孟凡超++吳越

摘 要 隨著城市中的交通擁堵現(xiàn)象日益嚴重，動態(tài)路徑規(guī)劃的應(yīng)用逐漸受到人們的重視。然而，在車聯(lián)網(wǎng)中，路況信息的傳播缺乏信任機制，易引發(fā)攻擊。本文提出了一種以數(shù)據(jù)為中心的路況消息信任模型來驗證路況消息的真實性，并篩選出真實值。實驗結(jié)果表明，該模型能抵御惡意消息的攻擊，提升車輛的行駛效率，且時間復(fù)雜度低，無需引入額外信息進行信任判斷。

【關(guān)鍵詞】車聯(lián)網(wǎng) 動態(tài)路徑規(guī)劃 數(shù)據(jù)信任 信息中心網(wǎng)絡(luò)

道路和車輛交通已經(jīng)成為全球性公共安全問題，而作為智能交通系統(tǒng)重要基礎(chǔ)之一的車聯(lián)網(wǎng)（Automotive Network）的概念就是在這種需求背景下提出的。2003年的ITU-T汽車電通信標準化會議上，正式提出了車聯(lián)網(wǎng)的概念和體系架構(gòu)。

以車聯(lián)網(wǎng)為基礎(chǔ)的智能交通系統(tǒng)中，動態(tài)路徑規(guī)劃（Dynamic Routing）是智能交通中的一個重要應(yīng)用。車輛節(jié)點從車聯(lián)網(wǎng)中收集相關(guān)的路況信息，動態(tài)規(guī)劃車輛的行駛路線，從而躲避擁堵。大部分的路徑規(guī)劃應(yīng)用忽略收到的路況信息本身的真實性和有效性。因此，引入信任評價模型有助于增強車載網(wǎng)絡(luò)路徑規(guī)劃應(yīng)用的魯棒性。

本文提出了一種新的數(shù)據(jù)信任模型，通過使用數(shù)據(jù)進行信任評價，使得信任評價更加靈活。實驗結(jié)果表明，基于數(shù)據(jù)的信任模型可以有效檢測網(wǎng)絡(luò)中的虛假路況信息，提高了車輛的行駛效率，有效避免了交通擁堵。

1 相關(guān)工作

信息中心網(wǎng)絡(luò)的概念于2007年提出，隨后美國和歐洲都針對這一概念制定了一些網(wǎng)絡(luò)的標準。信息中心網(wǎng)絡(luò)是一種基于命名數(shù)據(jù)對象的未來互聯(lián)網(wǎng)體系架構(gòu)，它能提供高效可靠的信息分發(fā)通用平臺，通過將發(fā)送者和接受者的關(guān)系解耦，無需發(fā)送端和接收端同時在線即可完成所需信息的傳輸。節(jié)點設(shè)有本地緩存，提升了數(shù)據(jù)傳輸?shù)男屎头€(wěn)定性，使得信息中心網(wǎng)絡(luò)能夠更加高效和穩(wěn)定的傳輸。

2 基于數(shù)據(jù)的信任模型

2.1 路況消息

為了避免惡意車輛篡改其他車輛發(fā)出的消息，同時能夠在接收消息時辨明對方身份，我們引入身份密碼學（IBC）的概念，對路況消息進行簽名。本文中車聯(lián)網(wǎng)中的路況消息定義如下：

M={ vi ， lj ， ti，j ， Timestamp， Sign（m， Kpriv（vi））}

含義如下：Vi，車輛i；lj：路段j；ti，j：行駛時間；Timestamp，時間戳；Kpriv（vi），vi私鑰；Sign（m， Kpriv（vi））， 簽名。

2.2 信任評價流程

數(shù)據(jù)庫中存有路況信息。在更新前，路徑規(guī)劃應(yīng)用會對同一路段的數(shù)據(jù)進行信任評價，并選取最優(yōu)結(jié)果并尋路。本文提出一種基于K-Means的路況消息信任計算方式，流程如下：先從數(shù)據(jù)庫中讀取路段數(shù)據(jù)，并以最小值、平均值和最大值作為中心點，建立聚類集合，并計算每個數(shù)據(jù)到中心點的距離并歸類。之后，計算每個集合的均值，并與中心點的值比較：如果每個集合的均值與其中心點都相等，則結(jié)束，否則將中心點的值改變成均值重復(fù)以上步驟。

至此，將數(shù)據(jù)劃分為三個類。此后進行類合并，并計算集合中心點之間的差值比。若比值小于0.2，則將兩個集合合并，若差值比均大于0.2，則說明三個集合都保存了正確數(shù)據(jù)，則取平均值對應(yīng)的集合為正確。在合并集合后，計算各個集合中元素個數(shù)，取元素個數(shù)多的集合的均值更新。

在算法的資源消耗上，K-Means方式在時間復(fù)雜度上更低，由于使用迭代的方式，因此時間復(fù)雜度為O（Kn），其中K為迭代次數(shù)。

3 實驗

為了驗證這三種算法在車聯(lián)網(wǎng)環(huán)境中的效率，以及應(yīng)用算法后的有效性，我們使用模擬軟件對車聯(lián)網(wǎng)環(huán)境進行模擬。我們使用SUMO進行車輛交通的模擬，使用OMNeT++進行網(wǎng)絡(luò)的模擬，并使用Veins對交通仿真平臺和網(wǎng)絡(luò)仿真平臺進行交互。

實驗中的場景選用江蘇省南京市的市區(qū)地圖。實驗中共1000個車輛節(jié)點，其中600輛可通信，60輛可信車輛。400輛為未裝備車輛。

3.1 正確率分析

為了更好的分析三種算法的性能，我們引入理想投票和原始算法進行對比分析。

在惡意消息比例較低的情況下，由于DST引入了不確定性，會導(dǎo)致正確率下降，但在等待更多證據(jù)到達時，DST的正確率提高，也說明了DST在尋找正確消息的能力上比理想投票和原始算法要強。BI算法在惡意節(jié)點較少的時候正確率很高，面對惡意節(jié)點數(shù)量增多的情況時表現(xiàn)與DST等待較為相似。

對于K-Means算法，在惡意車輛率低的情況下錯誤率較低，當惡意車輛率增高時，算法正確率下降很快，因此惡意數(shù)據(jù)比例對于算法的正確率有較大的影響。

3.2 到達時間比

在應(yīng)用算法后，并不是所有的車輛的行程時間都有所減少。本文在40%惡意車輛占比條件下統(tǒng)計了應(yīng)用信任評價算法前后車輛行程時間比。比值小于或等于1表示車輛在經(jīng)過算法篩選信息后，行程時間得到了改善，否則表示行程時間有所延長。

實驗結(jié)果表明，在應(yīng)用了DST算法后，有84.6%的車輛的行程時間都得到了優(yōu)化，另外15.4%的車輛因為更新路線后發(fā)生了新的擁堵，行程時間受到了延長。對于BI方法，僅有59.9%的車輛的時間占比小于或等于1。對于K-Means方法，有71.9%的車輛行程時間有所改善，其中有44%的車輛時間比為1。

總體來說，三種方式都能夠篩選出大部分惡意信息，使得車輛免遭誤導(dǎo)且避開了擁堵，提升了駕駛體驗。

4 結(jié)論與展望

本文在仿真場景中，通過應(yīng)用信任評價算法，在不引入額外數(shù)據(jù)的情況下篩選出真實數(shù)據(jù)，達到了優(yōu)化車輛行程時間，緩解交通擁堵的目的。三種方式在處理路況消息的信任上各有優(yōu)劣：DST和BI方式對于少量數(shù)據(jù)的處理仍有較好的效果；K-Means方式在正確數(shù)據(jù)占比高的情況下效果很好，而且對于大量的數(shù)據(jù)能高效的進行處理。因此，當?shù)竭_數(shù)據(jù)量較少時（本文實驗場景中為20條以下）應(yīng)選用DST/BI方式，以獲得更高的準確率；當數(shù)據(jù)量較大時，用K-Means方式處理能獲得更高的效率。

總之，三種方式都能較好的對路況信息進行篩選，能夠有效的應(yīng)對網(wǎng)絡(luò)中的數(shù)據(jù)偽造攻擊，保障車聯(lián)網(wǎng)環(huán)境中的路況信息傳播安全。

作者簡介

孟凡超（1991-），男，上海交通大學，碩士研究生。主要研究方向為無線網(wǎng)絡(luò)安全。

吳越（1968-），男，上海交通大學，副教授，博士。主要研究方向為無線網(wǎng)絡(luò)安全。

作者單位

上海交通大學信息安全工程學院 上海市 200240