CN117134978A - 基于局部和全局行为模式分析的车辆身份验证方法及系统 - Google Patents

基于局部和全局行为模式分析的车辆身份验证方法及系统 Download PDF

Info

Publication number
CN117134978A
CN117134978A CN202311133559.7A CN202311133559A CN117134978A CN 117134978 A CN117134978 A CN 117134978A CN 202311133559 A CN202311133559 A CN 202311133559A CN 117134978 A CN117134978 A CN 117134978A
Authority
CN
China
Prior art keywords
vehicle
behavior
local
data
tensor
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
Application number
CN202311133559.7A
Other languages
English (en)
Inventor
李重
马婧翌
杨雪婷
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.)
Donghua University
Original Assignee
Donghua 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 Donghua University filed Critical Donghua University
Priority to CN202311133559.7A priority Critical patent/CN117134978A/zh
Publication of CN117134978A publication Critical patent/CN117134978A/zh
Pending legal-status Critical Current

Links

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
    • H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
    • 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
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/40—Network security protocols
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供的一种基于局部和全局行为模式分析的车辆身份验证方法及系统，包括步骤：通过RSU对过往车辆的行驶数据进行采集和预处理，得到车辆的历史行为数据；基于本地数据，在每个RSU上执行局部行为模式分析；中央云服务器收集网络中所有RSU内的所有车辆历史行为数据，进行全局行为模式分析；RSU利用车辆当前的实时行为数据，集成局部和全局行为模式分析的结果，进行最终身份验证。本发明提供的一种基于局部和全局行为模式分析的车辆身份验证方法，能够实现车联网环境下的车辆身份验证，快速高效地给出验证结果。本发明首次将基于行为的身份验证方法作为车联网中车辆身份盗窃的第二道防线，弥补了目前主流的车辆身份验证方法无法解决身份盗窃的不足。

Description

基于局部和全局行为模式分析的车辆身份验证方法及系统
技术领域
本发明涉及一种基于局部和全局行为模式分析的车辆身份验证方法以及基于该方法实现的系统，属于车联网技术领域。
背景技术
作为智慧城市基建中的关键技术，车联网(InternetofVehicles，IoV)正在被许多人关注和研究。信息和数据可以通过车对车通信、车对基础设施通信在车辆之间或车辆与基础设施之间高效传输和有效处理。车联网中辅助驾驶、碰撞前感知和预警等越来越多的潜在应用，提高了出行体验和交通效率。
然而，车联网作为一个包含人、车辆、基础设施等多个可交互元素的复杂网络，人与车之间、车与车之间、车与基站之间频繁的信息交互都会给不法分子提供可乘之机，使得用户暴露在一个存在安全与信任问题的环境中。随着入网车辆越来越多，如何高效准确对其身份进行验证成为了一个重要的研究问题。为了保证车联网通信的安全，必须在车联网部署之前解决车辆身份安全问题。
目前的身份验证方法主要有三种：(1)基于密码学的身份验证方案；(2)基于数字签名的身份验证方案；(3)基于行为的身份验证方案。前两类传统的基于密码学和基于数字签名的身份验证方案可以保证访问用户拥有合法的用户名和对应的密码或凭证，这可以作为验证系统的第一道防线。但是无法发现车辆身份被盗用的问题，如果用户名和密码，甚至证书被广告泄露或窃取，验证系统仍然会将被盗的账号视为正常账号，因为他们确实拥有合法的账号。事实上，这是非常危险的，因为合法账号已经被恶意用户操纵。并且这类身份验证方法不能及时检测出司机的反常行为，当发生事故时一般只能执行事后的惩罚措施。基于行为的身份验证方案在检测金融系统中的身份盗窃中受到越来越多的关注。主要包括鼠标移动行为、键盘输入行为、触摸屏交互和社交行为。特别是在检测可疑行为时，采用了机器学习算法。但上述基于行为的身份验证的对象模型主要集中在键盘输入行为、鼠标移动行为和触摸屏行为上，不同于车辆驾驶行为模型，并且车联网中的行为数据非常稀疏。因此，直接使用上述验证方法解决车联网中的身份盗窃问题是不合适的。
发明内容
本发明的目的是：为联网车辆设计并实现一套合理可靠的身份验证机制，解决现有技术中无法检测出车联网中的车辆身份盗用问题。
为了达到上述目的，本发明的技术方案是提供了一种基于局部和全局行为模式分析的车辆身份验证方法，其特征在于，包括以下步骤：
S1：通过路边单元对过往车辆的行驶数据进行采集和预处理，得到车辆的历史行为数据，包括以下步骤：
S11：通过路边单元，采集关于车辆u的原始行驶数据项，包括车辆u的ID号IDu、当前原始行驶数据所对应的时间戳tu、车辆u的即时GPS位置pu、车辆u的即时速度su、车辆u的行驶方向du，其中，行驶方向定义为车头与地图正北方向的顺时针夹角；
S12：将时间戳tu扩展到时隙，将即时GPS位置pu映射到子路段；
S2：基于位于本地的历史行为数据，在每个路边单元上通过局部行为模型执行局部行为模式分析，计算每个车辆与其历史行为的差异，为每个车辆得到基于行为的身份验证的局部模型，从而定量地评估车辆的行为表现，以反映车辆到达当前路边单元时的行为习惯；
S3：中央云服务器收集网络中所有路边单元内的所有车辆历史行为数据，基于可观察和有顺序的输入，进行全局行为模式分析，在车辆到达下一个路边单元之前，获得车辆将移动到的下一个路边单元的概率值；
S4：路边单元利用车辆当前的实时行为数据，集成局部和全局行为模式分析的结果，进行最终身份验证。
优选地，所述步骤S12中，将即时GPS位置pu映射到子路段进一步包括以下步骤：
S12-1：在地图上过滤出道路交叉点和拐点，将道路段划分为不同方向的子路段，其中，拐点根据以下公式得到：
|Γ(li，lj)-Γ(li，lk)|＞ε
式中，Γ(li，lj)表示起点为li、终点为lj的线段的斜角，Γ(li，lk)表示起点为li、终点为lk的斜角，ε表示偏置阈值；
S12-2：在得到所有子路段后，用一个序列号来标记每个子路段，这样每个即时GPS位置pu都可以映射到一个子路段。
优选地，所述步骤S2包括以下步骤：
S21：根据交通数据的强时空关联特性，利用张量分解技术来填补数据缺失值，包括以下步骤：
S21-1：构造速度张量和行驶角度张量/>每个张量的大小为M×Z×L，其中，速度张量/>和行驶角度张量/>的三个维度分别是子路段序列号、时隙和车辆ID，速度张量/>或行驶角度张量/>中的每个元素表示在特定时间内某个特定车辆在某个特定子路段的速度值或行驶方向值；
S21-2：分别对速度张量和行驶角度张量/>进行Tucker分解，获得复原张量，完成数据填充，获得复原的速度张量/>以及复原的驱动角张量/>其中：
采用相同的方法获得复原的速度张量以及复原的驱动角张量/>其中，复原的速度张量/>采用以下方法获得：
对速度张量进行Tucker分解，则有：
式中，×1、×2和×3表示乘积的顺序，为核心张量，U、R、T分别表示三因子矩阵，且矩阵U、R和T被认为是车辆ID、子路段和时隙维度的主成分；
引入检验矩阵作为辅助信息，检验矩阵分别为交通环境矩阵E和出行熟悉度矩阵F，其中，交通环境矩阵E收集每个时段各子路段的车流量，大小为L×Z；出行熟悉度矩阵F存储每辆车在每个子路段的出现次数，大小为M×Z，则定义目标函数为：
式中，表示正则化项，λ表示正则化系数；表示辅助项，β是辅助信息的权重，||·||表示L2范数，矩阵A和B是交通环境矩阵E和出行熟悉度矩阵F的两个辅助因子矩阵；
通过目标函数来比较源张量/>和/>之间的非零元素，利用梯度下降算法调整核心张量和因子矩阵中的值，使得目标函数的值越来越小，直到收敛；
通过附加的估计项来获得复原张量，得到复原的速度张量
S22：根据填充完成的数据集进行局部行为模式拟合，得到用于行为验证的局部行为模型。
优选地，步骤S22中，实现局部行为拟合包括以下步骤：
S22-1：为每个车辆建立关于驾驶行为的概率分布模型，考虑车辆u的二维高斯分布的概率密度分布函数，则有：
式中，Xu＝(su，du)T代表车辆u的行为样本数据； 分别为两个行为属性su和du的均值；∑u代表特征向量的协方差矩阵；
S22-2：采用最大似然估计方法对参数{μu，∑u}进行估计，得到车辆u的对数似然函数Ju(μu，∑u)：
式中，Vu代表存储在当前路边单元中的车辆u的历史行驶行为数据集的大小，代表历史行驶行为数据集中的数据项；
S22-3：分别向对数似然函数Ju(μu，∑u)中的μu和∑u求偏导，得到参数估计结果，进而得到为每个车辆训练过的高斯行为模型作为基于行为的身份验证的局部模型。
优选地，所述步骤S3包括以下步骤：
S31：云服务器从网络中所有路边单元中收集所有车辆的行为数据，利用这些数据训练LSTM模型，预测车辆的行为偏好；
S32：定义波动率作为度量司机行为波动性的指标，利用波动率指标作为权重，调整驾驶路径行为波动对用户偏好结果的影响；
S33：综合用户行为偏好和行为波动率，定义车辆的全局行为模式。
优选地，所述步骤S31包括以下步骤：
S31-1：将原始出行数据中的车速和行驶方向的值映射到(0，1)范围内，将原始出行数据中的时间戳以及车辆ID表示为独热向量，将原始出行数据中的GPS位置转换为归属路边单元的ID号，其中，车辆ID、时间戳、车速和行驶方向作为LSTM模型的训练数据，将归属路边单元的ID号作为LSTM模型的标签数据；
S31-2：进行LSTM模型的训练：
设vu、vt、vs、vd分别代表得到的车辆ID、时间戳、车速、行驶方向的低维嵌入向量，将低维稠密向量xk＝[vu，vt，vs，vd]k输入到LSTM模型中，其中，xk是LSTM层中的第k个LSTM单元的输入，LSTM模型中隐含层的输出hk+1连接到一个全连接层，得到多分类预测的概率分布；
S31-3：根据训练的LSTM模型得到预测的车辆行为偏好：
基于训练的LSTM模型，中心服务器利用一系列行为数据获取车辆u下一步到达每个路边单元的概率值，将预测概率值表示为使用λu来表示车辆u在本轮偏好学习中的行为偏好，当车辆u到达第j个路边单元之前，从集合/>中选取第j个预测概率值/>即为行为偏好λu的值。
优选地，所述步骤S32中，车辆u的波动率指标ηu定义为：
式中，μΔ代表ΔPu的平均值，Yu表示车辆u的历史验证次数。
优选地，所述步骤S33中，车辆u的全局行为模式Hu定义为：
式中，λu表示车辆u的行为偏好，ηu表示车辆u的波动率。
优选地，所述步骤S4包括以下步骤：
当云服务器获得关于某车辆的全局行为模式时，把当前车辆的全局行为模型分发给网络中所有的路边单元，使路边单元具有关于当前车辆的全局和本地行为模型；
当车辆进入路边单元的通信覆盖区域并需要被验证时，路边单元将利用车辆当前的实时行为数据计算出局部行为概率值/>再将局部和全局行为模式的结果进行线性融合，计算出车辆u的验证概率结果Φu：
Φu＝0.5Gu+0.5Hu
式中，Gu和Hu分别为车辆u的局部和全局验证概率结果；
根据Φu的值确定车辆身份验证的结果：若Φu大于预设的阈值，车辆被当前路边单元验证为普通车辆；否则，车辆被当前路边单元认定为异常车辆，并列入可疑恶意车辆名单。
本发明的另一个技术方案是提供了一种基于局部和全局行为模式分析的身份验证系统，其特征在于，用于实现上述的基于局部和全局行为模式分析的身份验证方法，包括：
数据处理模块，用于对车辆的历史行为数据进行采集和预处理；
算法构建模块，用于根据车辆历史行为数据，分别进行局部和全局行为模式分析；
算法执行模块，用于使用车辆当前的实时行为数据，集成局部和全局行为模式分析的结果，进行最终身份验证。
相比于现有技术，本发明具有如下有益效果：能够基于历史出行行为数据，对局部和全局行为特征建模分析，深入挖掘车辆的多维行为，获得单个车辆层面的出行模式，实现车联网环境下的车辆身份验证，快速高效地给出验证结果。本发明首次将基于行为的身份验证方法作为车联网中车辆身份盗窃的第二道防线，弥补了目前主流的车辆身份验证方法无法解决身份盗窃的不足。
附图说明
图1显示为本发明一实施例中基于行为的车辆验证系统架构示意图。
图2显示为本发明中VLOG模型框架示意图。
图3显示为本发明一实施例中道路分段示例示意图。
图4显示为本发明一实施例中全局行为偏好学习的场景示意图。
图5显示为本发明一实施例中LSTM网络模型示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
如图1所示，在本发明的一实施例中，系统模型部署在云-边缘-终端协作架构上，这里将路边单元(RoadSideUnit，下文简称为“RSU”)作为边缘节点。整个系统架构共有三层：
(1)底层是终端层。每辆车都是系统中的一个终端，主要用于向服务器和边缘节点发起服务请求，根据需求获得各种车联网应用服务。智慧车辆终端配备必要的智能系统，主要包括通信模块、计算模块、认证模块等。车辆终端与边缘节点的交互主要包括车辆周期性地实时向RSU上报自己的位置、感知模块数据等信息，并且更新自己的证书等认证信息。当车辆进入某RSU的通信区域时，必须对每辆车进行检测。
(2)中间层是边缘层。随着边缘计算技术的迅速发展，RSU等网络的边缘节点所拥有的大规模计算和存储能力不断加强，从而可以将大部分的时延敏感型任务下沉到RSU中。在本实施例中，每个RSU用作边缘计算站，定期收集过往车辆的行驶状态，包括速度、位置、行驶方向、时间戳，并分担数据分析和存储的任务。需要注意的是，边缘计算站负责计算验证模型中车辆的局部行为模式，从而减少用户终端与云服务器的通信次数，缓解云端的负载。
(3)上层是云服务器层。中心云服务器拥有丰富的计算和存储资源，保证车联网的正常运行，可以永久存储大量数据，并处理车辆的高复杂性计算任务。在本实施例中，中心云服务器负责计算验证模型中车辆的全局行为模式，即对车辆和RSU采集的数据提取车辆行为的主要特征，然后应用机器学习、深度学习等技术构建并训练模型。然后，将预训练的全局行为分析模型分别部署到每个RSU，每个RSU会将本地行为模型和接收到的全局行为模型融合在一起作为综合验证模型，并最终确定车辆的验证结果。需要注意的是，当每辆车进入RSU的通信范围时，都会收到验证要求。
在本实施例中，基于以上系统模型，我们做出以下两条假设：
(1)由于不同的出行习惯，每个驾驶员都有其独特的出行行为。因此，每辆正常车辆的行驶行为都很有可能符合其常规行为模式。
(2)在我们的系统架构中，每个边缘节点(RSU)都是可靠的。
在满足以上假设的前提下，如图2所示，本发明提供了一种基于局部和全局行为模式分析的身份验证方法(Vehicle Identity Verification Based on Local andGlobalBehavior Pattern Analysis，VLOG)，包括以下步骤：
S1：通过RSU对过往车辆的行驶数据进行采集和预处理，得到车辆的历史行为数据。
S2：基于本地数据，在每个RSU上执行局部行为模式分析；
S3：中央云服务器收集网络中所有RSU内的所有车辆历史行为数据，进行全局行为模式分析；
S4：RSU利用车辆当前的实时行为数据，集成局部和全局行为模式分析的结果，进行最终身份验证。
本发明提供的车辆身份验证方法，通过道路上部署的每个RSU定期收集过往车辆的行驶数据，并对这些数据进行预处理，然后存储在其本地存储器上。由于车辆的行驶行为具有规律性，即在周期内和相同场景下同一个驾驶员的目的地和选择出行的时间往往是稳定的，且路径选择上也相差不大。基本上每一个车辆都有其独特且相对稳定的行驶行为模式。如果车辆的身份受到攻击被别人盗用，会因为偏离了车主正常的行为模式而导致该车辆的行为数据将会反映出不同驾驶员的个体差异。利用这一规律性，分别从局部和全局的角度根据车辆的历史行为数据深度挖掘司机个人层面的驾驶行为模式和出行偏好，使用预训练模型检测出偏离正常行为规律的可疑车辆。最后进一步将局部和全局模式/模型融合为一个综合的基于行为的身份验证模型，得到最终身份验证结果。当发生借用车辆的特殊情况时，在本发明中，该车辆原用户需向云服务器发送一份借用报告。云服务器收到借用请求后，验证系统会先向原用户手机发送验证短信，并等待反馈。如果原用户验证通过，借用用户的历史数据将通过云服务器绑定到验证系统中，之后再使用VLOG模型进行身份验证即可。
本发明首次将基于行为的身份验证方法作为车联网中车辆第二道防线，弥补了目前主流的车辆身份验证方法无法解决身份盗窃的缺陷，是一种快速、高效的可疑身份检测方案。
本实施例中，步骤S1进一步包括：
S11：通过RSU，采集关于车辆u的原始行驶数据项。本实施例中，原始数据项主要包括：(1)IDu，为车辆u的ID号，可以唯一地标识车辆；(2)tu，为该条数据对应的时间，为了方便后续建模分析，将会转换为时间戳；(3)pu，为车辆u的即时GPS位置(包括经度、纬度)；(4)su，为车辆u的即时速度；(5)du，为车辆u的行驶方向，行驶方向定义为车头与地图正北方向的顺时针夹角。由于车速su和和行驶角度du也受到车辆ID、时间戳和GPS位置的限制，本实施例利用车速su和行驶角度du来描述RSU观察到的车辆u的行驶行为。
S12：对原始数据项进行预处理。本实施例中，原始数据项的预处理工作主要包括对时间戳和原始GPS值的处理。因为时间戳和GPS位置的粒度太细/太小而无法利用，我们将时间戳扩展到时隙，并将GPS位置映射到路段。这种扩展可以帮助我们估计车辆的行驶行为。
在本实施例中，我们将时隙设置为一个小时。
对原始GPS值的处预处理步骤如下：
首先在地图上过滤出两种类型的点：道路交叉点和拐点，以此来将每条道路划分为几个子路段，如图3所示的灰色实心点和灰色空心点。灰色实心点表示道路交叉点，即物理区域的十字路口，用于将道路划分为子路段，交叉点在地图中很容易辨别。灰色空心点表示拐点，将道路段划分为不同方向的子路段，在地图中难以通过主观判断拐点，因此我们通过公式(1)得到拐点：
|Γ(li，lj)-Γ(li，lk)|＞ε (1)
式(1)中，Γ(li，lj)表示起点为li、终点为lj的线段的斜角，而Γ(li，lk)表示起点为li、终点为lk的斜角，ε表示偏置阈值。偏置阈值ε可以根据经验来设置。在本实施例中，我们将偏置阈值ε设置为15°。例如在图3中，通过道路交叉点和拐点可以将地图分为25个子路段。在得到所有子路段后，用一个序列号来标记每个子路段。然后，每个GPS位置都可以映射到一个路段，这有助于对车辆的局部行为模式进行分析。需要注意的是，虽然长路段通常有很多GPS点，但它并不影响行为估计的准确性，因为还有时间段和车辆ID等特征，能够规定车辆的行驶行为的限制。
在交通系统中，车辆的行驶数据往往是稀疏的，这是因为很多路段可能没有车辆行驶，而且由于可能会出现检测器失灵或者通讯中断问题，导致从道路上采集的数据不完整。稀疏数据远远不足以支持RSU的车辆局部行为模式分析。所以在进行局部行为分析之前，需要将车辆的缺失数据进行补全，才能保证全局行为模型的准确性。由于交通数据其本身带有很强的时空关联，不同的路段、不同时间段之间具有一定规律性，而缺失数据估计的核心问题是如何构建缺失值与观测值之间的关系，因此可以利用张量分解技术对数据缺失值进行填充，解决车辆稀疏的问题。
由于驾驶习惯的不同，每个驾驶员都有自己独特的驾驶行为数据，本发明通过这些驾驶行为来分析司机。很明显，同一车辆的行驶数据具有一定的集中度，即使有一些情况与普通的行驶数据不同，也只是少数例外。也就是说，车辆的行驶数据将会表现出正态分布的特征。因此，边缘节点RSU可以利用其本地累积的海量的行驶数据，在对缺失数据进行估计补全之后，为每个车辆训练一个单一高斯模型(SingleGaussianModel，SGM)作为局部行为模型，然后通过计算每个车辆与其历史行为的差异，从而定量地评估车辆的行为表现。
基于上述原理，本实施例中，步骤S2进一步包括：
S21：利用张量分解技术来填补数据缺失值，其中，张量分解和稀疏数据填充通过以下步骤实现：
首先，进行张量构建。基于车辆行驶行为的时空性质，我们构造了两个三维张量：速度张量和行驶角度张量/>其中，张量的三个维度分别是路段序列号、时隙和车辆ID。
在本实施例中，张量均指3阶张量，其中阶数就是指空间维度。本实施例中的出行行为数据中的每个元素都由一个三维固有属性坐标确定，即车辆ID、路段和时间段。由于张量描述了标量和几何向量之间的线性关系，可以通过张量将运动行为信息(标量，即速度值和驾驶方向值)与固有属性元素(向量，即车辆ID、路段以及时间段)联系起来。因此，本实施例构造了一个速度张量和一个驾驶方向张量/>来存储三维的速度和驾驶方向值，每个张量的大小为M×Z×L，其中M、Z和L分别表示车辆数量、路段数量和时间段(将一天分为24个时间段)。张量中的每个元素表示在特定时间内某个特定车辆在某个特定路段的速度值或行驶方向值。
其次，进行基于校验矩阵的张量分解。由于驾驶数据本质上是一种具有低秩特征的时空数据，可以使用张量分解来填充缺失数据，也就是通过描述数据中的高阶相关和依赖关系，从而有效地利用这些观测项中事务潜在信息。在本实施例中，我们使用一个基本的张量分解方法，称为Tucker分解，来完成缺失数据的补全。以速度张量为例，Tucker分解的基本思想是构造一个核张量和三个因子矩阵的乘法，利用这些矩阵的运算得到一个恢复张量/>从而进一步替换源张量/>对/>进行Tucker分解后的数学表达式可以写成：
式(2)中，×1、×2和×3表示乘积的顺序，为核心张量，/> 分别表示三因子(低秩)矩阵，k1、k2、k3表示核心张量/>在三个维度上的大小，即核心张量/>的大小为k1×k2×k3。在本实施例中矩阵U、R和T被认为是车辆ID、路段和时隙维度的主成分，核心张量和三因子矩阵中的元素通常初始化为较小的正数。
因为在分解过程中如果不考虑环境的某些约束，则填充值中可能存在不合理值。例如，当路遇到严重的交通堵塞时，可能会错误地填充较大的速度值。因此为了提高数据填充的准确性，本发明在张量分解中引入了交通环境矩阵E和出行熟悉度矩阵F两个检验矩阵作为辅助信息。其中，交通环境矩阵E收集每个时段各路段的车流量，大小为L×Z；出行熟悉度矩阵F存储每辆车在每个路段的出现次数，大小为M×Z。因此，在Tucker分解中，通常定义一个目标函数为：
式(3)中，表示正则化项，作用是避免过拟合；λ表示正则化系数；/>表示辅助项；β是辅助信息的权重。
通过交通环境矩阵E和出行熟悉度矩阵F两个检验矩阵对信息(环境)进行归一化，并加入到基本张量分解模型中，使得缺失数据填充更加准确。本实施例中设定了λ＝0.1和β＝0.1。另外，||·||表示L2范数。矩阵A和B是交通环境矩阵E和出行熟悉度矩阵F的两个辅助因子矩阵，A和B中的元素也被初始化为较小的正数。由于交通环境矩阵E和出行熟悉度矩阵F是二维矩阵，且分别与车辆ID号和时隙密切相关，对于交通环境矩阵E，我们可以用两个因子矩阵T和A来近似。同样，对于出行熟悉度矩阵F，我们可以使用两个因子矩阵U和B来近似它。并且，我们基于原始的稀疏数据来初始化校验矩阵E和F。
然后，通过公式(3)中的目标函数来比较源张量/>和/>之间的非零元素，利用梯度下降算法调整核心张量和因子矩阵中的值，使得目标函数的值越来越小，直到收敛。最后，我们能够通过附加的估计项来获得复原张量。因此，我们可以得到复原的速度张量/>采用以上同样的方法，也可以得到一个复原的驱动角张量
S22：根据填充完成的数据集进行局部行为模式拟合，得到用于行为验证的局部行为模型，其中，通过以下步骤实现局部行为拟合：
首先，为每个车辆建立关于驾驶行为的概率分布模型。由于本地RSU中存储的历史数据是经过该RSU验证过的正常车辆的行驶行为数据，每个RSU能够利用历史数据为每辆经过的车辆建立一个关于驾驶行为的概率分布模型。即通过曲线拟合和模型训练，为行为数据建立可能的边界。并且由于每个司机都有独特的驾驶行为习惯，车辆行为数据往往会呈现高斯分布。
然后进行局部行为模型的训练，即为每辆车寻找到合适的参数以适应高斯分布。这里，我们考虑车辆u的二维高斯分布的概率密度分布函数G，如公式(4)所示：
式(4)中，Xu＝(su，du)T代表车辆u的行为样本数据，即二维的行为特征向量； 分别为两个行为属性su和du的均值；∑u代表特征向量的协方差矩阵，由于特征相互独立，所以∑u中只有对角线上的元素非零，分别表示每个特征的方差，而其余位置上的元素为0。
在本实施例中，采用最大似然估计方法对公式(4)中的参数{μu，∑u}进行估计，因此可以得到车辆u的对数似然函数Ju(μu，∑u)如下所示：
式(5)中，Vu代表存储在当前RSU中的车辆u的历史行驶行为数据集的大小，符号代表行为数据集中的数据项，Gu()表示车辆u的二维高斯分布的概率密度分布函数。然后，分别对公式(5)中的μu和∑u求偏导，得到参数估计结果如下：
通过极大似然估计算法求解之后，我们可以得到为每个车辆的训练过的高斯行为模型作为基于行为的身份验证的局部模型。
经过步骤S2所得到的车辆的局部行为模式反映的是车辆到达该RSU时的行为习惯，车辆的局部行为预测仅基于本地RSU上累积的数据。虽然我们可以通过局部RSU给出车辆的验证概率，但是如果基于所有RSU从宏观角度考虑该车辆的整个轨迹时，该验证概率结果可能是不同的，所以本发明还提出了基于全局的行为模式分析。由于车辆的行为数据在时空维度上表现为一种顺序特征，该特征能够体现在出行偏好和用户行为波动性上。本实施例通过LSTM模型来深度挖掘司机的出行偏好，但是由于车辆可能受交通环境和情绪状态的影响不会每一次都在固定的路径轨迹上行驶，继而引入了行为波动性来校正偏好。因此，车辆的全局行为模式概念是指基于所有RSU上累积的行为数据，对车辆将移动到的下一个RSU的综合概率预测。由云服务器执行的综合预测包括车辆行为偏好学习和行为波动率调整，算法流程如图2中间层的右矩形所示。
由于道路结构、交通规则、交通状态等诸多潜在因素，车辆的出行行为数据具有时空特征，并潜在地反映了司机的行为偏好。因此，将先进的时空结构与丰富的序列建模功能相结合，对于全局行为模型尤为重要。由于LSTM模型在时间序列预测方面表现良好，我们使用LSTM来训练行为偏好模型。
如图4所示，中心服务器可以维护所有车辆的LSTM行为偏好模型，当车辆通过本地RSU验证后，本地RSU会将过往车辆的行为数据上传到云服务器，中央服务器负责训练和更新基于周期性收集的行为数据的LSTM模型。在车辆到达下一个RSU之前，当前RSU会将该车辆将移动到的下一个RSU的更新概率预测值分发给每个RSU。例如，图4中车辆经过了用黑色实折线表示的路由{RSU1，RSU2，RSU3}，而现在该车辆在RSU3的覆盖范围内，RSU4，RSU5，RSU6是距离RSU3最近的路边单元。很明显，这辆车将不可避免地在下一个时间步移动到其中一个路边单元所覆盖的范围。因此，我们的目标是基于一组可观察和有顺序的输入(即来自所有RSU收集的车辆行为数据)，在车辆到达下一个RSU之前，为下一段路径选择训练一个LSTM预测器。
基于上述原理，本实施例中，步骤S3进一步包括：
S31：云服务器从网络中所有RSU中收集所有车辆的行为数据，利用这些数据训练LSTM模型，预测车辆的行为偏好，其中，实现基于LSTM的行为偏好学习步骤如下：
首先进行数据处理。云服务器中存储的原始出行数据包括车辆ID、时间戳、GPS位置、车速和行驶方向。在这部分，我们将车辆的GPS位置转换为归属RSU的ID号，即根据车辆的GPS位置位于哪个RSU的通信覆盖范围来获取RSU的ID号。LSTM模型的训练数据包含车辆ID、时间戳、车速和行驶方向等特征，标签数据是归属RSU的ID。对于车速和行驶方向特征，由于它们的数值是连续的，所以使用Min-Max方法(即)将值映射到(0，1)范围内。由于时间段和车辆ID为离散值，将24小时划分为96个相等的时隙，因此时间戳可以表示为96维的独热向量(one-hotvector)，接着将车辆ID也表示为独热向量，其中非零项表示索引。因此，对于云中的训练数据项，可以用行向量表示。直观地看，该向量的稀疏性不利于LSTM模型的训练。这里通过使用嵌入方法(Embedding)，例如一种非线性变换方法，来实现向量降维和捕获潜在向量。
然后进行模型训练。在本发明一实施例中，假设vu、vt、vs、vd分别代表得到的车辆ID、时间戳、车速、行驶方向的低维嵌入向量，LSTM网络的结构如图5所示。将低维稠密向量xk＝[vu，vt，vs，vd]k输入到LSTM模型中，其中xk是LSTM层中的第k个LSTM单元的输入。LSTM模型中隐含层的输出hk+1连接到一个全连接层，将会得到多分类预测的概率分布。假设有N个RSU，当车辆到达某个RSU的通信范围内，该RSU会通过车辆上传的当前行为数据开始下一轮偏好预测学习。
最后根据训练的模型得到预测的车辆行为偏好。基于训练的LSTM模型，中心服务器利用一系列行为数据，包括当前新提交的数据，可以获取车辆u下一步到达每个RSU的概率值，我们将预测概率值表示为也就是说，在车辆u到达某个RSU之前，LSTM序列模型会先得到下一个即将到达的RSU的偏好概率。使用λu来表示车辆在本轮偏好学习中的行为偏好，当车辆u到达RSUj之前，从集合/>中选取第j个预测概率值/>即为行为偏好λu的值。
S32：定义波动率作为度量司机行为波动性的指标，利用波动率指标作为权重，调整驾驶路径行为波动对用户偏好结果的影响。
在步骤S32中，将车辆u的波动率指标ηu定义为：
式(9)中，符号μΔ代表ΔPu的平均值，Yu表示的是车辆u的历史验证次数。本发明的行为波动指的是车辆行为的正常变化/波动，驾驶员的情绪和路况会在一定程度上影响其出行行为的波动。而且，这种事件的发生通常是偶然的，波动率最终会以较高的概率回归到平均水平。根据公式(9)可知，每次RSU对车辆进行验证都会积累行为数据，这将会影响波动率指标ηu。利用波动率指标作为权重可以调整驾驶路径行为波动对用户偏好结果的影响，从而对最终验证结果产生影响。
S33：综合用户行为偏好和行为波动率，定义车辆的全局行为模式。本实施例中，考虑到用户行为偏好和行为波动率的影响，我们通过下式定义车辆u的全局行为模式，用Hu表示：
由公式(10)可知，考虑到用户行为数据的正常波动对验证结果的影响，行为波动率可以起到校正行为偏好的作用。在相同的行为偏好值(分子)下，如果行为波动性(分母)越小，则意味着车辆的行驶行为模式相对越专注/稳定。
通过步骤S3，云服务器可以从个人层面获得车辆调整后的全局行为模式，即车辆将移动到的下一个RSU的校正后的概率值。
当云服务器获得关于某车辆的全局行为模式时，将会立即把该车的全局行为模型分发给网络中所有的RSU。因此，RSU就具有了关于该车辆的全局和本地行为模型。当车辆进入RSU的通信覆盖区域并需要被验证时，RSU将利用车辆当前的实时行为数据，集成本地和全局行为模式分析的结果来验证该车辆。如果该车辆被判定为异常，将被添加到可疑恶意车辆列表中。然后，云服务器通过向驾驶员手机发送验证短信或语音信息进一步对可疑车辆进行验证，即将驾驶员的手机与我们的验证系统绑定，并等待反馈。如果车辆确实是恶意车辆，则无法完成此消息验证。需要注意的是，消息验证只是作为一种辅助手段来完成身份验证。如果将消息验证机制作为RSU对路过的所有车辆进行身份验证的主要方法，将会造成非常高的通信成本和用户打扰率。因此，消息助手验证只适合在车辆行为受到质疑时作为辅助验证手段使用。
基于上述原理，本实施例中，步骤S4通过以下过程，结合局部和全局行为分析模式完成身份验证：
在本实施例中，根据局部行为模式拟合(步骤S2)中获得的参数，当车辆u的新的实时行为数据到来时，最近的RSU能够计算出局部行为概率值/>同时，我们还可以获得全局行为模式Hu。为了了解局部行为和全局行为在车辆身份验证中的不同依赖关系，我们将局部和全局行为模式的结果进行线性融合，能够计算出车辆u的验证概率结果Φu如下：
Φu＝0.5Gu+0.5Hu (11)
式(11)中，Gu和Hu分别为车辆u的局部和全局验证概率结果。本实施例中，我们给予局部和全局行为模式相同的权重，然后根据Φu的值来确定车辆身份验证的结果。在本实施例中，我们取阈值为0.65，如果Φu≥0.65，车辆将会被当前RSU验证为普通车辆。否则，将会被认定为异常车辆，并列入可疑恶意车辆名单。
上面方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包含相同的逻辑关系，都在本发明的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该发明的保护范围内。
本发明还提供了一种基于局部和全局行为模式分析的身份验证系统，包括：优先级计算模块、算法构建模块和算法执行模块。其中，数据处理模块，用于对车辆的历史行为数据进行采集和预处理；算法构建模块，用于根据车辆历史行为数据，分别进行局部和全局行为模式分析；算法执行模块，用于使用车辆当前的实时行为数据，集成局部和全局行为模式分析的结果，进行最终身份验证。
需要说明的是，为了突出本发明的创新部分，本实施例中并没有将与解决本发明所提出的技术问题关系不太密切的模块引入，但这并不表明本实施例中不存在其它的模块。
此外，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本发明所提供的实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式；例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁盘或者光盘等各种可以存储程序代码的介质。
如上所述，本发明提供的一种基于局部和全局行为模式分析的车辆身份验证方法及系统，能够基于历史出行行为数据，对局部和全局行为特征建模分析，深入挖掘车辆的多维行为，获得单个车辆层面的出行模式，实现车联网环境下的车辆身份验证，快速高效地给出验证结果。本发明首次将基于行为的身份验证方法作为车联网中车辆身份盗窃的第二道防线，弥补了目前主流的车辆身份验证方法无法解决身份盗窃的不足。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

Claims (10)

1.一种基于局部和全局行为模式分析的车辆身份验证方法，其特征在于，包括以下步骤：
S1：通过路边单元对过往车辆的行驶数据进行采集和预处理，得到车辆的历史行为数据，包括以下步骤：
S11：通过路边单元，采集关于车辆u的原始行驶数据项，包括车辆u的ID号IDu、当前原始行驶数据所对应的时间戳tu、车辆u的即时GPS位置pu、车辆u的即时速度su、车辆u的行驶方向du，其中，行驶方向定义为车头与地图正北方向的顺时针夹角；
S12：将时间戳tu扩展到时隙，将即时GPS位置pu映射到子路段；
S2：基于位于本地的历史行为数据，在每个路边单元上通过局部行为模型执行局部行为模式分析，计算每个车辆与其历史行为的差异，为每个车辆得到基于行为的身份验证的局部模型，从而定量地评估车辆的行为表现，以反映车辆到达当前路边单元时的行为习惯；
S3：中央云服务器收集网络中所有路边单元内的所有车辆历史行为数据，基于可观察和有顺序的输入，进行全局行为模式分析，在车辆到达下一个路边单元之前，获得车辆将移动到的下一个路边单元的概率值；
S4：路边单元利用车辆当前的实时行为数据，集成局部和全局行为模式分析的结果，进行最终身份验证。
2.如权利要求1所述的一种基于局部和全局行为模式分析的车辆身份验证方法，其特征在于，所述步骤S12中，将即时GPS位置pu映射到子路段进一步包括以下步骤：
S12-1：在地图上过滤出道路交叉点和拐点，将道路段划分为不同方向的子路段，其中，拐点根据以下公式得到：
|Γ(li,lj)-Γ(li,lk)|>ε
式中，Γ(li,lj)表示起点为li、终点为lj的线段的斜角，Γ(li,lk)表示起点为li、终点为lk的斜角，ε表示偏置阈值；
S12-2：在得到所有子路段后，用一个序列号来标记每个子路段，这样每个即时GPS位置pu都可以映射到一个子路段。
3.如权利要求1所述的一种基于局部和全局行为模式分析的车辆身份验证方法，其特征在于，所述步骤S2包括以下步骤：
S21：根据交通数据的强时空关联特性，利用张量分解技术来填补数据缺失值，包括以下步骤：
S21-1：构造速度张量和行驶角度张量/>每个张量的大小为M×Z×L，其中，速度张量和行驶角度张量/>的三个维度分别是子路段序列号、时隙和车辆ID，速度张量/>或行驶角度张量/>中的每个元素表示在特定时间内某个特定车辆在某个特定子路段的速度值或行驶方向值；
S21-2：分别对速度张量和行驶角度张量/>进行Tucker分解，获得复原张量，完成数据填充，获得复原的速度张量/>以及复原的驱动角张量/>其中：
采用相同的方法获得复原的速度张量以及复原的驱动角张量/>其中，复原的速度张量/>采用以下方法获得：
对速度张量进行Tucker分解，则有：
式中，×1、×2和×3表示乘积的顺序，c为核心张量，U、R、T分别表示三因子矩阵，且矩阵U、R和T被认为是车辆ID、子路段和时隙维度的主成分；
引入检验矩阵作为辅助信息，检验矩阵分别为交通环境矩阵E和出行熟悉度矩阵F，其中，交通环境矩阵E收集每个时段各子路段的车流量，大小为L×Z；出行熟悉度矩阵F存储每辆车在每个子路段的出现次数，大小为M×Z，则定义目标函数为：
式中，表示正则化项，λ表示正则化系数；表示辅助项，β是辅助信息的权重，||·||表示L2范数，矩阵A和B是交通环境矩阵E和出行熟悉度矩阵F的两个辅助因子矩阵；
通过目标函数来比较源张量/>和/>之间的非零元素，利用梯度下降算法调整核心张量和因子矩阵中的值，使得目标函数的值越来越小，直到收敛；
通过附加的估计项来获得复原张量，得到复原的速度张量
S22：根据填充完成的数据集进行局部行为模式拟合，得到用于行为验证的局部行为模型。
4.如权利要求3所述的一种基于局部和全局行为模式分析的车辆身份验证方法，其特征在于，步骤S22中，实现局部行为拟合包括以下步骤：
S22-1：为每个车辆建立关于驾驶行为的概率分布模型，考虑车辆u的二维高斯分布的概率密度分布函数，则有：
式中，Xu＝(su,du)T代表车辆u的行为样本数据；分别为两个行为属性su和du的均值；∑u代表特征向量的协方差矩阵；
S22-2：采用最大似然估计方法对参数{μu,∑u}进行估计，得到车辆u的对数似然函数Ju(μu,Σu)：
式中，Vu代表存储在当前路边单元中的车辆u的历史行驶行为数据集的大小，代表历史行驶行为数据集中的数据项；
S22-3：分别向对数似然函数Ju(μu,Σu)中的μu和Σu求偏导，得到参数估计结果，进而得到为每个车辆训练过的高斯行为模型作为基于行为的身份验证的局部模型。
5.如权利要求1所述的一种基于局部和全局行为模式分析的车辆身份验证方法，其特征在于，所述步骤S3包括以下步骤：
S31：云服务器从网络中所有路边单元中收集所有车辆的行为数据，利用这些数据训练LSTM模型，预测车辆的行为偏好；
S32：定义波动率作为度量司机行为波动性的指标，利用波动率指标作为权重，调整驾驶路径行为波动对用户偏好结果的影响；
S33：综合用户行为偏好和行为波动率，定义车辆的全局行为模式。
6.如权利要求5所述的一种基于局部和全局行为模式分析的车辆身份验证方法，其特征在于，所述步骤S31包括以下步骤：
S31-1：将原始出行数据中的车速和行驶方向的值映射到(0,1)范围内，将原始出行数据中的时间戳以及车辆ID表示为独热向量，将原始出行数据中的GPS位置转换为归属路边单元的ID号，其中，车辆ID、时间戳、车速和行驶方向作为LSTM模型的训练数据，将归属路边单元的ID号作为LSTM模型的标签数据；
S31-2：进行LSTM模型的训练：
设vu、vt、vs、vd分别代表得到的车辆ID、时间戳、车速、行驶方向的低维嵌入向量，将低维稠密向量xk＝[vu,vt,vs,vd]k输入到LSTM模型中，其中，xk是LSTM层中的第k个LSTM单元的输入，LSTM模型中隐含层的输出hk+1连接到一个全连接层，得到多分类预测的概率分布；
S31-3：根据训练的LSTM模型得到预测的车辆行为偏好：
基于训练的LSTM模型，中心服务器利用一系列行为数据获取车辆u下一步到达每个路边单元的概率值，将预测概率值表示为使用λu来表示车辆u在本轮偏好学习中的行为偏好，当车辆u到达第j个路边单元之前，从集合/>中选取第j个预测概率值/>即为行为偏好λu的值。
7.如权利要求5所述的一种基于局部和全局行为模式分析的车辆身份验证方法，其特征在于，所述步骤S32中，车辆u的波动率指标ηu定义为：
式中，μΔ代表ΔPu的平均值，Yu表示车辆u的历史验证次数。
8.如权利要求5述的一种基于局部和全局行为模式分析的车辆身份验证方法，其特征在于，所述步骤S33中，车辆u的全局行为模式Hu定义为：
式中，λu表示车辆u的行为偏好，ηu表示车辆u的波动率。
9.如权利要求1述的一种基于局部和全局行为模式分析的车辆身份验证方法，其特征在于，所述步骤S4包括以下步骤：
当云服务器获得关于某车辆的全局行为模式时，把当前车辆的全局行为模型分发给网络中所有的路边单元，使路边单元具有关于当前车辆的全局和本地行为模型；
当车辆进入路边单元的通信覆盖区域并需要被验证时，路边单元将利用车辆当前的实时行为数据计算出局部行为概率值/>再将局部和全局行为模式的结果进行线性融合，计算出车辆u的验证概率结果Φu：
Φu＝0.5Gu+0.5Hu
式中，Gu和Hu分别为车辆u的局部和全局验证概率结果；
根据Φu的值确定车辆身份验证的结果：若Φu大于预设的阈值，车辆被当前路边单元验证为普通车辆；否则，车辆被当前路边单元认定为异常车辆，并列入可疑恶意车辆名单。
10.一种基于局部和全局行为模式分析的身份验证系统，其特征在于，用于实现权利要求1所述的基于局部和全局行为模式分析的身份验证方法，包括：
数据处理模块，用于对车辆的历史行为数据进行采集和预处理；
算法构建模块，用于根据车辆历史行为数据，分别进行局部和全局行为模式分析；
算法执行模块，用于使用车辆当前的实时行为数据，集成局部和全局行为模式分析的结果，进行最终身份验证。
CN202311133559.7A 2023-09-04 2023-09-04 基于局部和全局行为模式分析的车辆身份验证方法及系统 Pending CN117134978A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311133559.7A CN117134978A (zh) 2023-09-04 2023-09-04 基于局部和全局行为模式分析的车辆身份验证方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311133559.7A CN117134978A (zh) 2023-09-04 2023-09-04 基于局部和全局行为模式分析的车辆身份验证方法及系统

Publications (1)

Publication Number Publication Date
CN117134978A true CN117134978A (zh) 2023-11-28

Family

ID=88852528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311133559.7A Pending CN117134978A (zh) 2023-09-04 2023-09-04 基于局部和全局行为模式分析的车辆身份验证方法及系统

Country Status (1)

Country Link
CN (1) CN117134978A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117692279A (zh) * 2024-02-01 2024-03-12 广东云百科技有限公司 一种物联网前端数据采集网关及数据处理方法
CN118316629A (zh) * 2024-06-07 2024-07-09 广汽埃安新能源汽车股份有限公司 一种车辆身份验证方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117692279A (zh) * 2024-02-01 2024-03-12 广东云百科技有限公司 一种物联网前端数据采集网关及数据处理方法
CN117692279B (zh) * 2024-02-01 2024-05-03 广东云百科技有限公司 一种物联网前端数据采集网关及数据处理方法
CN118316629A (zh) * 2024-06-07 2024-07-09 广汽埃安新能源汽车股份有限公司 一种车辆身份验证方法及系统

Similar Documents

Publication Publication Date Title
Yin et al. Deep learning on traffic prediction: Methods, analysis, and future directions
Noaeen et al. Reinforcement learning in urban network traffic signal control: A systematic literature review
Zheng et al. Deep and embedded learning approach for traffic flow prediction in urban informatics
Rangapuram et al. Deep state space models for time series forecasting
Zhou et al. Reinforced spatiotemporal attentive graph neural networks for traffic forecasting
Chen et al. Dynamic spatio-temporal graph-based CNNs for traffic flow prediction
Sun et al. DxNAT—Deep neural networks for explaining non-recurring traffic congestion
CN117134978A (zh) 基于局部和全局行为模式分析的车辆身份验证方法及系统
Gammelli et al. Predictive and prescriptive performance of bike-sharing demand forecasts for inventory management
Singh et al. A review of bus arrival time prediction using artificial intelligence
Bansal et al. Htfm: Hybrid traffic-flow forecasting model for intelligent vehicular ad hoc networks
CN114187036A (zh) 一种基于行为特征识别的互联网广告智能推荐管理系统
CN116486624A (zh) 基于时空图卷积神经网络的交通流预测方法及系统
CN117857220A (zh) 基于区块链的车联网安全评估系统
Lin et al. Insights into Travel Pattern Analysis and Demand Prediction: A Data-Driven Approach in Bike-Sharing Systems
Kim et al. A hybrid approach of traffic simulation and machine learning techniques for enhancing real-time traffic prediction
Rasaizadi et al. Short‐Term Prediction of Traffic State for a Rural Road Applying Ensemble Learning Process
CN117610734A (zh) 基于深度学习的用户行为预测方法、系统和电子设备
Zhang et al. Dac-ml: domain adaptable continuous meta-learning for urban dynamics prediction
George et al. Fuzzy inspired deep belief network for the traffic flow prediction in intelligent transportation system using flow strength indicators
Li et al. Multi-hierarchical spatial-temporal graph convolutional networks for traffic flow forecasting
CN115565376A (zh) 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统
Wang et al. PFFN: Periodic feature-folding deep neural network for traffic condition forecasting
Li et al. Route restoration method for sparse taxi GPS trajectory based on Bayesian network
Zhang et al. TaxiInt: predicting the taxi flow at urban traffic hotspots using graph convolutional networks and the trajectory data

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