KR102261607B1 - 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치 - Google Patents

차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치 Download PDF

Info

Publication number
KR102261607B1
KR102261607B1 KR1020200049636A KR20200049636A KR102261607B1 KR 102261607 B1 KR102261607 B1 KR 102261607B1 KR 1020200049636 A KR1020200049636 A KR 1020200049636A KR 20200049636 A KR20200049636 A KR 20200049636A KR 102261607 B1 KR102261607 B1 KR 102261607B1
Authority
KR
South Korea
Prior art keywords
vehicle
trust
aware
context
confidence
Prior art date
Application number
KR1020200049636A
Other languages
English (en)
Inventor
이동만
양홍민
손희석
장시영
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020200049636A priority Critical patent/KR102261607B1/ko
Priority to PCT/KR2020/017092 priority patent/WO2021215611A1/ko
Application granted granted Critical
Publication of KR102261607B1 publication Critical patent/KR102261607B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/60—Context-dependent security
    • H04W12/66—Trust-dependent, e.g. using trust scores or trust relationships
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/009—Security arrangements; Authentication; Protecting privacy or anonymity specially adapted for networks, e.g. wireless sensor networks, ad-hoc networks, RFID networks or cloud networks
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/60—Context-dependent security
    • H04W12/65—Environment-dependent, e.g. using captured environmental data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/60—Context-dependent security
    • H04W12/69—Identity-dependent
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명의 일 실시예에 따른 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치는, 이력 데이터베이스에 저장된 이력 데이터 및 I-공유 유사성(I-sharing similarity) 목록을 기반으로 적용 범위에 진입한 차량의 신뢰 값을 추정하는 신뢰 추정기; 및 상기 신뢰 추정기에 의해 추정된 신뢰 값을 저장하며, 서비스 요청 차량에 의한 서비스 요청이 있으면 저장된 상기 신뢰 값에 기초하여 신뢰할 수 있는 차량을 식별하고, 식별된 차량으로 비디오 데이터 요청 메시지를 전송하며, 수신한 비디오 데이터를 기초로 조감도를 생성하여 상기 서비스 요청 차량으로 제공하는 비디오 데이터 프로세서를 포함할 수 있다.

Description

차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치 {Context-Aware Trust Estimation Apparatus for Realtime Crowdsensing Services in Vehicular Edge Networks}
본 출원은 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치에 관한 것이다.
내장된 센서 및 컴퓨팅/통신 기능을 가지는 스마트 차량이 확산함에 따라, 운전자는 상황 인식을 향상시키기 위해 크라우드 센싱 기반 서비스를 받을 수 있게 되었다. 예를 들어, 차량은 장착된 카메라를 통해 교통 상황 및 교통 사고와 같은 주변 환경의 비디오 데이터를 획득하여 이를 다른 차량과 미리 공유할 수 있다. 그러나 악의적인 차량이 잘못된 정보를 전파하여 다른 차량을 다른 목적지로 이동시키거나 위험한 장소로 유도할 수도 있다. 이러한 악의적인 의도를 방지하려면 신뢰할 수 있는 크라우드 센싱 서비스 제공을 위해 공유 데이터의 신뢰성을 보장해야 한다.
이를 위해, 진실하지 않은 데이터를 걸러내는 대화형 진실 발견 알고리즘에 기초하여 크라우드 센싱 서비스의 신뢰성을 향상시키기 위한 신뢰 추정 기법이 제안된 바 있다. 그러나, 이 방식은 비디오 데이터를 분석하고 진실성을 유추하는데 시간이 걸리기 때문에 차량 에지 네트워크에서 "실시간" 크라우드 센싱 서비스에는 적합하지 않다. 현실적인 시나리오에서는 신뢰할 수 있는 크라우드 센싱 서비스를 위해 적절한 정보를 적시에 제공하는 것이 중요하다.
한편, 다양한 신뢰 기반 기술은 데이터 내용의 진실성을 검증하는 대신 데이터 소스의 신뢰성을 검증함으로써 중요한 시간적 요구 사항을 충족시킨다. 다른 차량 및 인프라의 의견을 기초로 대상 차량(즉, 데이터 소스)의 객관적인 신뢰(예를 들어, 평판)를 활용한다. 이러한 기술은 비디오 데이터 분석이 필요하지 않기 때문에 신뢰를 빠르게 설정할 수 있다. 이러한 간접적인 증거는 공공 도로(예를 들어, 고속도로)에서 종종 발생하는 대상 차량과의 직접적인 상호 작용 이력의 부족을 보완하고 알려지지 않은 차량에 대해서도 조기 신뢰 구축을 허용한다. 그러나, 운전자 차량에 대한 신뢰 조정 및 신뢰 추정 정확도의 저하를 초래하는 환경 상황(예를 들어, 날씨, 출퇴근 시간 또는 가시성)에 따른 운전자 행동의 잠재적인 동적 변화를 고려하지 않는다는 한계가 있다.
따라서, 당해 기술분야에서는 수 많은 알려지지 않은 차량이 존재하는 공공 차량 에지 네트워크에서 실시간으로 신뢰할 수 있는 크라우드 센싱 서비스를 지원하기 위한 방안이 요구되고 있다.
상기 과제를 해결하기 위해서, 본 발명의 일 실시예는 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치를 제공한다.
상기 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치는, 이력 데이터베이스에 저장된 이력 데이터 및 I-공유 유사성(I-sharing similarity) 목록을 기반으로 적용 범위에 진입한 차량의 신뢰 값을 추정하는 신뢰 추정기; 및 상기 신뢰 추정기에 의해 추정된 신뢰 값을 저장하며, 서비스 요청 차량에 의한 서비스 요청이 있으면 저장된 상기 신뢰 값에 기초하여 신뢰할 수 있는 차량을 식별하고, 식별된 차량으로 비디오 데이터 요청 메시지를 전송하며, 수신한 비디오 데이터를 기초로 조감도를 생성하여 상기 서비스 요청 차량으로 제공하는 비디오 데이터 프로세서를 포함할 수 있다.
덧붙여 상기한 과제의 해결수단은, 본 발명의 특징을 모두 열거한 것이 아니다. 본 발명의 다양한 특징과 그에 따른 장점과 효과는 아래의 구체적인 실시형태를 참조하여 보다 상세하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따르면, 도로 상의 차량에 대한 사전 지식 없이도 각 차량의 정확한 신뢰 값을 신속하게 얻을 수 있다. 즉, I-공유(I-sharing) 개념을 활용하여 알려지지 않은 차량과 정확한 신뢰 관계를 신속하게 구축함으로써 콜드 스타트 문제를 효과적으로 해결할 수 있다.
또한, 본 발명의 일 실시예에 따르면, 동적 신뢰 임계 값 조정 방법을 사용함으로써, 악성 차량의 탐지 정확도를 극대화할 수 있다.
이로써, 차량 에지 네트워크의 노변 기지국이 신뢰할 수 있는 출처의 정보를 선택적으로 사용하여 실시간 크라우드 센싱 서비스를 신뢰할 수 있는 방식으로 제공할 수 있게 된다.
도 1은 본 발명의 일 실시예에 따른 서비스 시나리오를 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치의 구성과 이에 의해 크라우드 센싱 서비스를 제공하는 흐름을 도시하는 도면이다.
도 3은 본 발명과 종래 기술의 신뢰 바이어스 측면에서 성능을 비교하여 도시하는 도면이다.
도 4는 본 발명과 종래 기술의 탐지 정확도 측면에서 성능을 비교하여 도시하는 도면이다.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 '연결'되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 '간접적으로 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 '포함'한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
본 발명의 실시예에 따른 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치에 대해 설명하기에 앞서, 본 발명이 적용되는 서비스 시나리오에 대해 설명한다.
도 1은 본 발명의 일 실시예에 따른 서비스 시나리오를 설명하기 위한 도면이다.
차량 운전자는 잠재적인 정체 또는 위험을 피하기 위해 도로 상황을 미리 알고 싶어할 수 있다. 이를 위해, 본 발명에서는 다양한 차량에서 수집한 비디오 데이터(예를 들어, 블랙박스 비디오 클립)를 사용하여 광범위한 도로에서 조감도를 제공하는 크라우드 센싱 서비스 시나리오를 고려할 수 있다. 여기서, 조감도는 운전자의 요구를 충족시킬 수 있으며 원활하고 안전한 교통 흐름을 지원할 수 있다.
이와 같은 크라우드 센싱 서비스를 제공하기 위해, 각 차량이 도 1에 도시된 바와 같은 서비스를 제공하는 에지 컨트롤러인 노변 기지국(Roadside Unit; RSU)과 통신 가능한 네트워크 모델, 즉 차량 대 인프라 네트워크 모델을 고려할 수 있다.
차량이 인근의 RSU로 조감도를 요청하면 RSU는 악성 차량의 비디오를 필터링하고 신뢰할 수 있는 출처의 비디오만 선택할 수 있다. 이러한 신뢰 기반 필터링 메커니즘은 구성된 조감도의 무결성을 보장하는데 중요하다. 악의적인 차량 탐지를 위해, RSU는 직접 및 간접적인 상호 작용 이력을 기반으로 각 참가 차량의 신뢰를 추정할 수 있다. 이후, 수집된 신뢰할 수 있는 비디오 데이터로부터 조감도를 생성하여 서비스 요청자 차량으로 전송할 수 있다.
상술한 바와 같은 시나리오에서 하기와 같은 역할을 식별할 수 있다.
1) 서비스 공급자(Service provider; SP): 서비스 요청을 수신하고, SR에 조감도를 제공하는 RSU
2) 서비스 요청자(Service requester; SR): SP에 서비스를 요청하는 차량
3) 데이터 제공자(Data provider; DP): 비디오 데이터를 캡쳐하여 SP로 전송하는 차량
다음으로, 하기와 같은 공격 행동을 고려할 수 있다.
1) 내부 공격: 악의적인 차량이 다른 차량을 오도하여 불편 및/또는 위험에 처하게 하거나, 다른 차량을 몰아 내기 위해 SP에 잘못된 데이터를 보낼 수 있는 허위 데이터 주입 공격을 고려할 수 있다. 이 공격 행동은 악성 노드의 비율(
Figure 112020042141525-pat00001
)과 하기의 알고리즘 1에서 악성 노드가 악의적인 행동을 보일 확률에 의해 제어된다.
2) 외부 공격: 외부 공격자는 정확한 신뢰 추정을 방해하기 위해 직접 및 간접 증거를 모두 수정할 수 있다. 기존의 평판 기반 신뢰 기법에서 간접 증거는 런타임에 동적으로 수집되므로 bad mouthing and ballot-stuffing (또는 good mouthing) 공격에 의해 수정될 수 있다. 또한 런타임에 동적으로 수집된 직접 증거는 외부 공격자에 의해 수정되어 허위 증거 주입 공격을 수행할 수도 있다. 이러한 외부 공격은 후술하는 바와 같이 본 발명의 실시예에 따른 외부 공격(Pa)이 발생할 확률에 의해 제어된다.
도 2는 본 발명의 일 실시예에 따른 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치의 구성과 이에 의해 크라우드 센싱 서비스를 제공하는 흐름을 도시하는 도면이다.
도 2를 참조하면, 본 발명의 실시예에 따른 크라우드 센싱 서비스는 중앙 엔티티(Central Entity; CE)(100), 서비스 공급자(SP)(200), 서비스 요청자(SR)(300) 및 데이터 제공자(DP)(400)를 포함하는 주요 엔티티를 기반으로 제공될 수 있다.
중앙 엔티티(100)는 차량 간의 I-공유(I-Sharing) 관계를 저장하고 복수의 SP(200)에 의해 주기적으로 계산된 I-공유 유사성(I-Sharing similarity)을 집계하는 원격 장치로서, 예를 들어, 클라우드 서버일 수 있다.
중앙 엔티티(100)는 서비스 공급자(200)로부터 요청이 있을 때마다 주어진 대상 차량에 대한 I-공유 차량 목록(즉, I-공유 유사성 목록)을 반환할 수 있다.
서비스 공급자(200)는 서비스 요청자(300)로부터 서비스 요청을 수신하면 데이터 제공자(400)의 신뢰 값(trust value)을 기반으로 신뢰할 수 있는 차량, 즉 DP(400)를 식별하고, 식별된 DP(400)로 비디오 데이터를 요청하며, 요청에 따라 수신한 비디오 데이터로부터 조감도를 생성하여 서비스 요청자(300)로 제공할 수 있다.
예를 들어, 서비스 공급자(200)는 RSU일 수 있으며, 본 발명의 일 실시예에 따른 상황 인식 신뢰 추정 장치에 해당하는 것으로, 신뢰 추정기(Trust estimator)(210), 비디오 데이터 프로세서(Video data processor)(220), I-공유 유사성 계산기(I-sharing similarity calculator)(230) 및 이력 데이터베이스 (History Database)(240)를 포함하여 구성될 수 있다. 다만, 이와 같은 상황 인식 신뢰 추정 장치의 구성 요소는 기능에 따라 구분되어 도시된 것으로, 2 이상의 구성요소가 하나의 프로세서에 의해 통합되어 구현될 수도 있다.
임의의 차량(즉, DP)(400)이 SP(200)의 적용범위에 진입하면, 신뢰 추정기(210)는 이력 데이터베이스(240)에 저장된 이력 데이터 및 I-공유 유사성 목록을 기반으로 DP(400)의 신뢰 값을 추정할 수 있으며, 비디오 데이터 프로세서(220)는 추정된 신뢰 값을 저장할 수 있다. 이와 같이 DP(400)의 신뢰 값을 사전 계산함으로써, SP(200)는 런타임으로 서비스 요청에 신속하게 대응할 수 있게 된다.
비디오 데이터 프로세서(220)는 SR(300)에 의한 서비스 요청이 있으면 사전 계산된 신뢰 값에 기초하여 신뢰할 수 있는 차량(즉, DP)을 식별하고 식별된 DP(400)로 비디오 데이터 요청 메시지를 전송할 수 있다. 또한, 비디오 데이터 프로세서(220)는 DP(400)로부터 비디오 데이터를 수신하면 이를 기초로 조감도를 생성하여 SR(300)로 제공할 수 있다.
또한, 비디오 데이터 프로세서(220)는 입력되는 비디오 데이터의 신뢰성 여부를 평가할 수 있으며, 평가 결과는 수탁자(trustee)에 해당하는 DP(400)의 신뢰를 갱신하기 위한 긍정적 또는 부정적 증거로 사용될 수 있다. 이 경우, 참가 차량 및 RSU의 인증을 위해 챌린지 응답 기반 인증 프로토콜이 사용될 수 있으나, 반드시 이로 제한되는 것은 아니다.
I-공유 유사성 계산기(230)는 차량 간의 I-공유 유사성을 주기적으로 계산하고 계산된 I-공유 유사성 값을 CE(100)에 업로드할 수 있으며, 백그라운드 프로세스로서 동작할 수 있다.
보다 구체적으로 설명하면, SP(즉, 신탁자(trustor))(200)가 신뢰할 수 있는 DP(즉, 수탁자)(400)로부터 비디오 데이터를 수집하기 위해 각 DP(400)의 신뢰 값은 다음의 수학식 1에 따라 계산될 수 있다. 즉, 각 DP(400)의 신뢰 값은 상황 c에 대한 직접적인 증거에 기초한 신뢰와 I-공유 유사성을 기초로 산출된 간접적인 증거에 기초한 신뢰의 가중합으로 계산될 수 있다.
[수학식 1]
Figure 112020042141525-pat00002
여기서, x는 DP이고, y는 SP이고, c는 현재 환경 상황이며, α는 간접적 증거에 대한 가중치이다. 또한,
Figure 112020042141525-pat00003
는 상황 c에 대한 직접적인 증거에 기초한 x에 대한 y의 신뢰이고,
Figure 112020042141525-pat00004
는 간접적인 증거에 기반한 x에 대한 y의 신뢰이다. 이러한 신뢰 평가는 후술하는 최적의 α를 사용하여 공격자에 의해 손상된 증거에 대한 내성을 극대화하기 위해 직접 및 간접 증거를 모두 고려할 수 있다.
Figure 112020042141525-pat00005
는 수학식 2에 따라 계산될 수 있다.
[수학식 2]
Figure 112020042141525-pat00006
여기서,
Figure 112020042141525-pat00007
및
Figure 112020042141525-pat00008
는 x의 상황 c에 대해 y에 의해 획득된 긍정적 및 부정적 증거의 양이다.
Figure 112020042141525-pat00009
는 수학식 3에 따라 계산될 수 있다.
[수학식 3]
Figure 112020042141525-pat00010
여기서,
Figure 112020042141525-pat00011
는 I-공유 차량의 신뢰 값이고, ρIS는 I-공유 유사성의 정도를 나타내고, n은 상호 작용 이력을 수집하는 I-공유 차량의 수이다. n의 경우 정확한 신뢰 추정을 위해 최적의 I-공유 친구 수(예를 들어, 7)를 선택할 수 있다.
I-공유 유사성은 DP와 다른 차량의 주관적 경험 간의 유사성 레벨을 의미한다. 이 유사성 값은 수학식 4에 의해 계산될 수 있다.
[수학식 4]
Figure 112020042141525-pat00012
여기서, x는 DP이고, v는 평가 대상 차량이며, C는 x와 v가 공유하는 동일한 환경 상황 집합이며, z는 I-공유 유사성을 추정하는 RSU이다. 환경 상황에 기초한 주관적 경험을 비교함으로써, 유사한 상황에서 DP의 행동과 유사한 행동을 보일 수 있는 I-공유 차량을 식별할 수 있다. 또한, 개인 정보 보호 문제를 피하기 위해, 날씨, 가시성 및 출퇴근 시간 등과 같은 운전자 행동에 영향을 미치는 비 개인적인 상황을 채택할 수 있다.
한편, 본 발명의 일 실시예에 따르면, 특정 차량이 악성인지 양성인지 판단하기 위해 신뢰 임계 값(ε)을 사용할 수 있으며, 악의적인 차량을 최대한 필터링하기 위해 ε을 동적으로 업데이트하기 위해, 동적 신뢰 임계 값 조정 방법을 사용할 수 있다.
시스템 부트스트랩 시작시 신뢰 값이 변동하여 불안정한 양성 및 음성 예측 값인 PPV 및 NPV가 표시될 수 있다. PPV와 NPV는 악성 차량 탐지의 정확도에 영향을 미치므로 ε 조정의 기초로 사용될 수 있다. 워밍업 효과를 제거하기 위해 동적 임계 값 조정은 PPV 및 NPV 변동 범위가 δ로 감소할 때까지 대기할 수 있다. 이 방법에 따르면, 신뢰 임계 값 조정은 주어진 시나리오에서 77개의 증거를 얻은 후 상당한 효과를 나타냄을 확인하였다. 신뢰 임계 값 ε은 수학식 5에 따라 재귀적으로 업데이트될 수 있다.
[수학식 5]
Figure 112020042141525-pat00013
PPV와 NPV는 탐지된 모든 긍정에 대한 참 양성(true positives)와 탐지된 모든 부정에 대한 참 음성(true negatives)를 추정하는 기존의 방법을 따를 수 있다. ε, β 및 γ는 [0; 1]사이의 실수이다. ε는 비디오 데이터의 유효한 분석을 위해 사전 정의된 시간 간격(예를 들어, 190 초)마다 조정될 수 있다.
상술한 바와 같은 본 발명의 실시예에 따른 상황 인식 신뢰 추정의 성능을 평가하기 위해 다음과 같은 실험을 진행하였다.
우선, 실험 설정에 대해 설명한다.
상호 작용 이력 데이터베이스를 생성하기 위해,
Figure 112020042141525-pat00014
로 표시되는, 악성 차량(vm)이 특정 상황 c에서 악성 행동(bm)을 나타낼 확률을 추정할 수 있다. 이 확률은 악의적인 행동을 모델링하는 악의적인 노드의 행동 시드 확률로 사용될 수 있다(즉, 악의적인 차량은
Figure 112020042141525-pat00015
의 확률로 악의적인 행동을 나타낸다).
2018 년 미국 교통 위반 통계에 따르면, 차량의 20%에서 가장 공격적인 운전 행동이 관찰된다. 이는 차량의 특정 비율만이 악의적인 행동을 나타내는 반면 다른 차량은 그렇지 않다는 것을 의미한다. 이러한 통계를 반영하고 현실적인 시나리오를 시뮬레이션하기 위해, 양성 차량의 행동은 악의적인 행동을 보일 확률이 적고(예를 들어,
Figure 112020042141525-pat00016
와 같이 네트워크 에러에 의해 야기되는 적은 확률만 허용), 악성 차량의 행동은 하기의 알고리즘 1의 실행 결과인 표 1을 기초로
Figure 112020042141525-pat00017
로 모델링할 수 있다.
알고리즘 1은 상황 c에서 vm이 생성한 데이터의 백분율
Figure 112020042141525-pat00018
에 대한 상황 c에서 악성 데이터의 백분율
Figure 112020042141525-pat00019
을 기초로
Figure 112020042141525-pat00020
를 추정한다. 모든 악성 데이터는 악의적인 차량에 의해서만 생성되므로
Figure 112020042141525-pat00021
는 상황 c에서 vm이 생성한 악성 데이터의 백분율로 사용될 수 있다(
Figure 112020042141525-pat00022
는 반대 상황을 나타낸다, 좋음 vs. 나쁨).
Figure 112020042141525-pat00023
및
Figure 112020042141525-pat00024
는 수학식 6에 따라 계산될 수 있다.
[수학식 6]
Figure 112020042141525-pat00025
여기서,
Figure 112020042141525-pat00026
이고,
Figure 112020042141525-pat00027
는 상황 c에서 생성된 데이터의 백분율이고, g는 상황 c에 대한 악성 데이터의 백분율이며, h는 상황 c에 대한 양성 데이터의 백분율이고,
Figure 112020042141525-pat00028
는 악성 데이터의 백분율이다. 오즈비,
ORC =
Figure 112020042141525-pat00029
,가 이들 확률을 결정하기 위해 사용될 수 있다. 동적 신뢰 조정 방법에서, 초기 ε은 악성 차량의 평균 신뢰로 설정될 수 있다.
Figure 112020042141525-pat00030
[표 1]
Figure 112020042141525-pat00031
표 1은 주어진 특정 상황에서 악의적인 행동을 나타내는 악의적인 차량의 확률을 나타낸다.
[표 2]
Figure 112020042141525-pat00032
표 2는 시뮬레이션 파라미터 및 이의 의미와 기본값을 나타낸다.
한편, 다양한 상황 정보를 포함하는 실제 트래픽 데이터 셋을 사용할 수 없으므로 특정 상황에서 악의적인 행동 bm을 나타내는 악성 차량 vm의 확률을 사용하여 합성 데이터 셋을 생성할 수 있다.
[수학식 7]
Figure 112020042141525-pat00033
자연스러운 행동을 위해, 각 운전자는 미리 정의된 무작위성 ρ의 정도까지는 행동 차이가 있는 것으로 가정할 수 있고, 이는 균등 분포에 따른 랜덤 변수이며, [-0.08, 0.08] 범위에서 각 운전자에게 할당될 때 임의로 선택될 수 있다. 구간 [-0.08, 0.08]은 95 % 신뢰 구간에서 오즈비(즉, ORC)를 변경하여 경험적으로 구할 수 있다.
다음으로, 성능 비교 대상이 되는 기술에 대해 설명한다.
1) 본 발명의 실시예에 따른 I-공유 기반 신뢰 모델(I-sharing-based trust model; ISTM)
2) 수학식 1에 따르는 평판 기반 신뢰 모델(Reputation-based trust model; RTM). 이 경우, 평판은 간접적인 증거로 사용되며, 수탁자(DP)와 직접 경험이 있는 다른 노드로부터 수탁자(DP)의 평판을 획득한다.
3) 직접 증거만 고려하는 직접 신뢰 모델(Direct trust model; DTM)(수학식 1에서 α = 0)
또한, 동적 신뢰 임계 값 조정 방법을 사용하거나 사용하지 않고 상술한 모델의 성능을 비교한다. 이 경우, 동적 신뢰 임계 값 조정 방법을 사용한 모델은 각각 ISTM-D, RTM-D 및 DTM-D로 나타낸다.
다음으로, 성능 지표에 대해 설명한다.
1) 신뢰 바이어스(TB)는 측정된 신뢰가 그라운드 진실 신뢰에서 얼마나 벗어나는 지에 따라 신뢰 추정 정확도를 추정한다. 이 지표는 그라운드 진실 신뢰에 대한 측정된 신뢰와 그라운드 진실 신뢰의 절대적인 차이에 의해 추정될 수 있다.
2) 탐지 정확도(AD)는 모든 평가된 차량(즉, TP + TN + FP + FN)에 대해 정확하게 검출된 차량(즉, true positives 및 true negatives)의 수에 의해 추정될 수 있다.
마지막으로, 시뮬레이션 결과에 대해 설명한다.
도 3은 본 발명과 종래 기술의 신뢰 바이어스 측면에서 성능을 비교하여 도시하는 도면이다.
양성 차량은 상황에 상관없이 대부분 양성 행동을 나타내므로 모든 비교 기술은 양성 차량의 신뢰도를 높은 정확도로 추정할 수 있다. 따라서, 본 발명의 실시예에 따른 I-공유 기반 신뢰 모델의 성능을 평가하기 위해, ISTM, RTM 및 DTM을 포함하는 3 가지 기술로 악성 차량의 신뢰를 평가할 때의 신뢰 바이어스를 평가하였다.
외부 공격이 없는 경우, DTM은 ISTM에 비해 성능이 좋을 때까지 약 16분이 필요하며 신뢰 바이어스가 0.1로 수렴될 때까지 ISTM에 비해 두 배 이상 소요된다. 이는 DTM이 알 수 없는 차량(즉, 수탁자)과 신뢰를 구축하는 데 콜드 스타트 문제가 있음을 의미하며, ISTM은 I-공유 차량에서 신뢰할 수 있지만 정적 간접 증거를 도입하여 이 문제를 해결함을 알 수 있다.
구체적으로, Pa = 0.1 (기본값)인 도 3의 (a)에서 다른 기술에 비해 외부 공격에 대한 ISTM의 복원력을 보여준다. 외부 공격은 직접 및 간접 증거를 모두 수정하므로 Pa가 증가함에 따라 모든 기술의 신뢰 바이어스가 증가한다. 그러나 Pa 증가의 부작용은 외부 공격에 의해 손상될 수 있는 증거(RTM에 대한 직접 및 간접 증거와 DTM에 대한 직접 증거 모두)에 의존하는 RTM과 DTM에서 더욱 두드러짐을 알 수 있다. 한편, ISTM은 정적이고 신뢰할 수 있는 간접적 증거를 활용함으로써 가장 뛰어난 성능을 보인다.
도 3의 (b)는 ISTM과 RTM 모두에 대해 변동하는 α 하에서 초기 30 분 동안의 시간 평균 신뢰 바이어스를 나타낸다. ISTM은 훨씬 더 작은 신뢰 바이어스를 생성함으로써 RTM보다 성능이 뛰어나며, α가 높을수록 (간접적 증거에 더 중점을 두어) 성능 차이가 커짐을 알 수 있다. 또한, 신뢰 바이어스를 최소화하는 최적의 α가 RTM보다 ISTM에서 더 높다는 것을 알 수 있다. 이는 I-공유 차량에 기반한 간접적 증거가 평판에 기반한 것보다 더 정확하다는 것을 의미한다.
도 3의 (c)는 신뢰 바이어스에 대한 외부 공격(Pa)의 영향을 보여준다. 특히 이러한 공격은 직간접 증거의 품질을 크게 떨어뜨린다. ISTM은 신뢰 바이어스 측면에서 RTM보다 월등히 뛰어나 RTM보다 높은 복원력을 제공함을 알 수 있다.
도 3의 (d)는 ISTM의 복원력을 조사하기 위해 다양한 α 및 Pa 범위에서 신뢰 바이어스의 3 차원 시각화를 보여준다. ISTM에서 직접 증거가 손상될 확률이 Pa = 0.3 인 경우에도 최적 α를 사용하는 ISTM은 신뢰 바이어스를 15 % 미만으로 유지하여 최적 신뢰 임계 값(ε)을 사용할 때 악의적인 차량을 효과적으로 탐지함을 알 수 있다.
도 4는 본 발명과 종래 기술의 탐지 정확도 측면에서 성능을 비교하여 도시하는 도면으로, 신뢰 평가가 시간에 따라 그리고 외부 공격의 다양한 심각도(즉, Pa)와 관련하여 AD에 어떻게 영향을 미칠 수 있는지를 보여준다. 여기서, 동적 신뢰 임계 값을 사용할 때 초기 신뢰 임계 값은 악성 차량의 평균 신뢰로 설정하였으며, 신뢰 관리 기술은 ε보다 신뢰도가 높은 차량을 허용한다.
도 4의 (a)에서는 동적 신뢰 임계 값 ε을 사용하거나 사용하지 않은 경우 시간에 따른 모든 기술의 성능을 비교한다. 모든 기술의 AD는 축적된 증거의 상당한 증가로 인해 시간이 지남에 따라 증가함을 알 수 있다. 특히, 동적 및 정적 신뢰 임계 값을 모두 사용하는 경우 ISTM의 성능이 현저하게 향상된다. RTM에서 Pa = 0.1로 직간접 증거가 손상될 확률이 있기 때문에 DTM의 성능은 시간이 지남에 따라 RTM의 성능을 능가한다. 워밍업 시간이 지난 후, 동적 ε을 사용하면 특정 시점 (예를 들어, 580 초, 770 초 등)에서 감지 정확도가 크게 향상되어 단계적인 증가를 보임을 알 수 있다. 이러한 동적 신뢰 임계 값은 ISTM-D 및 DTM-D에서 AD의 증가를 향상시킬 수 있다. 그러나 시스템 작동의 시작 단계에서 AD에서 DTM(또는 DTM-D)에 비해 ISTM(또는 ISTM-D)을 사용하면 상당한 이점을 볼 수 있다. ISTM(또는 ISTM-D)을 사용하면 축적된 증거가 부족한 시스템 부트스트랩의 시작시 콜드 스타트 문제를 효과적으로 해결할 수 있다.
도 4의 (b)는 모든 기술이 동적 임계 값 조정 방법을 사용할 때 외부 공격 확률(Pa)의 영향을 보여준다. Pa = 0 인 경우, ε 사용 효과가 최대로 표시되어 최상의 성능을 나타낸다. 본 발명의 실시예에 따른 I-공유 메커니즘에서 얻은 정적이지만 신뢰할 수 있는 간접 신뢰를 활용하는 ISTM-D는 외부 공격에 대한 최고의 복원력을 보여준다. 전반적으로 ISTM-D는 모든 경우에 비해 성능이 우수하다. 그러나, RTM-D 및 DTM-D의 AD는 Pa가 증가함에 따라(예를 들어, 0.3에서) 상당히 감소한다. 특히, RTM-D는 직접적인 증거와 간접적인 증거가 모두 손상될 수 있기 때문에 높은 공격으로 인해 높은 역효과를 나타낸다. 결과적으로 ISTM-D는 열악한 네트워크 조건에서도 악의적인 차량을 감지하여 경쟁 환경에서 높은 복원력을 보여준다. 또한, 신뢰 조정 방법은 환경 상황의 역학을 적절히 반영하는 최적의 신뢰 임계 값을 식별하는데 도움이 된다.
본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 본 발명에 따른 구성요소를 치환, 변형 및 변경할 수 있다는 것이 명백할 것이다.
100: 중앙 엔티티
200: 서비스 공급자
210: 신뢰 추정기
220: 비디오 데이터 프로세서
230: I-공유 유사성 계산기
240: 이력 데이터베이스
300: 서비스 요청자
400: 데이터 제공자

Claims (12)

  1. 이력 데이터베이스에 저장된 이력 데이터 및 I-공유 유사성(I-sharing similarity) 목록을 기반으로 적용 범위에 진입한 차량의 신뢰 값을 추정하는 신뢰 추정기; 및
    상기 신뢰 추정기에 의해 추정된 신뢰 값을 저장하며, 서비스 요청 차량에 의한 서비스 요청이 있으면 저장된 상기 신뢰 값에 기초하여 신뢰할 수 있는 차량을 식별하고, 식별된 차량으로 비디오 데이터 요청 메시지를 전송하며, 수신한 비디오 데이터를 기초로 조감도를 생성하여 상기 서비스 요청 차량으로 제공하는 비디오 데이터 프로세서를 포함하며,
    상기 신뢰 추정기는 환경 상황에 대한 직접적인 증거에 기초한 신뢰와 I-공유 유사성을 기초로 산출된 간접적인 증거에 기초한 신뢰의 가중합으로 상기 차량의 신뢰 값을 계산하는 것을 특징으로 하는 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 신뢰 추정기는 하기의 수학식
    Figure 112021022213131-pat00034

    에 따라 상기 차량의 신뢰 값을 계산하며,
    x는 데이터 제공 차량이고, y는 서비스 요청 차량이고, c는 현재 환경 상황이며, α는 간접적 증거에 대한 가중치이고,
    Figure 112021022213131-pat00035
    는 상황 c에 대한 직접적인 증거에 기초한 x에 대한 y의 신뢰이고,
    Figure 112021022213131-pat00036
    는 간접적인 증거에 기반한 x에 대한 y의 신뢰인 것을 특징으로 하는 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치.
  4. 제 3 항에 있어서,
    Figure 112020042141525-pat00037
    는 하기의 수학식
    Figure 112020042141525-pat00038

    에 따라 계산되고,
    Figure 112020042141525-pat00039
    및
    Figure 112020042141525-pat00040
    는 각각 x의 상황 c에 대해 y에 의해 획득된 긍정적 및 부정적 증거의 양인 것을 특징으로 하는 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치.
  5. 제 3 항에 있어서,
    Figure 112020042141525-pat00041
    는 하기의 수학식
    Figure 112020042141525-pat00042

    에 따라 계산되고,
    Figure 112020042141525-pat00043
    는 I-공유 차량의 신뢰 값이고, ρIS는 I-공유 유사성의 정도를 나타내고, n은 상호 작용 이력을 수집하는 I-공유 차량의 수인 것을 특징으로 하는 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치.
  6. 제 1 항에 있어서,
    상기 비디오 데이터 프로세서는 신뢰 임계 값을 사용하여 신뢰할 수 있는 차량을 식별하는 것을 특징으로 하는 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치.
  7. 제 6 항에 있어서,
    상기 신뢰 임계 값은 동적 신뢰 임계 값 조정 방법에 의해 동적으로 업데이트되는 것을 특징으로 하는 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치.
  8. 제 7 항에 있어서,
    상기 신뢰 임계 값은 기 정의된 시간 간격으로 하기의 수학식
    Figure 112020042141525-pat00044

    에 따라 재귀적으로 업데이트 되며, ε는 신뢰 입계 값이고, ε, β 및 γ는 [0; 1]사이의 실수인 것을 특징으로 하는 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치.
  9. 제 1 항에 있어서,
    상기 비디오 데이터 프로세서는 수신한 비디오 데이터의 신뢰성 여부를 평가하며, 평가 결과를 상기 비디오 데이터를 전송한 차량의 신뢰를 갱신하기 위한 긍정적 또는 부정적 증거로 사용하는 것을 특징으로 하는 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치.
  10. 제 1 항에 있어서,
    차량 간의 I-공유 유사성을 주기적으로 계산하는 I-공유 유사성 계산기를 더 포함하는 것을 특징으로 하는 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치.
  11. 제 10 항에 있어서,
    상기 I-공유 유사성 계산기는 하기의 수학식
    Figure 112020042141525-pat00045

    에 따라 I-공유 유사성을 계산하며,
    x는 데이터 제공 차량이고, v는 평가 대상 차량이며, C는 x와 v가 공유하는 동일한 환경 상황 집합이며, z는 I-공유 유사성을 추정하는 상황 인식 신뢰 추정 장치인 것을 특징으로 하는 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치.
  12. 제 1 항에 있어서,
    노변 기지국에 구비되는 것을 특징으로 하는 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치.
KR1020200049636A 2020-04-23 2020-04-23 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치 KR102261607B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200049636A KR102261607B1 (ko) 2020-04-23 2020-04-23 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치
PCT/KR2020/017092 WO2021215611A1 (ko) 2020-04-23 2020-11-27 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200049636A KR102261607B1 (ko) 2020-04-23 2020-04-23 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치

Publications (1)

Publication Number Publication Date
KR102261607B1 true KR102261607B1 (ko) 2021-06-07

Family

ID=76374024

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200049636A KR102261607B1 (ko) 2020-04-23 2020-04-23 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치

Country Status (2)

Country Link
KR (1) KR102261607B1 (ko)
WO (1) WO2021215611A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113947152A (zh) * 2021-10-20 2022-01-18 中国电子科技集团公司第三十研究所 一种基于行为认知的网络信任关系树生成方法
CN115865476A (zh) * 2022-11-29 2023-03-28 中南大学 一种基于参与者可靠度和任务匹配的可信数据感知方法
WO2024038986A1 (ko) * 2022-08-16 2024-02-22 한국과학기술원 차량 엣지 네트워크 기반 크라우드 센싱 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200023116A (ko) * 2018-08-24 2020-03-04 주식회사 아이티엘 차량 통신을 지원하는 무선통신 시스템에서 유니캐스트 및 멀티캐스트 통신을 수행하는 방법 및 장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9472097B2 (en) * 2010-11-15 2016-10-18 Image Sensing Systems, Inc. Roadway sensing systems
KR101837289B1 (ko) * 2016-05-10 2018-03-12 한국과학기술원 IoT 환경에서의 신뢰도 분석 방법 및 시스템
KR20170139234A (ko) * 2016-06-09 2017-12-19 성균관대학교산학협력단 차량통신에서의 메시지 전송 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200023116A (ko) * 2018-08-24 2020-03-04 주식회사 아이티엘 차량 통신을 지원하는 무선통신 시스템에서 유니캐스트 및 멀티캐스트 통신을 수행하는 방법 및 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Eva Zupancic et al., Data Trustworthiness Evaluation in Mobile Crowdsensign Systems with User's Trust Dispositions' consideration, 2019.01.29 *
Lei Liu et al., Vehicular Edge computing and Networking: A Survey, 2019.07.25 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113947152A (zh) * 2021-10-20 2022-01-18 中国电子科技集团公司第三十研究所 一种基于行为认知的网络信任关系树生成方法
WO2024038986A1 (ko) * 2022-08-16 2024-02-22 한국과학기술원 차량 엣지 네트워크 기반 크라우드 센싱 시스템
CN115865476A (zh) * 2022-11-29 2023-03-28 中南大学 一种基于参与者可靠度和任务匹配的可信数据感知方法
CN115865476B (zh) * 2022-11-29 2024-04-16 中南大学 一种基于参与者可靠度和任务匹配的可信数据感知方法

Also Published As

Publication number Publication date
WO2021215611A1 (ko) 2021-10-28

Similar Documents

Publication Publication Date Title
KR102261607B1 (ko) 차량 에지 네트워크에서 실시간 크라우드 센싱 서비스를 위한 상황 인식 신뢰 추정 장치
Kamel et al. Simulation framework for misbehavior detection in vehicular networks
Biron et al. Real-time detection and estimation of denial of service attack in connected vehicle systems
Zhang A survey on trust management for vanets
Gazdar et al. A distributed advanced analytical trust model for VANETs
Zhang et al. Trust modeling for message relay control and local action decision making in VANETs
US20240046796A1 (en) Methods and apparatus to validate data communicated by a vehicle
Mahmood et al. Trust management for software-defined heterogeneous vehicular ad hoc networks
Yang et al. Context-aware trust estimation for realtime crowdsensing services in vehicular edge networks
CN110445788A (zh) 一种车载自组网环境下面向内容的信任评估系统及方法
Ranaweera et al. Detection of anomalous vehicles using physics of traffic
Ranaweera et al. Anomalous data detection in vehicular networks using traffic flow theory
CN110139278B (zh) 车联网下安全型防御合谋攻击的系统的方法
Souissi et al. Towards a Self-adaptive Trust Management Model for VANETs.
US20210286878A1 (en) Method and system for stake-based event management with ledgers
Zhang et al. A Scalable and Effective Trust-Based Framework for Vehicular Ad-Hoc Networks.
Zhao et al. Fedmix: A sybil attack detection system considering cross-layer information fusion and privacy protection
Wang et al. BIBRM: A Bayesian inference based road message trust model in vehicular ad hoc networks
Rosenstatter et al. V2C: a trust-based vehicle to cloud anomaly detection framework for automotive systems
Agate et al. Reliable Reputation-Based Event Detection in V2V Networks
de Fuentes et al. WEVAN–A mechanism for evidence creation and verification in VANETs
Keshari et al. DoSRT: A Denial-of-Service Resistant Trust Model for VANET
Ahmed et al. Using logistic trust for event learning and misbehaviour detection
Meuser et al. Adaptive Decision Making based on Temporal Information Dynamics.
Fernandes et al. RS4VANETs-a decentralized reputation system for assessing the trustworthiness of nodes in vehicular networks

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant