CN111565374A - 一种基于动态反馈机制的信息分发策略优化方法 - Google Patents

一种基于动态反馈机制的信息分发策略优化方法 Download PDF

Info

Publication number
CN111565374A
CN111565374A CN202010288179.0A CN202010288179A CN111565374A CN 111565374 A CN111565374 A CN 111565374A CN 202010288179 A CN202010288179 A CN 202010288179A CN 111565374 A CN111565374 A CN 111565374A
Authority
CN
China
Prior art keywords
strategy
attribute
vehicle
message
information
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
Application number
CN202010288179.0A
Other languages
English (en)
Other versions
CN111565374B (zh
Inventor
偶婧
夏莹杰
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010288179.0A priority Critical patent/CN111565374B/zh
Publication of CN111565374A publication Critical patent/CN111565374A/zh
Application granted granted Critical
Publication of CN111565374B publication Critical patent/CN111565374B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车联网中基于动态反馈机制的信息分发策略优化方法，包括以下步骤：S1.系统初始化属性集合，策略制定者群体的置信度集合以及各个属性的背景概率向量；S2.策略制定者群体产生初始策略，车辆在接收消息后，反馈消息是否有效，路侧单元收集所述车辆的自身属性信息和反馈数据；S3.路侧单元删除异常反馈数据；S4.依据决策树算法确定信息分发场景的最优策略；S5.路侧单元根据最优策略更新策略制定者群体的置信度集合以及各个属性的背景概率向量；S6.路侧单元得到优化后的信息分发策略，并据此进行消息加密，将加密后的密文信息广播至车辆。本发明所述的优化方法通过设计动态反馈机制有效优化信息分发策略，提高信息分发的精准性。

Description

一种基于动态反馈机制的信息分发策略优化方法
技术领域
本发明涉及智能交通技术领域，尤其是涉及一种车联网中基于动态反馈机制的信息分发 策略优化方法。
背景技术
在车联网中，策略制定者通过制定合适的信息分发策略，将交通事故、交通拥堵、交通 诱导等事件信息发送到车辆上，从而达到信息实时发布、实时共享的目的，有效提高交通运 行服务水平。因此，在车联网信息分发的场景中，信息分发策略尤为关键。
在车联网中，交通服务中的信息分发主要采用广播形式。由于无线网络开放的特点，传 输数据在链路中容易被窃听、篡改等，这严重侵犯驾驶人隐私、危害公共交通安全。为此， 许多学者将基于属性的访问控制引入车联网信息分发场景中，例如Safi Q G K于2018年发表 在《Computer standards&interfaces》上的论文“Cloud-based security andprivacy-aware information dissemination over ubiquitous VANETs”中远程中心通过制定基于属性的策略，实现 信息的安全分发。
公开号为CN108696493A的中国发明专利申请公开了一种车联网中身份认证及消息分 发系统及方法，提供了一种基于身份签名、属性加密技术，高效身份认证和细粒度访问控制 的车联网中身份认证及消息分发系统及方法。其中，可信中心端根据消息指定访问控制策略 并进行加密，通过路边单元对密文进行广播。
在传统的车联网应用中，信息分发策略通常由策略制定者群体根据其自身感知能力来主 观制定。然而策略制定者自身的感知能力有限，有时会无意甚至故意制定错误的分发策略， 从而影响信息服务的质量。
公开号为CN107896369A的中国发明专利申清公开了一种适用于车载自组网可信消息 广播与安全认证的方法。车辆通过与可信中心间的双向认证获取会话密钥，路边单元收集特 定消息的部分签名，利用门限签名技术生成可信的完整数字签名，并广播给通信范围内的车 辆。车辆通过安全认证接收合法消息，加强道路交通安全和行车效率。
随着车联网通信技术和智慧交通的发展，车辆与路侧单元可以方便地通信，车辆可以针 对接收信息进行及时、有效地反馈。这些事后反馈数据展示了信息分发的效果，从而可以帮 助优化调整后续的信息分发策略。因此，如何利用事后反馈数据优化信息分发策略，从而提 高信息分发的精准性成为一个亟需解决的问题。
发明内容
本发明提供了一种车联网中基于动态反馈机制的信息分发策略优化方法，该方法通过设 计动态反馈机制，从而有效优化信息分发策略，提高信息分发的精准性。
为实现上述目的，本发明提供如下技术方案：
一种车联网中基于动态反馈机制的信息分发策略优化方法，包括以下步骤：
S1.系统初始化属性集合，策略制定者群体的置信度集合以及各个属性的背景概率向量；
S2.路侧单元根据策略制定者群体产生的初始策略进行消息加密广播至车辆，车辆在接收 消息后，反馈消息是否有效；路侧单元收集所述车辆的自身属性信息和反馈数据；
S3.路侧单元删除异常反馈数据；
S4.路侧单元依据决策树算法确定信息分发场景的最优策略；
S5.路侧单元根据最优策略更新策略制定者群体的置信度集合以及各个属性的背景概率 向量；
S6.路侧单元根据更新后的策略制定者群体的置信度集合以及各个属性的背景概率向量 优化初始信息分发策略，并根据所述的信息分发策略进行消息加密，将加密后的密文信息广 播车车辆。
所述的步骤S1.系统初始化属性集合，策略制定者群体的置信度集合以及各个属性的背 景概率向量，具体如下：
可信中心初始化属性集合Attr，策略制定者群体的置信度集合ρSet以及各个属性attr的 背景概率向量His(attr)；
所述的属性集合包含若干个属性attr，每个attr包含属性名和值域；
所述的策略制定者群体共有J个策略制定者；第j个策略制定者的置信度为pj，其中，所
述的0≤ρj≤1；所述的J为非0正整数；j为整数且1≤j≤J；
背景概率向量
Figure BDA0002448880640000021
其中，n为属性值域取值个数，
Figure BDA0002448880640000022
为第n个属性的出现概率，服从Beta分布，
Figure BDA0002448880640000023
所述的α为1；所述的β为n-1。
所述的背景概率向量相当于基于历史数据的统计，用于表示历史策略中属性值出现的概 率。把它加入并优化策略融合过程。
所述的S2.路侧单元根据策略制定者群体产生的初始策略进行消息加密广播至车辆，车 辆在接收消息后，反馈消息是否有效；路侧单元收集所述车辆的自身属性信息和反馈数据； 具体如下：
S21.策略制定者群体产生初始策略，路侧单元根据所述的策略制定者群体的置信度集合以 及各个属性的背景概率向量形成初始信息分发策略，进行消息加密，将加密后的密文信息广 播至车辆；
S22.车辆接收到路侧单元广播的密文信息，反馈消息是否有效；
S23.路侧单元收集所述车辆的自身属性信息和反馈数据，设置消息有效标记位validflag， 当车辆反馈消息有效时，设置validflag为1，否则为0，形成反馈数据集，反馈数据集格式为： (车辆属性、消息标记有效位)。
所述的步骤S3.路侧单元删除异常反馈数据，具体如下：
S31.路侧单元根据车辆属性，分别构建1×m维的车辆属性向量
Figure BDA0002448880640000024
其中m为属性的个数，am为第m个属性的取值；
S32.将车辆属性向量归一化，
Figure BDA0002448880640000031
其中atrans为归一化后的属性值，amax和amin为该属性在所有车辆属性向量中的最大值和 最小值；
S33.路侧单元构建车辆初始集合簇，每个车辆构建为一个簇，每个簇向量初始化为车辆 属性向量并计算簇与簇之间的相似度
Figure BDA0002448880640000032
Figure BDA0002448880640000033
其中
Figure BDA0002448880640000034
为归一化后车辆属性向量；
设置相似度阈值Thresim，若
Figure BDA0002448880640000035
则合并形成集合簇，将集合簇 向量更新为：
Figure BDA0002448880640000036
反复递归至无法合并簇为止；
S34.针对合并后的各个集合簇，根据反馈数据集中的消息有效标志位validflag，划分消 息有效车辆集合和消息无效车辆集合，计算各个集合簇中的有效消息比例和无效消息比例；
有效消息比例＝集合簇中反馈消息有效的车辆/集合簇中车辆总数，
无效消息比例＝1-有效消息比例；
设置认同比例σ，若有效消息比例大于σ，则认为该集合簇中validflag＝0的反馈数据为 异常数据，予以删除；
若无效消息比例人于σ，则认为该集合簇中validflag＝1的反馈数据为异常数据，予以删 除。
所述的步骤S4.路侧单元依据决策树算法确定信息分发场景的最优策略，具体如下：
S41.计算剩余的反馈数据集上的信息熵H(D)：
H(D)＝-(plog2p+(1-p)log2(1-p))；
其中，p为剩余车辆反馈消息有效的概率，其计算公式如下：
Figure BDA0002448880640000037
其中，Nvalid为剩余的反馈数据集中反馈消息有效的车辆数量，Nall为剩余的反馈数据集 中剩余车辆的总数；
S42.依据决策树算法，以信息增益率为最优划分条件，选择信息增益比率最大的属性进 行样本划分，对于划分后的子样本，再递归地进行特征的选取和划分；
确定决策树的终止条件，设定最大层数阈值Tdeep，若决策树层数未达到最大层数阈值Tdeep， 且所有样本被分入唯一叶子节点，则结束决策树算法；
若决策树层数达到最大层数阈值Tdeep，且最终叶子节点中标记消息是否有效的结果不唯 一，则以多数车辆的属性值作为该叶子节点的取值；
S43.根据构建的决策树，选取结果为“有效”的叶子节点，从根节点到该叶子节点的路径 以逻辑“与”相连，构建子策略；
最终以逻辑“或”连接各个子策略，构建信息分发场景的最优策略破
Figure BDA0002448880640000041
其中attr∈Attr，∧表示逻辑“与”，∨表示逻辑“或”，x为最优策略中子策略个数。
最优策略是在分发过程完成后生成的策略，相当于历史数据。由于每次分发场景不同， 不能直接用历史最优策略作为下一次分发策略，因此我们将其作为历史数据，进行后续操作， 优化下一次的分发策略。
所述的步骤S5.路侧单元根据最优策略更新策略制定者群体的置信度集合以及各个属性 的背景概率向量，具体如下：
S51.计算最优策略与各个策略的相似度：
Figure BDA0002448880640000042
其中，polOP为最优策略，polf为polOP的子策略.子策略个数分别为x；polMS为某个策 略制定者制定的策略，polg为polMS的子策略，子策略个数为y，p为polOP与polMS中子策略的一一映射关系；若x≠y，则子策略少的一方用空策略进行补充；
子策略之间的相似度为：
Figure BDA0002448880640000043
其中，Z为polf和polg中相同属性的个数，Ak和Bk分别为polf和polg中相应属性的取值， 其相似度为：
Figure BDA0002448880640000044
其中，|Ak∩Bk|为属性取值中的公有部分；
S52.更新策略制定者集合置信度：
ρnew＝ρold+η(sim(polop，polMS)-ρold)；
其中，η为更新率，其位域范围为0至1，ρold为原置信度，ρnew为更新后的置信度；
S53.更新背景概率向量，属性A在某次策略中被选择，存在于子策略subPol中，subPol 中其他属性，构成集合S；
新建条件背景概率向量His(A|S)＝His(A)＝(q1，q1，…，qn)；
qn表示在选择S的条件下，选择属性A中属性值An的概率；
其中，qn＝Beta(αnew，βnew)＝Beta(α+u，β+w-u)；
所述的w为反馈数据的总次数，u为选择了S的同时选择属性A中属性值An的次数；
设计定时器，时间设置为Ttime，当调整条件背景概率向量His(A|S)时，则重置定时器的 时间为Ttime，若超过Ttime后His(A|S)未做任何更新，则代表该子策略组合已经较长时间未出 现，将该子策略删除。
所述的步骤S6.路侧单元根据调整后的策略制定者群体的置信度集合以及各个属性的背 景概率向量优化初始信息分发策略，并根据所述的信息分发策略进行消息加密，将加密后的 密文信息广播至车辆，具体如下：
S61.路侧单元根据调整后的策略制定者群体的置信度集合以及各个属性的背景概率向量 更新各个属性的取值；
S62.路侧单元合并更新后的属性取值形成优化后的信息分发策略；并根据所述的信息分发 策略进行消息加密，将加密后的密文信息广播至车辆。
所述的信息分发策略优化方法，还包括步骤S7.车辆接收到路侧单元广播的密文信息， 利用自己的属性密钥尝试解密，若其属性满足信息分发策略，即能够成功解密。
本发明的有益效果主要体现在：
本发明通过通过设计动态反馈机制，删除异常数据，并决策树算法得到最优策略更新策 略制定者群体的置信度以及背景概率向量，从而有效优化信息分发策略，提高信息分发的精 准性。
附图说明
图1为本发明方法应用过程中的示意图。
图2为实施例1步骤S43.中决策树与信息分发策略的转换示意图。
图3为本发明方法的流程示意图。
具体实施方式
一种车联网中基于动态反馈机制的信息分发策略优化方法，其特征包含以下步骤：
S1.系统初始化属性集合，策略制定者群体的置信度集合以及各个属性的背景概率向量。
其内容包括：可信中心初始化属性集合Attr，策略制定者群体的置信度集合ρSet以及各 个属性attr的背景概率向量His(attr)。
所述的属性集合包含若干个属性attr，每个attr包含属性名和值域；例如：属性名为车 辆类型，值域为[出租车，公交车，私家车，货车]，则车辆类型属性为“车辆类型：[出租车， 公交车，私家车，货车]”。
所述的策略制定者群体共有J个策略制定者；第j个策略制定者的置信度为ρj，其中，所 述的0≤ρj≤1；所述的J为非0正整数；j为整数且1≤j≤J。
本实施例中策略制定者有两个，即J＝2，分别为消息发送者和路侧单元；
第一个策略制定者为消息发送者，置信度为0.5，ρj＝1＝0.5；
第二个策略制定者为路侧单元，置信度为0.6，ρj＝2＝0.6；
置信度集合ρSet为“消息发送者：0.5；路侧单元：0.6”。
背景概率向量
Figure BDA0002448880640000051
其中，n为属性值域取值个数，
Figure BDA0002448880640000061
为第n个属性的出现概率，服从Beta分布，
Figure BDA0002448880640000062
所述的α为1；所述的β为n-1。
例如针对“车辆类型”这一属性，其取值有5个：公交车、出租车、小汽车、卡车、其他， 则初始化时，对于任一取值，其服从Beta(1，4)。
S2.路侧单元根据策略制定者群体产生的初始策略进行消息加密广播至车辆，车辆在接 收消息后，反馈消息是否有效；路侧单元收集所述车辆的自身属性信息和反馈数据。
S21.策略制定者群体产生初始策略，路侧单元根据所述的策略制定者群体的置信度集合以 及各个属性的背景概率向量形成初始信息分发策略，初始信息分发策略的合成方法参见步骤 S61，进行消息加密，将加密后的密文信息广播至车辆；
S22.车辆接收到路侧单元广播的密文信息，反馈消息是否有效；
S23.路侧单元收集所述车辆的自身属性信息和反馈数据，设置消息有效标记位validflag， 当车辆反馈消息有效时，设置validflag为1，否则为0，形成反馈数据集，反馈数据集格式为： (车辆属性、消息标记有效位)。
S3.路侧单元删除异常反馈数据。
S31.路侧单元根据车辆属性，分别构建1×m维的车辆属性向量
Figure BDA0002448880640000063
其中 m为属性的个数，am为第m个属性的取值。
例如，某辆车辆的属性为“卡车，路段A，交叉口A，100m”，此处假设各离散值域属性值为0，代表为各属性的第一种取值，则该车辆可以表示为
Figure BDA0002448880640000064
S32.将车辆属性向量归一化，
Figure BDA0002448880640000065
其中atrans为归一化后的属性值，amax和amin为该属性在所有车辆属性向量中的最大值和 最小值。
假设路段长度为500m，atrans＝1/5。则上述车辆归一化后的属性向量为
Figure BDA0002448880640000066
Figure BDA00024488806400000612
S33.路侧单元构建车辆初始集合簇，每个车辆构建为一个簇，每个簇向量初始化为车辆 属性向量并计算簇与簇之间的相似度
Figure BDA0002448880640000067
Figure BDA0002448880640000068
其中
Figure BDA0002448880640000069
归一化后车辆属性向量；设置相似度阈值Thresim，若
Figure BDA00024488806400000610
则合并形成集合簇，将集合簇向量更新为：
Figure BDA00024488806400000611
反复递归至无法合并簇为止。
假设簇O的向量为(1，1，1，1，0.5)，簇R的向量为(1，1，1，0.8，0.6)，则簇O与簇R之间的相似 度为0.994；
Figure BDA0002448880640000071
由于簇A与簇B之间的相似度大于阈值0.8，则将簇A与簇B合并，
Figure BDA0002448880640000072
S34.针对合并后的各个集合簇，根据反馈数据集中的消息有效标志位validflag，划分消 息有效车辆集合和消息无效车辆集合，计算各个集合簇中的有效消息比例和无效消息比例；
有效消息比例＝集合簇中反馈消息有效的车辆/集合簇中车辆总数，
无效消息比例＝1-有效消息比例；
设置认同比例σ，若有效消息比例大于σ，则认为该集合簇中validflag＝0的反馈数据 为异常数据，予以删除；
若无效消息比例大于σ，则认为该集合簇中validflag＝1的反馈数据为异常数据，予以删 除。
假设集合簇中有10个反馈数据，其中9个认为置validflag＝1，1个置validflag＝0，设 定认同比例σ＝0.8，由于validflag＝1的数据比例为0.9，大于认同比例，则认为validflag＝0 的数据为异常数据，予以删除。
S4.路侧单元依据决策树算法确定信息分发场景的最优策略。
S41.计算剩余的反馈数据集上的信息熵H(D)：
H(D)＝-(plog2p+(1-p)log2(1-p))；
其中，p为剩余车辆反馈消息有效的概率，其计算公式如下：
Figure BDA0002448880640000073
其中，Nvalid为剩余的反馈数据集中反馈消息有效的车辆数最，Nall为剩余的反馈数据集 中剩余车辆的总数。
假设有剩余100个反馈数据，其中消息标记有效位validflag＝1的反馈数据为90个， validflag＝0的反馈数据为10个，Nvalid＝90，Nall＝100，则p＝90/100＝0.9。则 H(D)＝-(0.9*log20.9+0.1*log20.1)＝0.469。
S42.依据决策树算法，以信息增益率为最优划分条件，选择信息增益比率最大的属性 进行样本划分，对于划分后的子样本，再递归地进行特征的选取和划分；
确定决策树的终止条件，设定最大层数阈值Tdeep，若决策树层数未达到最大层数阈值 Tdeep，且所有样本被分入唯一叶子节点，则结束决策树算法；
若决策树层数达到最大层数阈值Tdeep，且最终叶子节点中标记消息是否有效的结果不唯 一，则以多数车辆的属性值作为该叶子节点的取值。
构建出的决策树如图2所示左侧所示，决策树表明当车辆类型为公交车或者出租车时消 息有效，同时对于行驶在路段A上的私家车也有效。
S43.根据构建的决策树，选取结果为“有效”的叶子节点，从根节点到该叶子节点的路径 以逻辑“与”相连，构建子策略；
最终以逻辑“或”连接各个子策略，构建信息分发场景的最优策略破
Figure RE-GDA0002573341090000081
其中attr∈Attr，∧表示逻辑“与”，∨表示逻辑“或”，x为最优策略 中子策略个数。
针对图2构建的决策树，最终构建的访问策略po为“{公家车∨出租车∨(私家车∧路段 A)}”。
S5.路侧单元根据最优策略调整策略制定者群体的置信度集合以及各个属性的背景概 率向量。
S51.计算最优策略与各个策略的相似度：
Figure BDA0002448880640000083
其中，polOP为最优策略，polf为polOP的子策略，子策略个数分别为x；polMS为某个策 略制定者制定的策略，polg为polMS的子策略，子策略个数为y，p为polOP与polMS中子策略的一一映射关系；若x≠y，则子策略少的一方用空策略进行补充；
子策略之间的相似度为：
Figure BDA0002448880640000084
其中，Z为polf和polg中相同属性的个数，Ak和Bk分别为polf和polg中相应属性的取值， 具相似度为：
Figure BDA0002448880640000085
其中，|Ak∩Bk|为属性取值中的公有部分。
最优策略为“(出租车∧速度∈[40，50])∨(公交车∧速度∈[30，40])”，某个策略制定者的策略 为“(出租车∧速度∈[35，45])∨(公交车∧速度∈[35，50])”。
首先计算各个子策略之间的相似度，例如子策略“出租车∧速度∈[40，50]”与子策略“出租 车∧速度∈[35，45]”中，有两类属性“车辆类型”和“速度”。其中，车辆类型均为“小租车”，速 度值存在差异。通过计算可得，二者的相似度为(1+1/3)/2＝2/3。
同理，可以得到子策略“出租车∧速度∈[40，50]”与子策略“公交车∧速度∈[35，50]”的相似 度为1/3，子策略“公交车∧速度∈[30，40]”与子策略“出租车∧速度∈[35，45]”的相似度为1/6， 子策略“公交车∧速度∈[30，40]”与子策略“公交车∧速度∈[35，50]”的相似度为5/8。
通过计算两两子策略之间的相似度，可以得到最佳策略为“出租车∧速度∈[40，50]”对“出 租车∧速度∈[35，45]”，相似度为2/3；“公交车∧速度∈[30，40]”对“公交车∧速度∈[35，50]”， 相似度为5/8。最终最优策略与该策略的相似度为0.5*(2/3+5/8)＝0.646。
S52.更新策略制定者集合置信度：
ρnew＝ρold+η(sim(polop，polMS)-ρold)；
其中，η为更新率，其值域范围为0至1，ρold为原置信度，ρnew为更新后的置信度；
设该策略制定者的初始置信度为0.5，更新率为0.6，则更新的置信度为0.5+0.6*(0.646-0.5)＝0.5876，置信度得到提升。同理，若另一策略制定者制定的策略与最优策 略存在较大差异，则其相似度较低，最终更新后的置信度也较低。
S53.更新背景概率向量，属性A在某次策略中被选择，存在于子策略subPol中，subPol 中其他属性，构成集合S；
新建条件背景概率向量His(A|S)＝His(A)＝(q1，q1，…，qn)；
qn表示在选择S的条件下，选择属性A中属性值An的概率；
其中，qn＝Beta(αnew，βnew)＝Beta(α+u，β+w-u)；
所述的w为反馈数据的总次数，u为选择了S的同时选择属性A中属性值An的次数；
设计定时器，时间设置为Ttime，当调整条件背景概率向量His(A|S)时，则重置定时器的 时间为Ttime，若超过Ttime后His(A|S)未做任何更新，则代表该子策略组合已经较长时间未出 现，将该子策略删除。
例如最优策略为“公交车∧速度∈[30，40]”，中间涉及“车辆类型”和“速度”这两个属性。
对于“车辆类型而言”，可更新His(车辆类型|速度)，假设各个属性取值的分布为Beta(1，6)， 则关于“公交车”这一取值的Beta分布更新为Beta(2，6)，其余更新为Beta(1，9)。
同理，对于“速度”这一属性，由于其为离散值，此处简单以等宽法进行离散化，离散的 值域间隔为10，速度的值域为0至100，则各个值域区间的初始分布为Beta(1，9)，更新后关 于“[30，40]”的分布更新为Beta(2，9)，其余更新为Beta(1，10)。
S6.路侧单元根据更新后的策略制定者群体的置信度集合以及各个属性的背景概率向量 优化初始信息分发策略，并根据所述的信息分发策略进行消息加密，将加密后的密文信息广 播至车辆。
S61.路侧单元根据调整后的策略制定者群体的置信度集合以及各个属性的背景概率向量 更新各个属性的取值。
例如原始信息分发策略为“公交车∧速度∈[25，35]”，参与策略的制定者只有1个，其置信 度为0.6，背景概率向量如上，背景概率的倾向度为0.5。
则对于“车辆类型”这一属性，选择置信度最高的离散值，此时为“公交车”。
对于“速度”这一属性，值域区间分别涉及“[20-30]”和“[30-40]”；
针对区间[20-30]，策略制定者在该区间取值长度为5，置信度为0.6；背景概率向量取值 长度为10，概率服从Beta(1，10)，则其出现概率的均值为1/(1+10)＝0.091。
针对区间[30-40]，策略制定者在该区间取值长度为5，置信度为0.6；背景概率向量取值 长度为10，概率服从Beta(2，9)，则其出现概率的均值为2/(2+9)＝0.182。
则针对区间[20-30]，最终值域长度为：
Figure BDA0002448880640000091
计算属性范围置信度ρL＝0，ρR＝(0.182+0.6)/2＝0.391。则选择右端点R为范围边界， 该子区间为[24.65，30]。
同理，针对区间[30-40]；
Figure BDA0002448880640000101
最终的速度取值为[24.65，35.66]。
S62.路侧单元合并更新后的属性取值形成优化后的信息分发策略；并根据所述的信息分发 策略进行消息加密，将加密后的密文信息广播至车辆。
步骤S7.车辆接收到路侧单元广播的密文信息，利用自己的属性密钥尝试解密，若其属 性满足信息分发策略，即能够成功解密。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技 术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不 会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了路侧单元、可信中心等术语，但并不排除使用其它术语的可能性。 使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的 限制都是与本发明精神相违背的。

Claims (8)

1.一种车联网中基于动态反馈机制的信息分发策略优化方法，其特征在于，包括以下步骤：
S1.系统初始化属性集合，策略制定者群体的置信度集合以及各个属性的背景概率向量；
S2.路侧单元根据策略制定者群体产生的初始策略进行消息加密广播至车辆，车辆在接收消息后，反馈消息是否有效；路侧单元收集所述车辆的自身属性信息和反馈数据；
S3.路侧单元删除异常反馈数据；
S4.路侧单元依据决策树算法确定信息分发场景的最优策略；
S5.路侧单元根据最优策略更新策略制定者群体的置信度集合以及各个属性的背景概率向量；
S6.路侧单元根据更新后的策略制定者群体的置信度集合以及各个属性的背景概率向量优化初始信息分发策略，并根据所述的信息分发策略进行消息加密，将加密后的密文信息广播至车辆。
2.根据权利要求1所述的信息分发策略优化方法，其特征在于，所述的步骤S1.系统初始化属性集合，策略制定者群体的置信度集合以及各个属性的背景概率向量，具体如下：可信中心初始化属性集合Attr，策略制定者群体的置信度集合ρSet以及各个属性attr的背景概率向量His(attr)；
所述的属性集合包含若干个属性attr，每个attr包含属性名和值域；
所述的策略制定者群体共有J个策略制定者；第j个策略制定者的置信度为ρj，其中，所述的0≤ρj≤1；所述的J为非0正整数；j为整数且1≤j≤J；
背景概率向量
Figure FDA0002448880630000011
其中，n为属性值域取值个数，
Figure FDA0002448880630000012
为第n个属性的出现概率，服从Beta分布，
Figure FDA0002448880630000013
所述的α为1；所述的β为n-1。
3.根据权利要求1所述的信息分发策略优化方法，其特征在于，S2.路侧单元根据策略制定者群体产生的初始策略进行消息加密广播至车辆，车辆在接收消息后，反馈消息是否有效；路侧单元收集所述车辆的自身属性信息和反馈数据；具体如下：
S21.策略制定者群体产生初始策略，路侧单元根据所述的策略制定者群体的置信度集合以及各个属性的背景概率向最形成初始信息分发策略，进有消息加密，将加密后的密文信息广播至车辆；
S22.车辆接收到路侧单元广播的密文信息，反馈消息是否有效；
S23.路侧单元收集所述车辆的自身属性信息和反馈数据，设置消息有效标记位validflag，当车辆反馈消息有效时，设置validflag为1，否则为0，形成反馈数据集，反馈数据集格式为：(车辆属性、消息标记有效位)。
4.根据权利要求1所述的信息分发策略优化方法，其特征在于，所述的步骤S3.路侧单元删除异常反馈数据，具体如下：
S31.路侧单元根据车辆属性，分别构建1×m维的车辆属性向量
Figure FDA0002448880630000014
其中m为属性的个数，am为第m个属性的取值；
S32.将车辆属性向量归一化，
Figure FDA0002448880630000021
其中atrans为归一化后的属性值，amax和amin为该属性在所有车辆属性向量中的最大值和最小值；
S33.路侧单元构建车辆初始集合簇，每个车辆构建为一个簇，每个簇向量初始化为车辆属性向量并计算簇与簇之间的相似度
Figure FDA0002448880630000022
Figure FDA0002448880630000023
其中
Figure FDA0002448880630000024
为归一化后车辆属性向量；
设置相似度阈值Thresim，若
Figure FDA0002448880630000025
则合并形成集合簇，将集合簇向量更新为：
Figure FDA0002448880630000026
反复递归至无法合并簇为止；
S34.针对合并后的各个集合簇，根据反馈数据集中的消息有效标志位validflag，划分消息有效车辆集合和消息无效车辆集合，计算各个集合簇中的有效消息比例和无效消息比例；
有效消息比例＝集合簇中反馈消息有效的车辆/集合簇中车辆总数，
无效消息比例＝1-有效消息比例；
设置认同比例σ，若有效消息比例大于σ，则认为该集合簇中validflag＝0的反馈数据为异常数据，予以删除；
若无效消息比例大于σ，则认为该集合簇中validflag＝1的反馈数据为异常数据，予以删除。
5.根据权利要求1所述的信息分发策略优化方法，其特征在于，所述的步骤S4.路侧单元依据决策树算法确定信息分发场景的最优策略，具体如下：
S41.计算剩余的反馈数据集上的信息熵H(D)：
H(D)＝-(plog2p+(1-p)log2(1-p))；
其中，p为剩余车辆反馈消息有效的概率，其计算公式如下：
Figure FDA0002448880630000027
其中，Nvalid为剩余的反馈数据集中反馈消息有效的车辆数量，Nall为剩余的反馈数据集中剩余车辆的总数；
S42.依据决策树算法，以信息增益率为最优划分条件，选择信息增益比率最大的属性进行样本划分，对于划分后的子样本，再递归地进行特征的选取和划分；
确定决策树的终止条件，设定最大层数阈值Tdeep，若决策树层数未达到最大层数阈值Tdeep，且所有样本被分入唯一叶子节点，则结束决策树算法；
若决策树层数达到最大层数阈值Tdeep，且最终叶子节点中标记消息是否有效的结果不唯一，则以多数车辆的属性值作为该叶子节点的取值；
S43.根据构建的决策树，选取结果为“有效”的叶子节点，从根节点到该叶子节点的路径以逻辑“与”相连，构建子策略；
最终以逻辑“或”连接各个子策略，构建信息分发场景的最优策略破
Figure FDA0002448880630000031
其中attr∈Attr，∧表示逻辑“与”，∨表示逻辑“或”，x为最优策略中子策略个数。
6.根据权利要求1所述的信息分发策略优化方法，其特征在于，所述的步骤S5.路侧单元根据最优策略更新策略制定者群体的置信度集合以及各个属性的背景概率向量，具体如下：
S51.计算最优策略与各个策略的相似度：
Figure FDA0002448880630000032
其中，polOP为最优策略，polf为polOP的子策略，子策略个数为x；polMS为某个策略制定者制定的策略，polg为polMS的子策略，子策略个数为y，p为polOP与polMS中子策略的一一映射关系；若x≠y，则于策略少的一方用空策略进行补充；
子策略之间的相似度为：
Figure FDA0002448880630000033
其中，Z为polf和polg中相同属性的个数，|polf∪polg|为polf和polg中所有属性的个数。
Ak和Bk分别为polf和polg中相应属性的取值，其相似度为：
Figure FDA0002448880630000034
其中，|Ak∩Bk|为属性取值中的公有部分；
S52.更新策略制定者集合置信度：
ρnew＝ρold+η(sim(polop，polMS)-ρold)；
其中，η为更新率，其值域范围为0至1，ρold为原置信度，ρnew为更新后的置信度；
S53.更新背景概率向量，属性A在某次策略中被选择，存在于子策略subPol中，subPol中其他属性，构成集合S；
新建条件背景概率向量His(A|S)＝His(A)＝(q1，q1，…，qn)；
qn表示在选择S的条件下，选择属性A中属性值An的概率；
其中，qn＝Beta(αnew，βnew)＝Beta(α+u，β+w-u)；
所述的w为反馈数据的总次数，u为选择了S的同时选择属性A中属性值An的次数；
设计定时器，时间设置为Ttime，当调整条件背景概率向量His(A|S)时，则重置定时器的时间为Ttime，若超过Ttime后His(A|S)未做任何更新，则代表该子策略组合已经较长时间未出现，将该子策略删除。
7.根据权利要求1所述的信息分发策略优化方法，其特征在于，所述的步骤S6.路侧单元根据调整后的策略制定者群体的置信度集合以及各个属性的背景概率向量优化初始信息分发策略，并根据所述的信息分发策略进行消息加密，将加密后的密文信息广播至车辆，具体如下：
S61.路侧单元根据调整后的策略制定者群体的置信度集合以及各个属性的背景概率向量更新各个属性的取值；
S62.路侧单元合并更新后的属性取值形成优化后的信息分发策略；并根据所述的信息分发策略进行消息加密，将加密后的密文信息广播至车辆。
8.根据权利要求1所述的信息分发策略优化方法，其特征在于，还包括步骤S7.车辆接收到路侧单元广播的密文信息，利用自己的属性密钥尝试解密，若其属性满足信息分发策略，即能够成功解密。
CN202010288179.0A 2020-04-13 2020-04-13 一种基于动态反馈机制的信息分发策略优化方法 Active CN111565374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010288179.0A CN111565374B (zh) 2020-04-13 2020-04-13 一种基于动态反馈机制的信息分发策略优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010288179.0A CN111565374B (zh) 2020-04-13 2020-04-13 一种基于动态反馈机制的信息分发策略优化方法

Publications (2)

Publication Number Publication Date
CN111565374A true CN111565374A (zh) 2020-08-21
CN111565374B CN111565374B (zh) 2021-10-15

Family

ID=72074243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010288179.0A Active CN111565374B (zh) 2020-04-13 2020-04-13 一种基于动态反馈机制的信息分发策略优化方法

Country Status (1)

Country Link
CN (1) CN111565374B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765636A (zh) * 2021-01-26 2021-05-07 杭州师范大学 面向车联网信息安全分发的访问控制策略生成方法
CN114615658A (zh) * 2022-05-11 2022-06-10 深圳市德航智能技术有限公司 一种5g通信加密系统手持平板电脑

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030065635A1 (en) * 1999-05-03 2003-04-03 Mehran Sahami Method and apparatus for scalable probabilistic clustering using decision trees
KR101439018B1 (ko) * 2013-04-11 2014-09-05 현대자동차주식회사 차량정보 제공 시스템
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030065635A1 (en) * 1999-05-03 2003-04-03 Mehran Sahami Method and apparatus for scalable probabilistic clustering using decision trees
KR101439018B1 (ko) * 2013-04-11 2014-09-05 현대자동차주식회사 차량정보 제공 시스템
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘宴兵等: "车联网认证机制和信任模型", 《北京邮电大学学报》 *
叶青: "车联网环境下的安全访问控制策略研究", 《工程科技Ⅱ辑》 *
周艳等: "基于决策属性挑选策略的改进的决策树算法", 《沈阳师范大学学报(自然科学版)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765636A (zh) * 2021-01-26 2021-05-07 杭州师范大学 面向车联网信息安全分发的访问控制策略生成方法
CN112765636B (zh) * 2021-01-26 2023-11-17 杭州师范大学 面向车联网信息安全分发的访问控制策略生成方法
CN114615658A (zh) * 2022-05-11 2022-06-10 深圳市德航智能技术有限公司 一种5g通信加密系统手持平板电脑

Also Published As

Publication number Publication date
CN111565374B (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
Yang et al. Privacy-preserving aggregation-authentication scheme for safety warning system in fog-cloud based VANET
CN109816995B (zh) 一种基于联盟区块链技术的智能交通信号灯安全动态调控方法
Zhang et al. Adaptive traffic signal control mechanism for intelligent transportation based on a consortium blockchain
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
CN111565374B (zh) 一种基于动态反馈机制的信息分发策略优化方法
CN107947942B (zh) 基于群签名和信誉的车辆位置隐私保护方法
CN102202047A (zh) 使用可变证书间更新周期的车辆网络中的适应性证书分配机制
JP2021510481A (ja) デジタル認証書の撤回のための活性化コードを用いた暗号化方法及びそのシステム
US20230362607A1 (en) Method and system for addition of assurance information to v2x messaging
CN110493748B (zh) 一种基于雾的路况检测认证方法
CN108833074A (zh) 基于同态加密的车辆自组织网络的认证系统及方法
DE102021133367A1 (de) Sitzungsschlüsselerzeugung für einen betrieb autonomer fahrzeuge
Paranjothi et al. Enhancing security in vanets with efficient sybil attack detection using fog computing
CN114143350A (zh) 基于车载云与中心云通信架构的安全通信方法
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
Xiao et al. Efficient data dissemination strategy for UAV in UAV-assisted VANETs
CN110855670B (zh) 一种适用于车载自组网可信消息广播与安全认证的方法
CN111586107B (zh) 一种车联网信息分发场景下基于属性的多方策略融合方法
CN116015601A (zh) 一种基于区块链的车联网隐私保护交通路线管理方法
CN111181958B (zh) 一种提高车联网中抗攻击性的方法及系统
Jiang et al. LPTM: Lightweight and privacy‐preserving traffic monitoring scheme
Yin et al. VDCM: A Data Collection Mechanism for Crowd Sensing in Vehicular Ad Hoc Networks
VI VPKI Hits the Highway–Secure Communication for the US DOT Connected Vehicle Pilot Program
Lim et al. Nonnegative matrix factorization based privacy preservation in vehicular communication

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