CN113992399A - 基于移动行为的车联网Sybil工具检测方法 - Google Patents
基于移动行为的车联网Sybil工具检测方法 Download PDFInfo
- Publication number
- CN113992399A CN113992399A CN202111251558.3A CN202111251558A CN113992399A CN 113992399 A CN113992399 A CN 113992399A CN 202111251558 A CN202111251558 A CN 202111251558A CN 113992399 A CN113992399 A CN 113992399A
- Authority
- CN
- China
- Prior art keywords
- vehicles
- internet
- sybil
- vehicle
- average
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 230000006855 networking Effects 0.000 title claims abstract description 18
- 230000006399 behavior Effects 0.000 claims abstract description 81
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 208000012661 Dyskinesia Diseases 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000002123 temporal effect Effects 0.000 claims description 9
- 238000000034 method Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
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
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1441—Countermeasures against malicious traffic
-
- 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)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于移动行为的车联网Sybil工具检测方法，包括：基于车辆运行数据，得到车联网中各车辆的移动行为特征；对车联网中各车辆之间的移动行为特征的相似性进行分析，得到相似性判断指标；根据相似性判断指标，检测车联网中是否存在移动行为轨迹数据异常的车辆；将车联网中移动行为轨迹数据异常的车辆作为Sybil攻击的恶意车辆。本发明的基于移动行为的车联网Sybil工具检测方法，对车辆之间的移动行为特征的相似性进行分析，得到相似性判断指标，以此来检测移动行为轨迹数据异常的车辆，进而确定车联网中是否存在Sybil攻击的恶意车辆，通过比较车辆在行驶时行驶轨迹特征值的差异，实现了对车联网中Sybil攻击的检测，保护了车联网中的信息安全。
Description
技术领域
本发明涉及车联网技术领域，尤其涉及一种基于移动行为的车联网Sybil工具检测方法。
背景技术
近年来，以网约车、自动驾驶和共享汽车为代表的车联网应用层出不穷，这些应用给人们的出行带来巨大便利，使得车联网越来越成为人们生活中的重要一环。此外，随着自动驾驶技术的不断推进，车辆之间可以通过相互通信的方式共享道路交通信息，然后根据各方提供的信息自动做出驾驶决策，从而进一步保证了交通安全和效率。这些车联网应用在为人们提供便利的同时，也存在着一些安全隐患。
在网约车应用中，由于用户对车辆的选择往往需要在网络上进行，从而很难判断网络上所显示的车辆到底是真实存在的还是攻击者所虚构的。Sybil攻击就是这一问题的具体体现，其主要表现为攻击者通过控制多个账户，在网络中构造出多个虚假节点，从而扰乱网络的正常运行。Sybil攻击通常见于社交网络、传感网络中，然而近年来，车联网中的Sybil攻击现象也逐渐凸显。据有关报道，在某些网约车平台中存在着较为严重的Sybil攻击问题。恶意的司机可以通过外挂程序获得多个出租车账号，并在用户终端的在线地图中伪造出虚拟的车辆节点，从而增加自己接单的概率。
因此，亟需一种基于移动行为的车联网Sybil工具检测方法。
发明内容
本发明的目的是提供一种基于移动行为的车联网Sybil工具检测方法，以解决上述现有技术中的问题，能够通过分析车辆行驶轨迹的相似程度，实现对Sybil攻击的有效检测，以应对车联网中的Sybil攻击。
本发明提供了一种基于移动行为的车联网Sybil工具检测方法，其中，包括：
基于车辆运行数据，得到车联网中各车辆的移动行为特征；
对车联网中各车辆之间的移动行为特征的相似性进行分析，得到相似性判断指标；
根据所述相似性判断指标，检测车联网中是否存在移动行为轨迹数据异常的车辆；
将车联网中移动行为轨迹数据异常的车辆作为Sybil攻击的恶意车辆。
如上所述的基于移动行为的车联网Sybil工具检测方法，其中，优选的是，所述基于车辆运行数据，得到车联网中各车辆的移动行为特征，具体包括：
采集车辆运行数据；
基于所述车辆运行数据，提取轨迹计算关键特征；
根据所述轨迹计算关键特征，得到移动行为特征。
如上所述的基于移动行为的车联网Sybil工具检测方法，其中，优选的是，所述采集车辆运行数据，具体包括：
通过车载传感器采集车辆运行数据。
如上所述的基于移动行为的车联网Sybil工具检测方法，其中，优选的是，所述车载传感器包括摄像头、雷达和全球定位系统中的至少一个。
如上所述的基于移动行为的车联网Sybil工具检测方法，其中，优选的是，所述车辆数据包括行驶方向、位置、速度和方向盘转角中的至少一个。
如上所述的基于移动行为的车联网Sybil工具检测方法，其中，优选的是，所述轨迹计算关键特征包括GPS经纬度、上报时间和车速。
如上所述的基于移动行为的车联网Sybil工具检测方法，其中，优选的是，所述移动行为特征包括：点对数目、最大空间距离、最小空间距离、平均空间距离、最大时间差别、最小时间差别、平均时间差别、最大速度差别、最小速度差别和平均速度差别，其中：
所述点对数目表示轨迹对中上报点对的数目；
所述最大空间距离表示轨迹对中每个点对空间距离的最大值；
所述最小空间距离表示轨迹对中每个点对空间距离的最小值；
所述平均空间距离表示轨迹对中每个点对空间距离的平均值；
所述最大时间差别表示轨迹对中每个点对时间差别的最大值；
所述最小时间差别表示轨迹对中每个点对时间差别的最小值；
所述平均时间差别表示轨迹对中每个点对时间差别的平均值；
所述最大速度差别表示轨迹对中每个点对瞬时速度差别的最大值；
所述最小速度差别表示轨迹对中每个点对瞬时速度差别的最小值；
所述平均速度差别表示轨迹对中每个点对瞬时速度差别的平均值。
如上所述的基于移动行为的车联网Sybil工具检测方法，其中，优选的是，所述对车联网中各车辆之间的移动行为特征的相似性进行分析，得到相似性判断指标，具体包括：
利用所述移动行为特征和预先训练的Sybil判断模型，对车联网中各车辆之间的移动行为特征的相似性进行分析，得到相似性判断指标。
如上所述的基于移动行为的车联网Sybil工具检测方法，其中，优选的是，所述Sybil判断模型通过以下公式计算相似性判断指标，
S＝(n/10)*(|bl-vl|+|sl-vl|)/vl*(|bt+st|)/vt*(|bs-vs|+|ss-vs|)/st
其中，S表示相似性判断指标，n表示点对数目，bl表示最大空间距离，sl表示最小空间距离，vl表示平均空间距离，bt表示最大时间差别，st表示最小时间差别，vt表示平均时间差别，bs表示最大速度差别，ss表示最小速度差别，vs表示平均速度差别。
如上所述的基于移动行为的车联网Sybil工具检测方法，其中，优选的是，所述根据所述相似性判断指标，检测车联网中是否存在移动行为轨迹数据异常的车辆，具体包括：
判断计算得到的两个车辆的相似性判断指标是否相同或偏差小于对应的偏差阈值；
若是，则对每个车辆轨迹中各点对的最大空间距离、最小空间距离、平均空间距离、最大速度差别、最小速度差别和平均速度差别进行判断，如果空间距离和速度差别相同或偏差小于对应的偏差阈值，则判断这两条移动行为轨迹数据异常。
本发明提供一种基于移动行为的车联网Sybil工具检测方法，对车辆之间的移动行为特征的相似性进行分析，得到相似性判断指标，以此来检测移动行为轨迹数据异常的车辆，进而确定车联网中是否存在Sybil攻击的恶意车辆，通过比较车辆在行驶时行驶轨迹特征值的差异，实现了对车联网中Sybil攻击的检测，保护了车联网中的信息安全。
附图说明
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步描述，其中：
图1为本发明提供的基于移动行为的车联网Sybil工具检测方法的实施例的流程图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。对示例性实施例的描述仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。本公开可以以许多不同的形式实现，不限于这里所述的实施例。提供这些实施例是为了使本公开透彻且完整，并且向本领域技术人员充分表达本公开的范围。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、材料的组分、数字表达式和数值应被解释为仅仅是示例性的，而不是作为限制。
本公开中使用的“第一”、“第二”：以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的部分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。“上”、“下”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
在本公开中，当描述到特定部件位于第一部件和第二部件之间时，在该特定部件与第一部件或第二部件之间可以存在居间部件，也可以不存在居间部件。当描述到特定部件连接其它部件时，该特定部件可以与所述其它部件直接连接而不具有居间部件，也可以不与所述其它部件直接连接而具有居间部件。
本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
为了解决上述不足，本发明提供了一种基于移动行为的车联网Sybil工具检测方法。如图1所示，本实施例提供的基于移动行为的车联网Sybil工具检测方法在实际执行过程中，具体包括如下步骤：
步骤S1、基于车辆运行数据，得到车联网中各车辆的移动行为特征。
在本发明的基于移动行为的车联网Sybil工具检测方法的一种实施方式中，所述步骤S1具体可以包括：
步骤S11、采集车辆运行数据。
具体地，通过车载传感器采集车辆运行数据。车联网中的汽车通常会配备各种车载传感器，这些传感器时刻采集车辆自身环境的各种数据，即车辆运行数据，而这些车辆运行数据可以作为区分正常车辆和攻击者的依据。其中，所述车载传感器包括摄像头、雷达和全球定位系统(GPS)中的至少一个。所述车辆数据包括行驶方向、位置、速度和方向盘转角中的至少一个。
步骤S12、基于所述车辆运行数据，提取轨迹计算关键特征。
车联网中的车辆每隔预设时间向车联网上传一次车辆运行数据。上传到车联网的数据一般按照车厂的要求，每30秒或者15秒上报一次，在上报的数据中提取出轨迹计算关键特征，轨迹计算关键特征是对驾驶轨迹计算影响最大的特征，在本发明中，所述轨迹计算关键特征包括GPS经纬度、上报时间和车速。
步骤S13、根据所述轨迹计算关键特征，得到移动行为特征。
其中，所述移动行为特征包括：点对数目、最大空间距离、最小空间距离、平均空间距离、最大时间差别、最小时间差别、平均时间差别、最大速度差别、最小速度差别和平均速度差别，其中：
所述点对数目表示轨迹对中上报点对的数目；
所述最大空间距离表示轨迹对中每个点对空间距离的最大值；
所述最小空间距离表示轨迹对中每个点对空间距离的最小值；
所述平均空间距离表示轨迹对中每个点对空间距离的平均值；
所述最大时间差别表示轨迹对中每个点对时间差别的最大值；
所述最小时间差别表示轨迹对中每个点对时间差别的最小值；
所述平均时间差别表示轨迹对中每个点对时间差别的平均值；
所述最大速度差别表示轨迹对中每个点对瞬时速度差别的最大值；
所述最小速度差别表示轨迹对中每个点对瞬时速度差别的最小值；
所述平均速度差别表示轨迹对中每个点对瞬时速度差别的平均值。
下面分别对各移动行为特征进行介绍。以一辆车每15秒上报一次数据为例，正常上报每分钟可以平均获得4个点对数据，将后一个点对数据与前一个点对数据中的特征值进行计算，可以得出两个点对之间的空间距离(经纬度)，以10分钟为一个计算周期，此周期内统计点对数目约4*10＝40个，即点对数目为40个。
每个点对都会上报GPS位置，根据相邻两个点对的经纬度值，计算出空间距离，通过统计，可以得到每个计算周期的最大空间距离、最小空间距离和平均空间距离。
统计每个点对数据上报时间，计算出每个点对的时间差，通过统计，可以得到每个计算周期的最大时间差别、最小时间差别和平均时间差别。
每个点对都会上报车辆速度，根据相邻两个点对的速度值，计算出速度差；统计每个计算周期的最大速度差别、最小速度差别和平均速度差别。
步骤S2、对车联网中各车辆之间的移动行为特征的相似性进行分析，得到相似性判断指标。
如果车联网中存在Sybil攻击者，那么必然会存在若干辆车的移动行为过于类似的情况，而通过对每辆车的移动行为进行分析，得到车辆行驶轨迹的相似程度，就可以实现对车联网中Sybil攻击的有效检测。通过一定的算法，对移动行为特征进行计算，得到相似性判断指标，以此来判断两两车的移动行为轨迹是否相同或及其接近。在本发明中，利用所述移动行为特征和预先训练的Sybil判断模型，对车联网中各车辆之间的移动行为特征的相似性进行分析，得到相似性判断指标。
其中，作为一个示例而非限定，所述Sybil判断模型通过以下公式计算相似性判断指标，
S＝(n/10)*(|bl-vl|+|sl-vl|)/vl*(|bt+st|)/vt*(|bs-vs|+|ss-vs|)/st
其中，S表示相似性判断指标，n表示点对数目，bl表示最大空间距离，sl表示最小空间距离，vl表示平均空间距离，bt表示最大时间差别，st表示最小时间差别，vt表示平均时间差别，bs表示最大速度差别，ss表示最小速度差别，vs表示平均速度差别。
需要说明的是，本发明在其他实施方式中，可以通过机器学习、强化学习及深度学习等算法来构建Sybil判断模型，经神经网络训练得到，本实施例对此不作具体限定。
步骤S3、根据所述相似性判断指标，检测车联网中是否存在移动行为轨迹数据异常的车辆。
在本发明的基于移动行为的车联网Sybil工具检测方法的一种实施方式中，所述步骤S3具体可以包括：
步骤S31、判断计算得到的两个车辆的相似性判断指标是否相同或偏差小于对应的偏差阈值(例如为1％)。
步骤S32、若是，则对每个车辆轨迹中各点对的最大空间距离、最小空间距离、平均空间距离、最大速度差别、最小速度差别和平均速度差别进行判断，如果空间距离和速度差别相同或偏差小于对应的偏差阈值(例如为1％)，则判断这两条移动行为轨迹数据异常。
步骤S4、将车联网中移动行为轨迹数据异常的车辆作为Sybil攻击的恶意车辆。
本发明实施例提供的基于移动行为的车联网Sybil工具检测方法，对车辆之间的移动行为特征的相似性进行分析，得到相似性判断指标，以此来检测移动行为轨迹数据异常的车辆，进而确定车联网中是否存在Sybil攻击的恶意车辆，通过比较车辆在行驶时行驶轨迹特征值的差异，实现了对车联网中Sybil攻击的检测，保护了车联网中的信息安全。
至此，已经详细描述了本公开的各实施例。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改或者对部分技术特征进行等同替换。本公开的范围由所附权利要求来限定。
Claims (10)
1.一种基于移动行为的车联网Sybil工具检测方法，其特征在于，包括：
基于车辆运行数据，得到车联网中各车辆的移动行为特征；
对车联网中各车辆之间的移动行为特征的相似性进行分析，得到相似性判断指标；
根据所述相似性判断指标，检测车联网中是否存在移动行为轨迹数据异常的车辆；
将车联网中移动行为轨迹数据异常的车辆作为Sybil攻击的恶意车辆。
2.根据权利要求1所述的基于移动行为的车联网Sybil工具检测方法，其特征在于，所述基于车辆运行数据，得到车联网中各车辆的移动行为特征，具体包括：
采集车辆运行数据；
基于所述车辆运行数据，提取轨迹计算关键特征；
根据所述轨迹计算关键特征，得到移动行为特征。
3.根据权利要求2所述的基于移动行为的车联网Sybil工具检测方法，其特征在于，所述采集车辆运行数据，具体包括：
通过车载传感器采集车辆运行数据。
4.根据权利要求3所述的基于移动行为的车联网Sybil工具检测方法，其特征在于，所述车载传感器包括摄像头、雷达和全球定位系统中的至少一个。
5.根据权利要求2所述的基于移动行为的车联网Sybil工具检测方法，其特征在于，所述车辆数据包括行驶方向、位置、速度和方向盘转角中的至少一个。
6.根据权利要求2所述的基于移动行为的车联网Sybil工具检测方法，其特征在于，所述轨迹计算关键特征包括GPS经纬度、上报时间和车速。
7.根据权利要求2所述的基于移动行为的车联网Sybil工具检测方法，其特征在于，所述移动行为特征包括：点对数目、最大空间距离、最小空间距离、平均空间距离、最大时间差别、最小时间差别、平均时间差别、最大速度差别、最小速度差别和平均速度差别，其中：
所述点对数目表示轨迹对中上报点对的数目；
所述最大空间距离表示轨迹对中每个点对空间距离的最大值；
所述最小空间距离表示轨迹对中每个点对空间距离的最小值；
所述平均空间距离表示轨迹对中每个点对空间距离的平均值；
所述最大时间差别表示轨迹对中每个点对时间差别的最大值；
所述最小时间差别表示轨迹对中每个点对时间差别的最小值；
所述平均时间差别表示轨迹对中每个点对时间差别的平均值；
所述最大速度差别表示轨迹对中每个点对瞬时速度差别的最大值；
所述最小速度差别表示轨迹对中每个点对瞬时速度差别的最小值；
所述平均速度差别表示轨迹对中每个点对瞬时速度差别的平均值。
8.根据权利要求7所述的基于移动行为的车联网Sybil工具检测方法，其特征在于，所述对车联网中各车辆之间的移动行为特征的相似性进行分析，得到相似性判断指标，具体包括：
利用所述移动行为特征和预先训练的Sybil判断模型，对车联网中各车辆之间的移动行为特征的相似性进行分析，得到相似性判断指标。
9.根据权利要求8所述的基于移动行为的车联网Sybil工具检测方法，其特征在于，所述Sybil判断模型通过以下公式计算相似性判断指标，
S＝(n/10)*(|bl-vl|+|sl-vl|)/vl*(|bt+st|)/vt*(|bs-vs|+|ss-vs|)/st
其中，S表示相似性判断指标，n表示点对数目，bl表示最大空间距离，sl表示最小空间距离，vl表示平均空间距离，bt表示最大时间差别，st表示最小时间差别，vt表示平均时间差别，bs表示最大速度差别，ss表示最小速度差别，vs表示平均速度差别。
10.根据权利要求9所述的基于移动行为的车联网Sybil工具检测方法，其特征在于，所述根据所述相似性判断指标，检测车联网中是否存在移动行为轨迹数据异常的车辆，具体包括：
判断计算得到的两个车辆的相似性判断指标是否相同或偏差小于对应的偏差阈值；
若是，则对每个车辆轨迹中各点对的最大空间距离、最小空间距离、平均空间距离、最大速度差别、最小速度差别和平均速度差别进行判断，如果空间距离和速度差别相同或偏差小于对应的偏差阈值，则判断这两条移动行为轨迹数据异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111251558.3A CN113992399A (zh) | 2021-10-22 | 2021-10-22 | 基于移动行为的车联网Sybil工具检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111251558.3A CN113992399A (zh) | 2021-10-22 | 2021-10-22 | 基于移动行为的车联网Sybil工具检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113992399A true CN113992399A (zh) | 2022-01-28 |
Family
ID=79742076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111251558.3A Pending CN113992399A (zh) | 2021-10-22 | 2021-10-22 | 基于移动行为的车联网Sybil工具检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113992399A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114786135A (zh) * | 2022-06-20 | 2022-07-22 | 广州万协通信息技术有限公司 | 一种车联网攻击检测方法、装置、电子设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657746A (zh) * | 2015-01-29 | 2015-05-27 | 电子科技大学 | 一种基于车辆轨迹相似性的异常检测方法 |
| US20190089547A1 (en) * | 2017-09-21 | 2019-03-21 | Lg Electronics, Inc. | Cryptographic methods and systems for managing digital certificates with linkage values |
| CN112398822A (zh) * | 2020-10-29 | 2021-02-23 | 安徽江淮汽车集团股份有限公司 | 车联网女巫攻击检测方法、装置、设备及存储介质 |
| CN113497801A (zh) * | 2021-01-27 | 2021-10-12 | 西安理工大学 | 一种基于时戳链的Sybil攻击检测算法 |
-
2021
- 2021-10-22 CN CN202111251558.3A patent/CN113992399A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657746A (zh) * | 2015-01-29 | 2015-05-27 | 电子科技大学 | 一种基于车辆轨迹相似性的异常检测方法 |
| US20190089547A1 (en) * | 2017-09-21 | 2019-03-21 | Lg Electronics, Inc. | Cryptographic methods and systems for managing digital certificates with linkage values |
| CN112398822A (zh) * | 2020-10-29 | 2021-02-23 | 安徽江淮汽车集团股份有限公司 | 车联网女巫攻击检测方法、装置、设备及存储介质 |
| CN113497801A (zh) * | 2021-01-27 | 2021-10-12 | 西安理工大学 | 一种基于时戳链的Sybil攻击检测算法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨哲: "面向车联网的安全机制与关键技术研究", 《中国博士学位论文全文数据库》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114786135A (zh) * | 2022-06-20 | 2022-07-22 | 广州万协通信息技术有限公司 | 一种车联网攻击检测方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3533681B1 (en) | Method for detecting safety of driving behavior, apparatus and storage medium | |
| US10332390B1 (en) | Driving event data analysis | |
| US10825269B1 (en) | Driving event data analysis | |
| US11891071B2 (en) | Vehicle to vehicle telematics | |
| KR102628790B1 (ko) | 자율 주행 능력들을 갖는 차량들에 대한 위험 처리 | |
| US11727495B1 (en) | Collision risk-based engagement and disengagement of autonomous control of a vehicle | |
| US10956983B1 (en) | Insurance system for analysis of autonomous driving | |
| US9623876B1 (en) | Driving analysis using vehicle-to-vehicle communication | |
| US11605292B2 (en) | Vehicle turn detection | |
| US20160110650A1 (en) | Advanced context-based driver scoring | |
| CN108877213B (zh) | 交通事故的识别方法及系统 | |
| US11546353B2 (en) | Detection of malicious activity on CAN bus | |
| Wu et al. | L3: Sensing driving conditions for vehicle lane-level localization on highways | |
| CN112150801A (zh) | 一种基于准车辆轨迹的快速路实时事故风险预测方法 | |
| CN113992399A (zh) | 基于移动行为的车联网Sybil工具检测方法 | |
| CN107067778A (zh) | 一种车辆反跟踪预警方法及装置 | |
| CN110349425B (zh) | 一种用于车路协同自动驾驶系统的重要目标生成方法 | |
| Uchiyama et al. | Risky Traffic Situation Detection and Classification Using Smartphones | |
| CN114786135B (zh) | 一种车联网攻击检测方法、装置、电子设备和存储介质 | |
| US12002308B1 (en) | Driving event data analysis | |
| Abrar et al. | GPS-IDS: An Anomaly-based GPS Spoofing Attack Detection Framework for Autonomous Vehicles | |
| CN115476859A (zh) | 一种车辆主动安全系统中驾驶人员反应程度预测方法 | |
| Yu et al. | Sensing Vehicle Dynamics with Smartphones |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220128 |