李 立,李曉東,任 剛

(1.鄭州成功財經(jīng)學院 信息工程系,鄭州 451200; 2.中國科學院軟件研究所,北京 100190)

0 概述

車輛自組網(wǎng)(Vehicle Ad Hoc Network,VANET)是一種以車輛作為通信節(jié)點的移動自組網(wǎng),設計思想是為每一臺車輛裝備無線通信設施,處于一定通信范圍內的各臺車輛之間可以通過無線設備交互各自的位置、車輛速度等傳感器感知的相關數(shù)據(jù),通過自組網(wǎng)進行多跳數(shù)據(jù)通信。這樣,司機可以獲取更多其他車輛的狀況信息以及實時路況信息,為安全駕駛和舒適駕駛服務。因此,車輛自組網(wǎng)在智能交通領域應用廣泛[1-3]。

與其他移動自組網(wǎng)類似,車輛自組網(wǎng)中的所有節(jié)點都可以自由進出網(wǎng)絡,而且由于車輛行駛速度更快,因此節(jié)點的進出更加頻繁,網(wǎng)絡的拓撲結構變化更快。所以,網(wǎng)絡通信的安全性非常值得關注,如何基于車輛收到的信息來辨別信息的真假是當前車輛自組網(wǎng)的研究熱點之一[4-6]。目前,常用數(shù)字簽名和公共秘鑰體系等策略來對信息進行校驗。如文獻[7]提出一種信任分類與動態(tài)管理方法,使用貝塔分布來描述節(jié)點的信任情況,基于貝葉斯理論構建信任模型,實現(xiàn)車輛自組網(wǎng)各節(jié)點的信任量化管理,提高網(wǎng)絡安全性。文獻[8]采用數(shù)字簽名技術對公共消息進行鑒別,并利用hash鏈對通信跳數(shù)信息進行保護,提高數(shù)據(jù)通信的安全性。文獻[9]采用公共秘鑰體系對節(jié)點地址進行加密和鑒別,防止惡意節(jié)點攻擊。文獻[10]提出一種基于序列號的誘餌檢測機制,通過誘餌檢測可以在路由發(fā)現(xiàn)階段孤立惡意節(jié)點,對抵御灰洞攻擊非常有效。事實上,網(wǎng)絡所遭受的攻擊或破壞主要是由網(wǎng)絡中的異常節(jié)點(包括惡意節(jié)點和故障節(jié)點)引起,因此,有效檢測網(wǎng)絡中的異常節(jié)點是提高車輛自組網(wǎng)網(wǎng)絡安全的前提。

為此,本文提出了一種面向車輛自組網(wǎng)的異常節(jié)點檢測機制?；贕reenshield模型對車輛自組網(wǎng)進行建模,計算車輛的速度、車輛密度和車流量參數(shù)。依據(jù)車輛自身計算的車流量與接收到的其他車輛計算的車流量的差異來定位異常節(jié)點,并采用假設檢驗方法對異常節(jié)點進行最終的判斷,以有效檢測網(wǎng)絡中的異常節(jié)點。

1 本文方法

本文提出的基于Greenshield模型的異常節(jié)點檢測機制主要包括2個部分:1)針對車輛自組網(wǎng)的應用需求,構造Greenshield模型,計算車輛速度、車輛密度和車流量參數(shù);2)采用假設檢驗方法設計異常節(jié)點檢測機制,檢測車輛自組網(wǎng)中的異常節(jié)點。

1.1 面向VANET的Greenshield模型

Greenshield模型[11]是交通工程領域公認的精確度較高的車流統(tǒng)計模型,可以用于對不間斷的交通(如沒有交通信號燈的交通)狀況進行建模。該模型使用的交通參數(shù)主要有2個:

1)車流量:即道路上每小時平均通過的車輛數(shù)量;

2)車流密度:即道路上每公里平均存在的車輛數(shù)量。

從該模型可以看出,車輛速度和車流密度是負相關的,隨著車流密度的提高,車輛的速度會降低。車輛速度v與車流密度k的關系可以表示為:

(1)

(2)

于是有:

(3)

在車輛自組網(wǎng)中,每臺車輛在與其他車輛進行信息交互時,可以獲取其他車輛的唯一身份標識(ID)信息。這樣,該車輛可以計算道路上處于該車輛通信范圍內的車流密度。此外,每臺車輛還可以依據(jù)從其他車輛獲取的車輛速度信息以及自身的速度信息,計算道路上處于該車輛通信范圍內的車輛平均速度。針對車輛自組網(wǎng)應用,本文依據(jù)車輛自身計算的車輛平均速度和平均車流密度來計算處于該車輛通信范圍內的車流量值:

(4)

在本文的異常節(jié)點檢測機制中,要求每臺車輛不僅將其位置和速度傳送給鄰居車輛,同時還要傳輸其計算的車流密度值和車流量值。相應地,本文異常節(jié)點檢測機制中的握手消息格式是在傳統(tǒng)的消息格式的基礎上增加了3個字段:車輛自身速度,車輛自身計算的車流密度值和平均車流量。消息數(shù)據(jù)m通過哈希變換得到H(m),然后采用車輛自身的密鑰進行簽名[14-15]。如何生成這些簽名以及驗證簽名本文不再贅述。需要指出的是在緊急情況下(如發(fā)生交通事故或前方車輛緊急制動),本文的異常節(jié)點檢測機制要求每臺車輛生成一個緊急消息,消息格式是在傳統(tǒng)的消息格式的基礎上增加了4個字段:緊急消息類型,車輛自身速度,車輛自身計算的車流密度值和平均車流量。其中,緊急消息類型字段可以是緊急制動、交通事故等。這些緊急消息由于對時效性要求很高,因此不采用加密方式傳輸,接收緊急消息的車輛應當迅速對消息做出反應。

結合上述討論,車輛自組網(wǎng)中的每臺車輛可以基于Greenshield模型,利用其他車輛計算的車流密度和平均速度信息來計算交通流參數(shù)。車流量參數(shù)可以看作是一個全局參數(shù),由每臺車輛自行計算。在交通條件相同的情況下,相鄰車輛計算的車流量參數(shù)應當十分接近。如果滿足這一條件,本文認為計算結果是正確的,否則認為計算結果是錯誤的。本文將基于這一思想來設計異常節(jié)點檢測機制。

該機制的設計思路是,在緊急情況下(突發(fā)事故或突然剎車),后面的所有車輛都將制動剎車,因此其計算的車流量以及自身車輛速度都應當下降。通過將這些降低的車流量值傳輸給后面的車輛,會導致后面車輛計算的車流量也下降。譬如,前方道路上發(fā)生了交通事故,距離交通事故很近的車輛接收到緊急消息后會緊急剎車,稍遠區(qū)域的車輛接收到了前方發(fā)生事故的消息后會準備采取剎車等行動,再遠區(qū)域的車輛獲取到了前方道路的堵塞信息之后,還不需要采取緊急剎車等行動,可能會采取繞路等行動。在本文的異常節(jié)點檢測機制中,不需要將堵塞警告消息采用洪泛方式廣播,而是逐步傳播此類消息。這樣,在緊急情況發(fā)生時,所有相關車輛都會降低其車流量和速度值并傳播給其他車輛。而對于偽造的緊急情況,只有個別車輛傳輸較低的車流量值或者速度值,那么這些異常車輛很容易被檢測出來。

每臺車輛可以按照式(4)計算一個車流量值qo,并將其傳輸給其他車輛。同時,每臺車輛都可以接收相鄰車輛所計算的車流量值,將其作為該車輛接收到的車流量值:

(5)

其中,n表示處于該車輛通信范圍內的車輛數(shù)量,i表示車輛的序號。

1.2 異常節(jié)點檢測機制

車輛自組網(wǎng)可能遭受的攻擊類型主要包括以下2類:

1)虛假信息攻擊:異常節(jié)點可能出于惡意目的或者設備故障的原因,將虛假數(shù)據(jù)插入到網(wǎng)絡中,這可能對網(wǎng)絡造成嚴重損害。在極端情況下,可能導致網(wǎng)絡癱瘓。異常節(jié)點可以偽造自身的速度值以及其計算的車流量和車流密度值,隨時將虛假數(shù)據(jù)插入到握手消息或者緊急消息中。譬如,在虛假的緊急消息中,異常節(jié)點將開始發(fā)送較低的車流量或突然降低其自身的速度,以告知其他車輛發(fā)生了交通事故。

2)女巫攻擊:異常節(jié)點可以啟動的另一類攻擊是女巫攻擊。當一個異常節(jié)點傳送多條消息時,每條信息都使用不同的ID,用于指示消息來自很多車輛而不是一臺車輛,從而可以通過造成堵塞來降低車流量。這些車輛ID可以通過欺騙或者竊取方法獲得。

針對上述2種類型的攻擊,本文提出一種基于Greenshield模型的VANET異常節(jié)點檢測機制,主動檢測車輛自組網(wǎng)中的異常節(jié)點,然后及時采取糾正措施以避免其對網(wǎng)絡的破壞。

為了訓練本文所述的異常節(jié)點檢測機制,需要給定一個正常情況下的網(wǎng)絡模型,這樣可以檢測偏離正常行為的異常行為,同時給出報警信息,告知其他車輛發(fā)生了異常行為。在前述的面向車輛自組網(wǎng)的Greenshield模型中已指出,每臺車輛都會計算平均車流量和車流密度,并將這些值以及自身的速度和位置發(fā)送給其他車輛。此外,每臺車輛按照自身的速度和前方交通狀況計算其自身所處區(qū)域的平均車流量信息。通過對比自身計算信息與接收信息的差異來檢測異常節(jié)點?；谶@一思路,本文的異常節(jié)點檢測主要包括2個部分:合作數(shù)據(jù)的收集和數(shù)據(jù)正確性的校驗。詳細描述如下:

1)合作數(shù)據(jù)收集

本文所述的異常節(jié)點檢測機制要求每臺車輛從其他相互通信的車輛消息中收集相關數(shù)據(jù),包括其他車輛的速度、位置以及其他車輛計算的車流密度值和平均車流量,然后基于Greenshield模型對其周圍的交通狀況進行建模。車輛之間相互合作,共享Greenshield模型的參數(shù)值。當一臺車輛從其他處于通信范圍內的所有車輛接收到參數(shù)值之后,每臺車輛就獲取了該區(qū)域內所有車輛的信息。因此,每臺車輛都可以計算一個車流量均值,記為μq。統(tǒng)計發(fā)現(xiàn),處于通信范圍之內的所有車輛計算得到的車流量均值μq相互之間比較接近,而且處于均值的2個標準偏差之內。這意味著,在通信范圍內的所有車輛計算的平均車流量值非常相似,因為它們都處于類似的交通環(huán)境。顯然,在所有情況下,所有車輛都要依賴于其他車輛來計算它們的參數(shù)值。當收集到足夠的數(shù)據(jù)之后,基于中心極限定理,這些數(shù)據(jù)近似服從正態(tài)分布(具體在仿真部分討論)。這意味著,本文可以采用假設檢驗方法來進行異常節(jié)點檢測。

2)數(shù)據(jù)正確性校驗

假設檢驗是工程應用中常用的一種技術,用于檢驗原假設和備擇假設哪一個是真的。假設檢驗方法可以給出一個置信度范圍,使得可以在一定置信度條件下來接受一個論斷。假設檢驗的基本思想是小概率反證法思想。小概率思想是指在一次實驗中,概率小的事件基本上不會發(fā)生。反證法思想是指,首先提出一種假設,然后用統(tǒng)計方法判斷該假設成立的概率值,如果概率值偏小,則認為假設不成立。該方式非常適合本文的異常節(jié)點檢測機制。在本文中,每一個節(jié)點都有2種可能,要么是信任節(jié)點要么是異常節(jié)點。當其為信任節(jié)點時,則接收其發(fā)出的數(shù)據(jù),否則拒絕其發(fā)出的數(shù)據(jù)。

考慮到處于通信范圍之內的所有車輛計算得到的車流量均值相互之間比較接近,經(jīng)過統(tǒng)計之后假定其方差是已知的,在這樣的情況下,本文采用u檢驗方法檢測異常節(jié)點發(fā)出的錯誤數(shù)據(jù)。u檢驗的檢驗統(tǒng)計量可以表示為:

(6)

示車輛自身計算的車流量的均值,σx表示接收到的車流量的標準偏差,由實驗統(tǒng)計結果得到,對于假設檢驗而言是已知的。

本文使用假設檢驗來決定是否接受接收到的車流量值。如果接收的車流量值在99%的置信區(qū)間,即在接受域內,那么接收這些車流量值。如果接收到的車流量值處于拒絕域內,那么拒絕這些車流量值。

假設通常有2個:原假設H0和備擇假設H1。如果原假設被拒絕,則接受備擇假設H1。如果沒有足夠的證據(jù)拒絕原假設,那么就接受它。本文原假設H0和備擇假設H1聲明如下:

H0:接收到的數(shù)據(jù)是正確的;

H1:接收到的數(shù)據(jù)是錯誤的。

在本文所述的異常節(jié)點檢測機制中,每一臺車輛都計算一個顯著性水平P,P越小,拒絕H0的概率越大。假設檢驗的錯誤類型有2種,如表1所示。在本文中,類型2的錯誤的危害性遠小于類型1。因此,本文使用寬泛的置信區(qū)間。水平值α設為0.05,這意味著檢驗統(tǒng)計量落在接受域的概率為1-α=95%。本文采用雙側檢驗,接受域的上限和下限分別為uα/2和-uα/2,即如果u0>uα/2或者u0<-uα/2,則拒絕H0。

表1 檢驗結論及錯誤類型

在本文中,對于選擇的任一節(jié)點,只要該節(jié)點為信任節(jié)點,其接收的車流量值都處于95%以內的置信區(qū)間。一旦發(fā)生異常行為,其值就會下降,同時會影響該節(jié)點所在區(qū)域的所有車輛,導致其所處區(qū)域的平均車流量值下降。但隨著標準偏差的增加,其值仍然會處于接受域內。只有2種情況會導致其值不在接受域、當檢測統(tǒng)計量u0小于-uα/2時,表示該節(jié)點沒有拒絕錯誤的阻塞或者事故的論斷;當檢測統(tǒng)計量u0大于uα/2時,表示該節(jié)點錯誤地接受了沒有阻塞或者事故的論斷。因此,本文所述的異常節(jié)點檢測機制可以依據(jù)檢測統(tǒng)計量的值來判斷錯誤信息屬于哪一類。

綜上所述,本文提出的異常節(jié)點檢測算法可以用以下的偽代碼表示。

While(接收到來自節(jié)點i的一條消息) do

計算自身車流量qo;

If(|qr-q0|

接受接收到的數(shù)據(jù);

更新車流量值;

Else

監(jiān)視節(jié)點A,統(tǒng)計Greenshield模型參數(shù);

計算檢驗統(tǒng)計量u0;

If(u0>uα/2或者u0<-uα/2)then

拒絕來自節(jié)點i的數(shù)據(jù);

標記節(jié)點i為異常節(jié)點;

發(fā)送消息給其他節(jié)點,告知節(jié)點i異常;

End if

End if

End while

簡要步驟描述如下:

1)當前車輛通過與處于其通信范圍內的其他車輛進行信息交互,收集合作數(shù)據(jù)。

2)當前車輛自身計算處于該車輛通信范圍內的其他車輛的平均速度和車流密度,再按照式(4)計算處于該車輛通信范圍內的車流量值。

3)判斷車輛自身計算的車流量值與接收到的車流量值之間的差異,如果兩者的差異小于設定閾值Tq,則接受接收到的數(shù)據(jù),并更新車流量值;否則,對發(fā)送該數(shù)據(jù)的節(jié)點進行監(jiān)視,采用假設檢驗方法進行數(shù)據(jù)統(tǒng)計。如果檢驗統(tǒng)計量處于拒絕域,則認為相應節(jié)點為異常節(jié)點,拒絕從該節(jié)點接收到的數(shù)據(jù),并發(fā)送消息通知其他節(jié)點,告知它們異常節(jié)點的ID。

2 仿真實驗與結果分析

為了評價本文所述的異常節(jié)點檢測機制的性能,本文采用開源的多協(xié)議網(wǎng)絡仿真軟件OMNET++進行仿真,將本文的節(jié)點檢測機制與文獻[9-10]所述方法進行性能對比。

首先介紹本文仿真所涉及的實驗參數(shù),見表2。

表2 本文仿真實驗參數(shù)

然后介紹本文的性能評價指標。本文采用真正率(True Positive Rate,TPR)和假正率(False Positive Rate,FPR)2個定量評價指標,分別定義為:

(7)

(8)

圖1給出了隨機選取的節(jié)點13在仿真時間100 s～200 s期間統(tǒng)計的車流量直方圖。由圖1可見,車流量基本服從正態(tài)分布,這說明,本文所述的異常節(jié)點檢測機制采用u檢測來判斷檢測統(tǒng)計量是合理的。

圖1 車流量直方圖

圖2、圖3分別展示了異常節(jié)點比例為10%和20%時3種方法的異常節(jié)點檢測結果。

圖2 異常節(jié)點比例為10%時的仿真結果

圖3 異常節(jié)點比例為20%時的仿真結果

結合圖2、圖3可以看出,在異常節(jié)點比例相同的情況下,本文所述的異常節(jié)點檢測機制的真正率指標明顯高于其他2種方法,同時,假正率指標也低于其他2種方法。這說明,本文方法對異常節(jié)點的檢出率高,發(fā)生類型1錯誤(即將異常節(jié)點判斷為信任節(jié)點)的概率低,這樣可以有效降低異常節(jié)點對網(wǎng)絡的攻擊和破壞。對比圖2和圖3還可以發(fā)現(xiàn),異常節(jié)點比例越高,本文方法的真正率指標優(yōu)勢越明顯。這說明,本文所述的異常節(jié)點檢測機制能有效應對惡劣的交通環(huán)境。

3 結束語

為抵御異常節(jié)點對車輛自組網(wǎng)的數(shù)據(jù)通信進行的攻擊,本文提出一種基于Greenshield模型的VANET異常節(jié)點檢測機制。該機制以車流量作為異常節(jié)點檢測的主要指標,依據(jù)相同交通環(huán)境下相鄰車輛計算得到的車流量應當基本相等的先驗知識,借鑒假設檢驗的思想,采用u檢驗方法對接收到的數(shù)據(jù)進行檢驗,判斷節(jié)點是否異常。本文所述的異常節(jié)點檢測機制的核心是面向車輛自組網(wǎng)的Greenshield模型構造以及結合u檢測的異常節(jié)點檢測方法。仿真結果表明,采用本文所述的異常節(jié)點檢測機制可以有效檢測車輛自組網(wǎng)通信中的異常節(jié)點。

[1] QU F,WU Z,WANG F Y,et al.A Security and Privacy Review of VANET[J].IEEE Transactions on Intelligent Transportation Systems,2015,16(6):1-12.

[2] LI J,LU H,GUIZANI M.ACPN:A Novel Authentication Framework with Conditional Privacy-preservation and Non-repudiation for VANET[J].IEEE Transactions on Parallel & Distributed Systems,2015,26(4):938-948.

[3] SHAO C,LENG S,ZHANG Y,et al.Performance Analysis of Connectivity Probability and Connectivity-Aware MAC Protocol Design for Platoon-based VANET[J].IEEE Transactions on Vehicular Technology,2015,64(12):1-11.

[4] EIZA M H,NI Q.An Evolving Graph-based Reliable Routing Scheme for VANET[J].IEEE Transactions on Vehicular Technology,2013,62(4):1493-1504.

[5] 羅 濤,李俊濤,劉瑞娜,等.VANET中安全信息的快速可靠廣播路由算法[J].計算機學報,2015,38(3):663-672.

[6] 楊 濤,孔令波,胡建斌,等.車輛自組網(wǎng)隱私保護研究綜述[J].計算機研究與發(fā)展,2012(S2):178-185.

[7] 吳啟武,劉青子.基于貝葉斯理論的VANET安全路由信任模型[J].四川大學學報(工程科學版),2015,47(2):129-135.

[8] MULERT J V,WELCH I,SEAH W K G.Review:Security Threats and Solutions in MANET:A Case Study Using AODV and SAODV [J].Journal of Network & Computer Applications,2012,35(4):1249-1259.

[9] JANGRA A,SHALINI,GOEL N.e-ARAN:Enhanced Authenticated Routing for Ad Hoc Networks to Handle Selfish Nodes[C]//Proceedings of International Conference on Advances in Engineering,Science and Management.Washington D.C.,USA:IEEE Press,2012:144-149.

[10] JHAVERI R H,PATEL N M.A Sequence Number Based Bait Detection Scheme to Thwart Grayhole Attack in Mobile Ad Hoc Networks [J].Wireless Networks,2015,21(8):1-18.

[11] XUE Y,REN H L.Greenshields Model Based Congestion Pricing in Bottleneck Road Section[J].Shandong Science,2013,26(5):84-90.

[12] PARAMESWARY S,ROSLI H M,CHE P O,et al.Influence of Darkness Dry and Darkness Rainfall on Malaysian Expressway for Traffic Characteristics Using Greenshield’s Model[J].Journal of Basic and Applied Scientific Research,2015,5(11):34-42.

[13] DUA A,KUMAR N,BAWA S.A Systematic Review on Routing Protocols for Vehicular Ad Hoc Networks[J].Vehicular Communications,2014,1(1):33-52.

[14] VERMA K,HAASBULLAH H,KUMAR A.An Efficient Defense Method Against UDP Spoofed Flooding Traffic of Denial of Service(DoS) Attacks in VANET[C]//Proceedings of IACC’13.Washington D.C.,USA:IEEE Press,2013:550-555.

[15] 王海龍,楊岳湘.基于信息熵的大規(guī)模網(wǎng)絡流量異常檢測[J].計算機工程,2007,33(18):130-133.