后方车辆,否则该消息将被忽略。这确保了所有面向前方的车辆都可以接收所有广播消息。此外,如果车辆从多个来源接收到相同的消息,它将仅在第一个消息上起作用。
具体而言,一个车载单元与其他车载单元通过安全通信的方式共享VSM的过程包括:
(1)车载单元vi通过传感器连续监视车辆安全消息,对该车辆安全消息进行预处理,以得到预处理后的车辆安全信息VSM(vi),其中i表示车载单元在所有车载单元中的序号,且i∈[1,N],其中N是本发明系统中车载单元的总数;
具体而言,本步骤中的预处理过程是遵循汽车工程师协会(Society ofAutomotive Engineers,简称SAE)J2735协议标准,处理后的车辆安全信息VSM(vi)是WAVE协议栈的应用层的基本消息集。
车辆安全消息VSM可以是例如车辆位置信息、行驶速度信息、行驶方向信息、以及车辆制动状态信息等。
(2)车载单元vi对步骤(1)处理后的车辆安全信息VSM(vi)进行加密处理,以得到加密结果Ssp(vi),使用WAVE短消息(WAVE Short Message,简称WSM)和TCP/IP协议对加密结果Ssp(vi)进行封装处理以获得WSM数据包WSM(vi),并将该WSM数据包WSM(vi)通过广播方式传输到该车载单元vi附近的所有车载单元,其中sp表示加密过程使用的私钥;
具体而言,本步骤中加密过程使用的算法可以是任何现有的对称加密或非对称加密算法。
(3)车载单元vi附近的车载单元通过控制信道(Control Channel,简称CCH)获取车载单元vi发送的WSM数据包WSM(vi),利用WSM和TCP/IP协议对WSM数据包WSM(vi)进行解封装处理,并使用车载单元vi提供的公钥对解封装处理结果进行解密处理,以获取车载单元vi的车辆安全信息VSM(vi);
本步骤的目的在于,帮助车载单元vi判断周围的驾驶环境并促进车辆的安全驾驶。
车载单元还用于与其对应的BS之间通过安全通信的方式共享VSM消息。
车载单元与BS之间通过安全通信的方式共享VSM消息这一过程,与上述车载单元与其附近车载单元共享VSM消息的过程相同,在此不再赘述。
BS用于对来自于其信号覆盖范围内所有车载单元的VSM消息进行处理,以获取该BS所在区域的交通状况信息(Traffic Condition Information,简称TCI),并将该TCI信息以广播方式发送到其当前信号覆盖范围内的所有车载单元。
具体而言,TCI信息包括交通事故信息和/或交通拥堵信息。
具体而言,BS从收集到的来自于各个车载单元的VSM消息中提取对应车辆所在的道路名称、车辆具体位置、车辆行驶速度、车辆行驶方向等,对这些数据进行合并和统计,以得到该BS所在区域当前时刻的TCI,具体包括但不局限于:当前区域中每条道路的车辆数量、交通拥挤程度、平均车辆速度、车流方向等。
BS还用于对来自于其信号覆盖范围内所有车载单元的VSM消息进行合并处理,并将合并处理后的VSM消息和其产生的TCI信息一起传送到对应的EC节点。
EC节点用于使用区块链技术对来自BS的VSM消息和TCI信息进行加密处理,以形成TCI区块,将该TCI区块与系统中所有剩余EC节点所形成的TCI区块一起构成TCI区块链,并将该TCI区块链上的所有TCI区块输入该EC节点已经训练好的多个深度学习模型中,以得到对应于不同交通数据处理业务的数据处理结果。
具体而言,每一个EC节点上可以部署多个深度学习模型,用于分别负责一个交通数据处理业务,交通数据处理业务包括车辆识别、交通流量预测等,与其对应的数据处理结果分别是车辆识别业务中特定的车辆照片、交通流量预测业务中的车辆数量等。
在基于边缘计算技术的D2VANET系统中,系统负责收集所有车辆和BS的VSM消息和TCI信息,并将其提交给相应的EC节点。为了在车辆、BS和EC节点之间安全可靠地传输VSM消息和TCI信息,通过在EC节点之间的通信过程中引入了区块链技术。创建一个TCI区块链,负责记录VSM和TCI数据。D2VANET系统中的所有EC节点通过工作量证明(Proof-of-Work,简称PoW)流程在TCI区块链中生成唯一的数据块记录。TCI区块链生成过程见图3。每个EC节点将VSM消息和TCI信息保存到一个块中,并将其附加到TCI区块链中。所有EC节点都使用其计算能力共同解决PoW,以确保数据的一致性和共识的安全性。
进而言之,上述EC节点使用区块链技术对来自BS的VSM消息和TCI信息进行加密处理,以形成TCI区块,将该TCI区块与系统中所有剩余EC节点所形成的TCI区块一起构成TCI区块链这一过程包括以下子步骤:
(1)EC节点ECj获取来自BS的VSM消息和TCI信息,并使用VSM消息和TCI信息创建一个TCI区块的内容;
(2)EC节点ECj使用预先建立的墨克树(MerkleTree)验证步骤(1)中创建的TCI区块内容的数据一致性,如果验证通过则进入步骤(3),否则过程结束;
具体而言,本步骤中的墨克树是基于哈希数据的二叉树,用于验证数据一致性。其中是基于当前块数据构建墨克树,首先,通过对每个数据记录执行哈希运算来计算每个叶节点的值。每个父树节点组合其所有子节点的哈希值,然后执行哈希操作。在计算哈希值之后,该过程继续进行,直到获得墨克树的根节点为止。图4显示了墨克树的生成过程。
从图4中可以看出,一棵具有三层结构的墨克树的生成过程,首先EC节点读取从各个BS传输的TCI信息(例如TCI(BS1)和TCI(BS2))和VSM数据(例如VSM(v1)和VSM(v2)),对各个VSM和TCI数据分别执行哈希运算以得到对应的叶子节点(Node1、Node2、Node3、Node4)的哈希值。接着,对节点Node1和Node2的值继续执行哈希运算以得到父级节点Node12的哈希值,对节点Node3和Node4的值继续执行哈希运算以得到父级节点Node34的哈希值。最后对节点Node12和Node34的值继续执行哈希运算以得到到墨克树的根节点的哈希值。
(3)EC节点ECj根据步骤(1)创建的TCI区块的内容和步骤(2)中的墨克树并使用哈希算法计算该TCI区块的哈希值作为该TCI区块的头部;
例如,在EC节点ECj上,令MRj为TCI区块blockj对应的墨克树的值,TCI区块blockj的哈希值BHj计算如下:
BHj=SHA256(BHj-1+MRj)
其中BHj-1是前一个TCI区块Blockj-1的哈希值,而SHA256()是安全哈希算法(Secure Hash Algorithm 256,简称SHA256)函数。
(4)EC节点ECj根据TCI区块的内容、墨克树、TCI区块的头部生成一个TCI区块;
(5)EC节点ECj计算步骤(4)得到的TCI区块的工作量证明(Proof-of-Work,简称PoW),并判断其小于目标值εT,如果是,则将该TCI区块加入到TCI区块链中,然后过程结束,否则进入步骤(6);
具体而言,TCI区块的PoW是通过以下方式计算:
首先,获取TCI区块的头部字节:
Bheaderj=vej+BHj-1+MRj+tj+bj+noj
其中vej、tx,bj和noj分别表示TCI区块Blockj的版本、当前时间戳、位数和随机数。
然后,对该TCI区块的头部字节进行哈希计算,即计算SHA256(SHA256(Bheaderj)),得到的结果就是TCI区块的PoW;
目标值εT是256位的16进制数,其取值范围是0X0000000...0FFFFFF至0X0000FFFFF...FFF,优选为0X000000FFF…FFF。
(6)EC节点ECj更新TCI区块的当前时间戳tj和随机数noj,并返回步骤(5)。
一旦EC节点ECj将新的TCI区块添加到TCI区块链,D2VANET系统中的其他EC节点都会收到该新的TCI区块。
(7)EC节点ECj根据TCI区块链中数据对应的不同交通数据处理业务,将数据分别输入到预先训练好的不同深度学习模型中,以得到与各个交通数据处理业务对应的数据处理结果;
如图5所示,D2VANET系统中有6个相互连通的EC节点,每个EC节点都存储该EC节点的TCI区块数据及TCI区块链结构信息,假设有两种交通数据处理业务需要使用深度学习模型进行分析,则构建两种不同网络结构的新的深度学习模型或者导入现有的深度学习模型,并将这两种深度学习模型分别部署到各个EC节点中。每个EC节点将TCI区块链中的数据输入到这两个深度学习模型进行预测,并将预测结果和其他所有EC节点进行共享,以计算得到最终的预测结果。
具体而言,当交通数据处理业务是车辆识别时,所使用的深度学习模型可以是Jianqing Zhu等人提出的四方向卷积神经网络模型(Quadruple DirectionalConvolutional Neural Network,简称QD-CNN),该模型于2020年1月发表于IEEETransactions on Intelligent Transportation Systems期刊的第21卷第1期,页码范围为410–420。
当交通数据处理业务是交通流量预测时,所使用的深度学习模型可以是HaofanYang等人提出的堆叠自动编码器Levenberg-Marquardt模型(StackedAutoencoderLevenberg-Marquardt model,简称SALM),该模型于2017年10月发表于IEEETransactions on Neural Networks and Learning Systems期刊的第28卷第10期,页码范围为2371-2381。
当使用QD-CNN模型进行车辆识别时,其模型输入是所有EC节点中的TCI区块链中的所有车辆图像数据,以及预先设定的要进行识别的某一种车辆型号或者车牌号码,输出是与预先设定的车辆型号或者车牌号码相匹配的车辆图像。
当使用SALM模型进行交通流量预测时,其模型输入是所有EC节点中的TCI区块链中的当前时间段各个交通路段中的所有车辆数量信息,输出是下一个时间段各个交通路段的车辆数量。
EC节点还用于使用Gentry全同态加密算法对对应于不同交通数据处理业务的数据处理结果进行加密,并将加密后的数据处理结果传送到其对应的所有BS。
这样做的目的在于,防止在数据传输过程中可能出现的来自潜在攻击者的数据篡改。
BS还用于将来自于EC节点的数据处理结果以广播方式发送到其信号覆盖范围内的所有车载单元。
需要注意的是,从BS向车载单元传输数据处理结果的过程中,所使用的加密和解密方法和从车载单元向BS传输VSM数据的过程相同。
车载单元还用于接收其附近的BS发送的加密后的数据处理结果,使用自己的私钥对该数据处理结果进行解密,以获得明文。
例如,给定一个加密后的数据处理结果c和一个私钥sk,则相应的明文y的计算公式为:
y=(c mod sk)mod 2
车辆单元将解密结果显示在车载单元所在车辆的显示屏中,以供驾驶员可查看所有交通道路在下一时间段的交通流量和交通拥堵信息,为驾驶员进行车辆行驶路线规划提供科学依据。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于区块链和深度学习的去中心化分布式VANET系统,包括多个车载单元OBU、多个通讯基站BS、以及多个边缘计算EC节点,车载单元和通讯基站之间通过无线通讯的方式通信,通讯基站与EC节点之间通过无线通讯或有线通讯的方式通信,EC节点之间是通过区块链网络彼此通信,其特征在于,
车载单元用于与其附近的其他车辆的车载单元通过安全通信的方式共享车辆安全消息VSM;
车载单元还用于与其对应的BS之间通过安全通信的方式共享VSM消息;
BS用于对来自于其信号覆盖范围内所有车载单元的VSM消息进行处理,以获取该BS所在区域的交通状况信息TCI,并将该TCI信息以广播方式发送到其当前信号覆盖范围内的所有车载单元;
BS还用于对来自于其信号覆盖范围内所有车载单元的VSM消息进行合并处理,并将合并处理后的VSM消息和其产生的TCI信息一起传送到对应的EC节点。
EC节点用于使用区块链技术对来自BS的VSM消息和TCI信息进行加密处理,以形成TCI区块,将该TCI区块与系统中所有剩余EC节点所形成的TCI区块一起构成TCI区块链,并将该TCI区块链上的所有TCI区块输入该EC节点已经训练好的多个深度学习模型中,以得到对应于不同交通数据处理业务的数据处理结果;
EC节点还用于使用Gentry全同态加密算法对对应于不同交通数据处理业务的数据处理结果进行加密,并将加密后的数据处理结果传送到其对应的所有BS;
BS还用于将来自于EC节点的数据处理结果以广播方式发送到其信号覆盖范围内的所有车载单元;
车载单元还用于接收其附近的BS发送的加密后的数据处理结果,使用自己的私钥对该数据处理结果进行解密,以获得明文。
2.根据权利要求1所述的基于区块链和深度学习的去中心化分布式VANET系统,其特征在于,车载单元与其他车载单元通过安全通信的方式共享VSM的过程包括以下子步骤:
(a1)车载单元vi通过传感器连续监视车辆安全消息,对该车辆安全消息进行预处理,以得到预处理后的车辆安全信息VSM(vi),其中i表示车载单元在所有车载单元中的序号,且i∈[1,N],N是本发明系统中车载单元的总数;
(b1)车载单元vi对步骤(a1)处理后的车辆安全信息VSM(vi)进行加密处理,以得到加密结果Ssp(vi),使用WAVE短消息和TCP/IP协议对加密结果Ssp(vi)进行封装处理以获得WSM数据包WSM(vi),并将该WSM数据包WSM(vi)通过广播方式传输到该车载单元vi附近的所有车载单元,其中sp表示加密过程使用的私钥;
(c1)车载单元vi附近的车载单元通过控制信道CCH获取车载单元vi发送的WSM数据包WSM(vi),利用WSM和TCP/IP协议对WSM数据包WSM(vi)进行解封装处理,并使用车载单元vi提供的公钥对解封装处理结果进行解密处理,以获取车载单元vi的车辆安全信息VSM(vi)。
3.根据权利要求1所述的基于区块链和深度学习的去中心化分布式VANET系统,其特征在于,
VSM消息包括车辆位置信息、行驶速度信息、行驶方向信息、以及车辆制动状态信息;
TCI信息包括交通事故信息和/或交通拥堵信息;
交通数据处理业务包括车辆识别和交通流量预测。
4.根据权利要求1所述的基于区块链和深度学习的去中心化分布式VANET系统,其特征在于,EC节点使用区块链技术对来自BS的VSM消息和TCI信息进行加密处理,以形成TCI区块,将该TCI区块与系统中所有剩余EC节点所形成的TCI区块一起构成TCI区块链这一过程包括以下子步骤:
(a2)EC节点ECj获取来自BS的VSM消息和TCI信息,并使用VSM消息和TCI信息创建一个TCI区块的内容;
(b2)EC节点ECj使用预先建立的墨克树验证步骤(a2)中创建的TCI区块内容的数据一致性,如果验证通过则进入步骤(c2),否则过程结束;
(c2)EC节点ECj根据步骤(a2)创建的TCI区块的内容和步骤(b2)中的墨克树并使用哈希算法计算该TCI区块的哈希值作为该TCI区块的头部;
(d2)EC节点ECj根据TCI区块的内容、墨克树、TCI区块的头部生成一个TCI区块;
(e2)EC节点ECj计算步骤(d2)得到的TCI区块的工作量证明PoW,并判断其小于目标值εT,如果是,则将该TCI区块加入到TCI区块链中,然后过程结束,否则进入步骤(f2);其中目标值εT是256位的16进制数;
(f2)EC节点ECj更新TCI区块的当前时间戳tj和随机数noj,并返回步骤(e2);
(g2)EC节点ECj根据TCI区块链中数据对应的不同交通数据处理业务,将数据分别输入到预先训练好的不同深度学习模型中,以得到与各个交通数据处理业务对应的数据处理结果。
5.根据权利要求4所述的基于区块链和深度学习的去中心化分布式VANET系统,其特征在于,TCI区块Blockj的哈希值BHj计算如下:
BHj=SHA256(BHj-1+MRj)
其中MRj为TCI区块Blockj对应的墨克树的值,BHj-1是前一个TCI区块Blockj-1的哈希值,而SHA256()是安全哈希算法SHA256函数。
6.根据权利要求5所述的基于区块链和深度学习的去中心化分布式VANET系统,其特征在于,TCI区块的PoW是通过以下方式计算:
首先,获取TCI区块的头部字节:
Bheaderj=vej+BHj-1+MRj+tj+bj+noj
其中vej、tj,bj和noj分别表示TCI区块Blockj的版本、当前时间戳、位数和随机数。
然后,对该TCI区块的头部字节进行哈希计算,即计算SHA256(SHA256(Bheaderj)),得到的结果就是TCI区块的PoW。
7.根据权利要求1所述的基于区块链和深度学习的去中心化分布式VANET系统,其特征在于,
当交通数据处理业务是车辆识别时,所使用的深度学习模型可以是四方向卷积神经网络模型QD-CNN,其模型输入是所有EC节点中的TCI区块链中的所有车辆图像数据,以及预先设定的要进行识别的车辆型号或者车牌号码,输出是与预先设定的车辆型号或者车牌号码相匹配的车辆图像;
当交通数据处理业务是交通流量预测时,所使用的深度学习模型可以是堆叠自动编码器SALM,其模型输入是所有EC节点中的TCI区块链中当前时间段各个交通路段中的所有车辆数量,输出是下一个时间段各个交通路段的车辆数量。
8.根据权利要求1所述的基于区块链和深度学习的去中心化分布式VANET系统,其特征在于,车载单元使用自己的私钥对该数据处理结果进行解密以获得明文具体为:
y=(c mod sk)mod 2
其中c表示数据处理结果,sk表示私钥,y表示得到的明文。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010262063.XA CN111479237B (zh) | 2020-04-06 | 2020-04-06 | 一种基于区块链和深度学习的去中心化分布式vanet系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010262063.XA CN111479237B (zh) | 2020-04-06 | 2020-04-06 | 一种基于区块链和深度学习的去中心化分布式vanet系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111479237A true CN111479237A (zh) | 2020-07-31 |
CN111479237B CN111479237B (zh) | 2021-09-03 |
Family
ID=71749740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010262063.XA Active CN111479237B (zh) | 2020-04-06 | 2020-04-06 | 一种基于区块链和深度学习的去中心化分布式vanet系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111479237B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113810880A (zh) * | 2021-09-26 | 2021-12-17 | 湖南大学 | 基于区块链的车联网信息共享方法、存储介质及路侧单元 |
JP7491470B2 (ja) | 2020-11-26 | 2024-05-28 | 株式会社デンソー | ゾーンベースのブロックチェーンシステム、及びゾーンベースのブロックチェーンシステムを運用するための方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108696493A (zh) * | 2017-04-06 | 2018-10-23 | 杭州远眺科技有限公司 | 一种车联网中身份认证及消息分发系统及方法 |
CN108806238A (zh) * | 2018-06-21 | 2018-11-13 | 中国联合网络通信集团有限公司 | 车辆控制方法、装置、设备及存储介质 |
CN109068299A (zh) * | 2018-09-26 | 2018-12-21 | 电子科技大学 | 一种基于区块链的车联网架构及其工作方法 |
CN109922149A (zh) * | 2019-03-06 | 2019-06-21 | 中南大学 | 一种基于区块链的车联网数据交换模型 |
CN109993847A (zh) * | 2019-04-15 | 2019-07-09 | 内蒙古大学 | 一种基于区块链的收集交通事故信息的架构及工作方法 |
CN110430061A (zh) * | 2019-07-19 | 2019-11-08 | 东南大学 | 一种基于区块链技术的车联网设备身份认证方法 |
US10573178B2 (en) * | 2016-10-31 | 2020-02-25 | Veniam, Inc. | Systems and methods for tracking and fault detection, for example among autonomous vehicles, in a network of moving things |
-
2020
- 2020-04-06 CN CN202010262063.XA patent/CN111479237B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10573178B2 (en) * | 2016-10-31 | 2020-02-25 | Veniam, Inc. | Systems and methods for tracking and fault detection, for example among autonomous vehicles, in a network of moving things |
CN108696493A (zh) * | 2017-04-06 | 2018-10-23 | 杭州远眺科技有限公司 | 一种车联网中身份认证及消息分发系统及方法 |
CN108806238A (zh) * | 2018-06-21 | 2018-11-13 | 中国联合网络通信集团有限公司 | 车辆控制方法、装置、设备及存储介质 |
CN109068299A (zh) * | 2018-09-26 | 2018-12-21 | 电子科技大学 | 一种基于区块链的车联网架构及其工作方法 |
CN109922149A (zh) * | 2019-03-06 | 2019-06-21 | 中南大学 | 一种基于区块链的车联网数据交换模型 |
CN109993847A (zh) * | 2019-04-15 | 2019-07-09 | 内蒙古大学 | 一种基于区块链的收集交通事故信息的架构及工作方法 |
CN110430061A (zh) * | 2019-07-19 | 2019-11-08 | 东南大学 | 一种基于区块链技术的车联网设备身份认证方法 |
Non-Patent Citations (2)
Title |
---|
吴振铨: "车联网边缘计算中的资源优化与数据共享研究", 《中国博士学位论文全文数据库(电子期刊)》 * |
徐成: "面向车联网的互信认证协议研究", 《中国博士学位论文全文数据库(电子期刊)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7491470B2 (ja) | 2020-11-26 | 2024-05-28 | 株式会社デンソー | ゾーンベースのブロックチェーンシステム、及びゾーンベースのブロックチェーンシステムを運用するための方法 |
CN113810880A (zh) * | 2021-09-26 | 2021-12-17 | 湖南大学 | 基于区块链的车联网信息共享方法、存储介质及路侧单元 |
Also Published As
Publication number | Publication date |
---|---|
CN111479237B (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lai et al. | Security and privacy challenges in 5G-enabled vehicular networks | |
US11323249B2 (en) | Cryptographic methods and systems for authentication in connected vehicle systems and for other uses | |
Liu et al. | PPTM: A privacy-preserving trust management scheme for emergency message dissemination in space–air–ground-integrated vehicular networks | |
CN111967051B (zh) | 一种基于区块链的车辆间数据安全共享方法以及系统 | |
CN106209777A (zh) | 一种无人驾驶车车载信息交互系统及安全通信方法 | |
US11895250B2 (en) | Cryptographic methods and systems using activation codes for digital certificate revocation | |
US11811943B2 (en) | Verification of messages using hash chaining | |
CN109362062B (zh) | 基于ID-based群签名的VANETs匿名认证系统及方法 | |
CN111479237B (zh) | 一种基于区块链和深度学习的去中心化分布式vanet系统 | |
CN102752130A (zh) | 车辆自组网中恶意车辆发现机制 | |
CN115694891B (zh) | 一种基于中央计算平台的路侧设备通信系统及方法 | |
CN115361243B (zh) | 安全芯片的无人驾驶信息交互方法及安全芯片装置 | |
Chavhan et al. | Edge-enabled Blockchain-based V2X scheme for secure communication within the smart city development | |
CN112351408B (zh) | 一种智能网联电动车的数据安全传输方法和系统 | |
CN113645028A (zh) | 支持动态密钥管理的车联网条件隐私保护系统及方法 | |
Benin et al. | Unified pseudonym distribution in VANETs | |
Kalkundri et al. | Survey on Security for WSN based VANET using ECC | |
Jiang et al. | LPTM: Lightweight and privacy‐preserving traffic monitoring scheme | |
Lin | Secure and privacy-preserving vehicular communications | |
Lahdya et al. | Security study of routing attacks in vehicular ad-hoc networks (autonomous car) | |
VI | VPKI Hits the Highway–Secure Communication for the US DOT Connected Vehicle Pilot Program | |
EP3738272B1 (en) | Cryptographic methods and systems using activation codes for digital certificate revocation | |
CN115297456B (zh) | 一种vanet中面向紧急救援场景的道路规避方法 | |
Preyashi et al. | IoT-based smart and secure vehicle communication using advanced technique | |
Kanáliková et al. | Trends in the area of security within c2c communications |
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 |