CN112785839A - 基于区块链的车联网车辆通信行为模仿博弈策略 - Google Patents

基于区块链的车联网车辆通信行为模仿博弈策略 Download PDF

Info

Publication number
CN112785839A
CN112785839A CN202011305241.9A CN202011305241A CN112785839A CN 112785839 A CN112785839 A CN 112785839A CN 202011305241 A CN202011305241 A CN 202011305241A CN 112785839 A CN112785839 A CN 112785839A
Authority
CN
China
Prior art keywords
vehicle
communication
strategy
vehicle node
node
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
CN202011305241.9A
Other languages
English (en)
Other versions
CN112785839B (zh
Inventor
樊娜
申帅
张聪聪
段宗涛
王青龙
朱依水
王路阳
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.)
Changan University
Original Assignee
Changan 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 Changan University filed Critical Changan University
Priority to CN202011305241.9A priority Critical patent/CN112785839B/zh
Publication of CN112785839A publication Critical patent/CN112785839A/zh
Application granted granted Critical
Publication of CN112785839B publication Critical patent/CN112785839B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • 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

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明基于区块链的车联网车辆通信行为模仿博弈策略。首先，构建一个基于区块链技术的车联网框架，保障通信数据的不可篡改。在此基础上，对车联网中车辆节点通信行为进行量化，对不同通信行为给予不同的收益。根据车辆节点历史收益与邻居车辆节点的平均历史收益，计算车辆节点变更通信行为策略的概率。随后，RSU中组成两个策略学习的对象集。当车辆节点需要变更通信行为时，RSU分析该车辆节点的历史通信行为，给予该车辆节点相应的策略学习对象集。车辆节点变更通信行为策略后，将变更后的通信行为策略反馈给RSU，RSU验证信息的真实性后，将该信息添加到区块链网络中。该策略有效缓解自私节点和恶意节点对网络通信性能的影响。

Description

基于区块链的车联网车辆通信行为模仿博弈策略
技术领域
本发明涉及车联网信息安全领域，具体为基于区块链的车联网车辆通信行为模仿博弈策略。
背景技术
车联网是智能交通系统的重要组成部分。车联网能够为车与车之间提供实时的信息交互。由于车联网是一种分布式、开放式的移动网络，存在亟待解决的安全问题，例如自私节点、恶意节点对信息安全、网络通信性能的影响。现有的方法基于声誉检测自私节点，并对检测的自私节点进行永久屏蔽；也有基于货币奖励检测恶意节点和自私节点，将恶意节点和自私节点屏蔽一段时间后，重新进行检测。虽然现有方法一定程度上消除了自私节点、恶意节点对信息安全的影响，但是随着自私节点和恶意节点的增多，导致网络通信性能严重恶化。
发明内容
针对现有技术中存在的问题，本发明提出基于区块链的车联网车辆通信行为模仿博弈策略。依据区块链技术，构建一个基于区块链的车联网系统框架(BVNS)；在此基础上，提出一种车联网车辆通信行为模仿博弈策略。
本发明是通过以下技术方案来实现：
基于区块链的车联网车辆通信行为模仿博弈策略。包括如下步骤，
步骤1，构建一个基于区块链的车联网系统框架(BVNS)。该系统主要包含以下部分：道路基础设施，车辆(Vn)，路边单元(RSU)等。其中车辆 Vn＝(v1，v2，...vn)具有与RSU进行通信的车载单元(OBU)，路边单元 RSUm＝(RSU1，RSU2，...，RSUm)具有一定的计算和存储能力，RSU中存储车辆通信行为策略的变更和收益变化等信息。RSU与RSU之间组成区块链网络，保障通信数据的不可篡改。
步骤2，在基于区块链的车联网系统中，对车联网中车辆节点通信行为进行量化。车联网中车辆节点Vi的通信行为可以分为3类：主动通信行为 (AC-Behavior)：车联网中车辆节点Vi通过对外界的感知和分析，然后发送信息给其他节点的行为；被动通信行为(PC-Behavior)：车联网中车辆节点 Vi转发来自其他节点信息的行为；拒绝通信行为(DC-Behavior)：车联网中车辆节点Vi拒绝转发来自其他节点信息的行为。当车辆节点Vi选择不同通信行为时，可以得到不同的收益。
步骤3，假设车联网中有N个车辆节点，其中任意车辆节点Vi进行一次通信。当车辆节点Vi采取主动通信行为时，车辆节点Vi将消耗资源S，收到的回报为R1，该行为的总收益R1-S。当车辆节点Vi采取被动通信行为时，车辆节点Vi将消耗资源S，收到的回报为R2，该行为的总收益R2-S，其中， 0＜S＜R2＜R1＜1。当车辆节点Vi采取拒绝通信行为时，车辆节点Vi将不消耗资源，即消耗资源为0；同时收到的回报也为0；该行为的总收益0。
步骤4，根据车辆节点Vi采取不同通信行为策略，获得不同的收益，计算车辆节点Vi的变更通信行为博弈策略的概率pi。如公式(1)：
Figure BSA0000224862230000021
其中，Ui表示车辆节点Vi在T时间段内博弈策略下的累计收益；
Figure BSA0000224862230000022
表示相邻车辆节点Vk的博弈收益的均值。
相邻车辆节点Vk的博弈收益的均值
Figure BSA0000224862230000023
如公式(2)：
Figure BSA0000224862230000024
当pi＞0.5时，认为该节点有较强趋势变更自身通信行为策略。
步骤5，当RSU发现车辆节点Vi有较强的变更自身策略的趋势时，RSU 将筛选两个策略学习的对象集A＝[VA1，VA2，...，VAk]和B＝[VB1，VB2，...，VBk]。分别是以主动通信行为策略为主要收益的节点对象集A，以被动通信行为策略为主要收益的节点对象集B。对象集A和B满足以下两个基本条件：
①对象集A或B中任意车辆节点Vk的历史收益Uk需要大于车联网中车辆节点的平均历史收益UALL。如公式(3)：
Uk≥UALL (3)
其中计算UALL车联网中车辆节点的平均历史收益，如公式(4)：
Figure BSA0000224862230000031
其中Rm表示对应车辆节点Vm的历史收益。m＝1，2，...n。
②对象集A或B中同一车辆节点Vk最近两次通信后变更策略的概率没有增加。如公式(5)：
Figure BSA0000224862230000032
其中
Figure BSA0000224862230000033
表示车辆节点Vk在第m次通信后变更策略的概率；
Figure BSA0000224862230000034
表示车辆节点 Vk在第m-1次通信后变更策略的概率。这两个条件为了防止选中对象集中车辆节点正在向着变更通信行为策略的方向发展。
步骤6，RSU对车辆节点Vi的历史通信行为进行分析。若车辆节点Vi的历史通信行为主要是AC-Behavior，则RSU给车辆节点Vi发送节点对象集B 作为变更通信行为策略的学习对象集；若车辆节点Vi的历史通信行为主要是 PC-Behavior，则RSU给车辆节点Vi发送节点对象集A作为变更通信行为策略的学习对象集；若车辆节点Vi的历史通信行为主要是DC-Behavior，则RSU 向车辆节点Vi发送对象集A和对象集B作为变更通信行为策略的学习对象集，并向车辆节点Vi发送强制变更通信行为策略的指令。
步骤7，当车辆节点Vi收到来自RSU的学习对象集后，车辆节点Vi将在下一通信发生之前，随机选取对象集中某一节点进行策略学习，改变自身行为通信策略，并在随后T时间内保持现有策略不变。
步骤8，当车辆节点Vi根据学习对象集变更通信行为策略后，将自身变更后的通信行为策略反馈给RSU，RSU验证信息的真实性后，将该信息添加到区块链网络中。
与现有技术相比，本发明具有以下有益的技术效果：
本发明基于区块链的车联网车辆通信行为模仿博弈策略。首先，构建一个基于区块链技术的车联网框架，保障通信数据的不可篡改。在此基础上，对车联网中车辆节点通信行为进行量化，对不同通信行为给予不同的收益。根据车辆节点历史收益与邻居车辆节点的平均历史收益，计算车辆节点变更通信行为策略的概率。随后，RSU中组成两个策略学习的对象集。当车辆节点需要变更通信行为时，RSU分析该车辆节点的历史通信行为，给予该车辆节点相应的策略学习对象集。车辆节点变更通信行为策略后，将变更后的通信行为策略反馈给RSU，RSU验证信息的真实性后，将该信息添加到区块链网络中。该策略有效缓解自私节点和恶意节点对网络通信性能的影响。
附图说明
图1为区块链的车联网系统框架。
图2为区块链的车联网行为模仿博弈策略流程图。
图3为车联网中车辆节点之间一次通信行为策略及收益。
具体实施方式
下面结合附图、附表对本发明做进一步的详细描述：
如图1、图2和图3所示，基于区块链的车联网车辆通信行为模仿博弈策略，具体包括以下步骤：
步骤1)、利用区块链技术，构建一个基于区块链的车联网系统框架 (BVNS)；
步骤2)、在基于区块链的车联网系统中，对车联网中车辆节点通信行为进行量化。即对车联网中车辆节点的通信行为进行分类。并对不同通信行为策略，奖励不同的收益；
步骤3)、根据获取车辆节点历史收益和其相邻车辆节点的平均历史收益，计算车辆节点Vi的变更通信行为博弈策略的概率pi；
步骤4)、RSU筛选两个策略学习对象集，并将合适的对象集发送给需要变更通信行为博弈策略的车辆节点；
步骤5)、车辆节点变更通信行为博弈策略后，将变更后的通信行为策略反馈给RSU，RSU验证信息的真实性后，将该信息添加到区块链网络中。
首先，构建一个基于区块链的车联网系统框架(BVNS)。该系统主要包含以下部分：道路基础设施，车辆(Vn)，路边单元(RSU)等。其中车辆 Vn＝(v1，v2，...vn)具有与RSU进行通信的车载单元(OBU)，路边单元 RSUm＝(RSU1，RSU2，...，RSUm)具有一定的计算和存储能力，RSU中存储车辆通信行为策略的变更和收益变化等信息。RSU与RSU之间组成区块链网络，保障通信数据的不可篡改。
进一步的，在基于区块链的车联网系统中，对车联网中车辆节点通信行为进行量化。即对车联网中车辆节点的通信行为进行分类。并对不同通信行为策略，奖励不同的收益，具体步骤如下：
1，在基于区块链的车联网系统中，对车联网中车辆节点通信行为进行量化。车联网中车辆节点Vi的通信行为可以分为3大类：主动通信行为 (AC-Behavior)：车联网中车辆节点Vi通过对外界的感知和分析，然后发送信息给其他节点的行为；被动通信行为(PC-Behavior)：车联网中车辆节点 Vi转发来自其他节点信息的行为；拒绝通信行为(DC-Behavior)：车联网中车辆节点Vi拒绝转发来自其他节点信息的行为。当车辆节点Vi选择不同通信行为时，可以得到不同的收益。
2，假设车联网中有N个车辆节点，其中任意车辆节点Vi进行一次通信。当车辆节点Vi采取主动通信行为时，车辆节点Vi将消耗资源S，收到的回报为R1，该行为的总收益R1-S。当车辆节点Vi采取被动通信行为时，车辆节点 Vi将消耗资源S，收到的回报为R2，该行为的总收益R2-S，其中， 0＜S＜R2＜R1＜1。当车辆节点Vi采取拒绝通信行为时，车辆节点Vi将不消耗资源，即消耗资源为0；同时收到的回报也为0；该行为的总收益0。
进一步的，计算车辆节点Vi的变更通信行为博弈策略的概率pi和RSU 筛选两个策略学习对象集的条件，随后，变更车辆节点Vi通信行为博弈策略。具体步骤如下：
步骤1，计算车辆节点Vi的变更通信行为博弈策略的概率pi。
1.1根据车辆节点Vi采取不同通信行为策略，获得不同的收益，计算车辆节点Vi的变更通信行为博弈策略的概率pi。如公式(1)：
Figure BSA0000224862230000061
其中，Ui表示车辆节点Vi在T时间段内博弈策略下的累计收益；
Figure BSA0000224862230000062
表示相邻车辆节点Vk的博弈收益的均值
Figure BSA0000224862230000063
1.2计算相邻车辆节点Vk的博弈收益的均值
Figure BSA0000224862230000064
如公式(2)：
Figure BSA0000224862230000065
当pi＞0.5时，认为该节点有较强趋势变更自身通信行为策略。
步骤2，RSU组建两个策略学习对象集的筛选条件。
当RSU发现车辆节点Vi有较强的变更自身策略的趋势时，RSU将筛选两个策略学习的对象集A＝[VA1，VA2，...，VAk]和B＝[VB1，VB2，...，VBk]。分别是以主动通信行为策略为主要收益的节点对象集A，以被动通信行为策略为主要收益的节点对象集B。对象集A和B满足以下两个基本条件：
2.1对象集A或B中任意车辆节点Vk的历史收益Uk需要大于车联网中车辆节点的平均历史收益UALL。如公式(3)：
Uk≥UALL (3)
其中计算UALL车联网中车辆节点的平均历史收益，如公式(4)：
Figure BSA0000224862230000071
其中Rm表示对应车辆节点Vm的历史收益。m＝1，2，...n。
2.2对象集A或B中同一车辆节点Vk最近两次通信后变更策略的概率没有增加。如公式(5)：
Figure BSA0000224862230000072
其中
Figure BSA0000224862230000073
表示车辆节点Vk在第m次通信后变更策略的概率；
Figure BSA0000224862230000074
表示车辆节点 Vk在第m-1次通信后变更策略的概率。这两个条件为了防止对象集中车辆节点正在向着变更通信行为策略的方向发展。
步骤3，RSU对车辆节点Vi的历史通信行为进行分析。若车辆节点Vi的历史通信行为主要是AC-Behavior，则RSU给车辆节点Vi发送节点对象集B 作为变更通信行为策略的学习对象集；若车辆节点Vi的历史通信行为主要是PC-Behavior，则RSU给车辆节点Vi发送节点对象集A作为变更通信行为策略的学习对象集；若车辆节点Vi的历史通信行为主要是DC-Behavior，则RSU 向车辆节点Vi发送对象集A和对象集B作为变更通信行为策略的学习对象集，并向车辆节点Vi发送强制变更通信行为策略的指令。
步骤4，车辆节点Vi收到来自RSU的学习对象集后，车辆节点Vi将在下一通信发生之前，随机选取对象集中某一节点进行策略学习，改变自身行为通信策略，并在随后T时间内保持现有策略不变。
步骤5，车辆节点Vi根据学习对象集变更通信行为策略后，将自身变更后的通信行为策略反馈给RSU，RSU验证信息的真实性后，将该信息添加到区块链网络中。

Claims (6)

1.基于区块链的车联网车辆通信行为模仿博弈策略，其特征在于，具体包括以下步骤：
步骤1)、利用区块链技术，构建一个基于区块链的车联网系统框架(BVNS)；
步骤2)、在基于区块链的车联网系统中，对车联网中车辆节点通信行为进行量化。即对车联网中车辆节点的通信行为进行分类。并对采取不同通信行为，奖励不同的收益；
步骤3)、根据获取车辆节点历史收益和其相邻车辆节点的平均历史收益，计算车辆节点Vi的变更通信行为博弈策略的概率pi；
步骤4)、RSU组建两个策略学习对象集，并将合适的对象集发送给需要变更通信行为博弈策略的车辆节点；
步骤5)、车辆节点变更通信行为博弈策略后，将变更后的通信行为策略反馈给RSU，RSU验证信息的真实性后，将该信息添加到区块链网络中。
2.根据权利要求1所述的基于区块链的车联网车辆通信行为模仿博弈策略，其特征在于，步骤1)具体包括以下步骤：
利用区块链技术，构建一个基于区块链的车联网系统框架(BVNS)。如图1所示，该系统框架可分为两层结构：物理层和网络层。
物理层：主要由道路基础设施，车辆(Vn)，路边单元(RSU)等组成，构成车联网的基础。
网络层：网络中主要有两种节点，路边单元节点(RSU)和车辆节点(Vn)。其中车辆Vn＝(v1，v2，...vn)具有与RSU进行通信的车载单元(OBU)；RSU主要负责车辆节点与RSU之间的通信管理、记录车辆间的通信事务、监督车辆的通信行为、指导车辆行为策略的变更等；RSU与RSU之间构成区块链网络，负责存储通信事务于区块链中。
3.根据权利要求1所述的基于区块链的车联网车辆通信行为模仿博弈策略，其特征在于，步骤2)具体包括以下步骤：
a、车联网中车辆节点Vi的通信行为可以分为3大类：主动通信行为(AC-Behavior)：车联网中车辆节点Vi通过对外界的感知和分析，然后发送信息给其他节点的行为；被动通信行为(PC-Behavior)：车联网中车辆节点Vi转发来自其他节点信息的行为；拒绝通信行为(DC-Behavior)：车联网中车辆节点Vi拒绝转发来自其他节点信息的行为。当车辆节点Vi选择不同通信行为时，可以得到不同的收益。
b、假设车联网中有N个车辆节点，其中任意车辆节点Vi进行一次通信。当车辆节点Vi采取主动通信行为时，车辆节点Vi将消耗资源S，收到的回报为R1，该行为的总收益R1-S。当车辆节点Vi采取被动通信行为时，车辆节点Vi将消耗资源S，收到的回报为R2，该行为的总收益R2-S，其中，0＜S＜R2＜R1＜1。当车辆节点Vi采取拒绝通信行为时，车辆节点Vi将不消耗资源，即消耗资源为0；同时收到的回报也为0；该行为的总收益0。
4.根据权利要求1所述的基于区块链的车联网车辆通信行为模仿博弈策略，其特征在于，步骤3)具体包括以下步骤：
根据车辆节点Vi采取不同通信行为策略，获得不同的收益，计算车辆节点Vi的变更通信行为博弈策略的概率pi。如公式(1)：
Figure FSA0000224862220000021
其中，Ui表示车辆节点Vi在T时间段内博弈策略下的累计收益；
Figure FSA0000224862220000022
表示相邻车辆节点Vk的历史博弈收益的均值。
相邻车辆节点Vk的历史博弈收益的均值
Figure FSA0000224862220000031
如公式(2)：
Figure FSA0000224862220000032
当pi＞0.5时，认为该节点有较强趋势变更自身通信行为策略。
5.根据权利要求1所述的基于区块链的车联网车辆通信行为模仿博弈策略，其特征在于，步骤4)具体包括以下步骤：
a、RSU筛选两个策略学习的对象集A＝[VA1，VA2，...，VAk]和B＝[VB1，VB2，...，VBk]。分别是以主动通信行为策略为主要收益的节点对象集A；以被动通信行为策略为主要收益的节点对象集B。对象集A和B满足以下两个基本条件：
①对象集A或B中任意车辆节点Vk的历史收益Uk需要大于车联网中车辆节点的平均历史收益UALL。如公式(3)：
Uk≥UALL (3)
其中计算UALL车联网中车辆节点的平均历史收益，如公式(4)：
Figure FSA0000224862220000033
其中Rm表示对应车辆节点Vm的历史收益。m＝1，2，...n。
②对象集A或B中同一车辆节点Vk最近两次通信后变更策略的概率没有增加。如公式(5)：
Figure FSA0000224862220000034
其中
Figure FSA0000224862220000035
表示车辆节点Vk在第m次通信后变更策略的概率；
Figure FSA0000224862220000036
表示车辆节点Vk在第m-1次通信后变更策略的概率。这两个条件为了防止选中对象集中车辆节点正在向着变更通信行为策略的方向发展。
b、RSU对车辆节点Vi的历史通信行为进行分析。若车辆节点Vi的历史通信行为主要是AC-Behavior，则RSU给车辆节点Vi发送节点对象集B作为变更通信行为策略的学习对象集；若车辆节点Vi的历史通信行为主要是PC-Behavior，则RSU给车辆节点Vi发送节点对象集A作为变更通信行为策略的学习对象集；若车辆节点Vi的历史通信行为主要是DC-Behavior，则RSU向车辆节点Vi发送对象集A和对象集B作为变更通信行为策略的学习对象集，并向车辆节点Vi发送强制变更通信行为策略的指令。
6.根据权利要求1所述的基于区块链的车联网车辆通信行为模仿博弈策略，其特征在于，步骤5)具体包括以下步骤：
a、车辆节点Vi收到来自RSU的学习对象集后，车辆节点Vi将在下一通信发生之前，随机选取对象集中某一节点进行策略学习，改变自身行为通信策略，并在随后T时间内保持现有策略不变。
b、随后，车辆节点Vi根据学习对象集变更通信行为策略后，将自身变更后的通信行为策略反馈给RSU，RSU验证信息的真实性后，将该信息添加到区块链网络中。
CN202011305241.9A 2020-11-19 2020-11-19 基于区块链的车联网车辆通信行为模仿博弈策略 Active CN112785839B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011305241.9A CN112785839B (zh) 2020-11-19 2020-11-19 基于区块链的车联网车辆通信行为模仿博弈策略

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011305241.9A CN112785839B (zh) 2020-11-19 2020-11-19 基于区块链的车联网车辆通信行为模仿博弈策略

Publications (2)

Publication Number Publication Date
CN112785839A true CN112785839A (zh) 2021-05-11
CN112785839B CN112785839B (zh) 2022-12-13

Family

ID=75750581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011305241.9A Active CN112785839B (zh) 2020-11-19 2020-11-19 基于区块链的车联网车辆通信行为模仿博弈策略

Country Status (1)

Country Link
CN (1) CN112785839B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107181793A (zh) * 2017-04-27 2017-09-19 长安大学 基于动态博弈论的交通服务信息转发机制
US20180189971A1 (en) * 2017-01-03 2018-07-05 Qualcomm Incorporated Capturing Images Of A Game By An Unmanned Autonomous Vehicle
CN108881445A (zh) * 2018-06-22 2018-11-23 南京理工大学 一种雾计算中基于古诺博弈的协作缓存方法
CN108882257A (zh) * 2018-04-09 2018-11-23 长安大学 车载自组织网络中基于相遇概率的自适应机会转发方法
CN110034958A (zh) * 2019-04-02 2019-07-19 浙江工商大学 基于sgum理论的车联网假名变更激励算法及变更方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180189971A1 (en) * 2017-01-03 2018-07-05 Qualcomm Incorporated Capturing Images Of A Game By An Unmanned Autonomous Vehicle
CN107181793A (zh) * 2017-04-27 2017-09-19 长安大学 基于动态博弈论的交通服务信息转发机制
CN108882257A (zh) * 2018-04-09 2018-11-23 长安大学 车载自组织网络中基于相遇概率的自适应机会转发方法
CN108881445A (zh) * 2018-06-22 2018-11-23 南京理工大学 一种雾计算中基于古诺博弈的协作缓存方法
CN110034958A (zh) * 2019-04-02 2019-07-19 浙江工商大学 基于sgum理论的车联网假名变更激励算法及变更方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"《小型微型计算机系统》第38卷(2017年)总目次", 《小型微型计算机系统》 *
曾熙凯等: "车载自组织网络中节点合作行为的博弈研究", 《计算机系统应用》 *
樊娜等: "面向车联网的交通信息传输博弈模型", 《计算机工程与设计》 *
段宗涛等: "概率路由中基于连接时间的机会转发算法", 《微电子学与计算机》 *
陈丽欣: "基于博弈的移动自组网协作策略研究与分析", 《计算机系统应用》 *

Also Published As

Publication number Publication date
CN112785839B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
CN113794675B (zh) 基于区块链和联邦学习的分布式物联网入侵检测方法及系统
Zhang et al. AATMS: An anti-attack trust management scheme in VANET
Haasnoot et al. A method to develop sustainable water management strategies for an uncertain future
CN107623697A (zh) 一种基于攻防随机博弈模型的网络安全态势评估方法
Halabi et al. Trust-based cooperative game model for secure collaboration in the internet of vehicles
Sultan et al. Collaborative-trust approach toward malicious node detection in vehicular ad hoc networks
CN111179089B (zh) 洗钱交易识别方法、装置和设备
Fernandes et al. A blockchain-based reputation system for trusted VANET nodes
CN114418109A (zh) 微服务架构下联邦学习的节点选择与聚合优化系统及方法
CN114745127A (zh) 基于区块链的车联网环境下节点可信认证方法
Keane et al. Modelling the effect of individual strategic behaviour on community-level outcomes of conservation interventions
CN113177670A (zh) 数据处理方法、装置、设备及可读存储介质
Wu et al. A game theory approach for assessment of risk and deployment of police patrols in response to criminal activity in San Francisco
CN112785839B (zh) 基于区块链的车联网车辆通信行为模仿博弈策略
Kolokoltsov et al. Inspection and crime prevention: an evolutionary perspective
Zhang et al. Ensemble learning against adversarial ai-driven fake task submission in mobile crowdsensing
Li et al. TD-SAS: A trust-aware and decentralized speed advisory system for energy-efficient autonomous vehicle platoons
Feng et al. Effect of resource allocation policies on urban transport diversity
Xu et al. Metro train operation plan analysis based on station travel time reliability
CN111400403A (zh) 一种基于区块链技术的物联网数据真实性分布式验证的方法
Liu Refined judgment of urban traffic state based on machine learning and edge computing
CN115866564B (zh) 一种基于区块链的车联网分布式信任管理方法
KR102194031B1 (ko) 광고 사기를 감소시키는 기법
Li et al. Blockchain-based trust evaluation mechanism for Internet of Vehicles
CN114760310B (zh) 一种基于联盟链的5g车联网车辆信誉管理方法

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