張 瑤

(長(zhǎng)安大學(xué) 信息工程學(xué)院,西安 710064)

相比于傳統(tǒng)的端到端通信協(xié)議無(wú)法適應(yīng)多跳、消息延時(shí)、網(wǎng)絡(luò)中斷等特點(diǎn),機(jī)會(huì)網(wǎng)絡(luò)[1,2](Opportunistic Networks,OppNets)可更好的適應(yīng)在特定極端網(wǎng)絡(luò)環(huán)境下的通信問(wèn)題.機(jī)會(huì)網(wǎng)絡(luò)是容忍延遲網(wǎng)絡(luò)[3](Delay Tolerant Network,DTN)和移動(dòng)自組網(wǎng)(Mobile Ad-hoc NETwork,MANET)下派生的網(wǎng)絡(luò),是一種在網(wǎng)絡(luò)延時(shí)或中斷條件下也能以不同的方式自組網(wǎng)的網(wǎng)絡(luò).不同于傳統(tǒng)的無(wú)線網(wǎng)絡(luò),它的節(jié)點(diǎn)位置和傳輸路徑事先無(wú)法預(yù)知,是利用節(jié)點(diǎn)間移動(dòng)形成的可通信的機(jī)會(huì)來(lái)實(shí)現(xiàn)消息之間的傳輸,所以形成了它特定的存儲(chǔ)-攜帶-轉(zhuǎn)發(fā)路由模式.機(jī)會(huì)網(wǎng)絡(luò)越來(lái)越多的應(yīng)用在軍事、車聯(lián)網(wǎng)[4](Vehicular Ad-hoc NETworks,VANET)等網(wǎng)絡(luò)環(huán)境和實(shí)際環(huán)境變化莫測(cè)的領(lǐng)域中,極大地推進(jìn)未來(lái)網(wǎng)絡(luò)通信的智能化與高效化發(fā)展.

雖然機(jī)會(huì)網(wǎng)絡(luò)的優(yōu)勢(shì)很突出,但正是因?yàn)槠涮赜械膫鬏敺绞?導(dǎo)致了信息在傳輸過(guò)程中可能會(huì)出現(xiàn)的諸多不確定性.因而為了保證節(jié)點(diǎn)在傳輸過(guò)程中不易被惡意侵襲并保持相互良好的信任關(guān)系,構(gòu)建一個(gè)可信的路由模型是解決上述問(wèn)題的基石.

目前,越來(lái)越多的學(xué)者正在對(duì)機(jī)會(huì)網(wǎng)絡(luò)中的可信路由模型進(jìn)行研究和完善.吳軍等[5]提出一種基于反饋可信度的可信機(jī)會(huì)路由轉(zhuǎn)發(fā)模型,結(jié)合機(jī)會(huì)網(wǎng)絡(luò)中的路由模型,防止共謀節(jié)點(diǎn)加入機(jī)會(huì)路由轉(zhuǎn)發(fā)候選集.張玲玲等[6]提出了一種WMNs 機(jī)會(huì)路由下弱可信節(jié)點(diǎn)共存機(jī)制,在保證網(wǎng)絡(luò)安全的前提下,對(duì)無(wú)線Mesh 網(wǎng)絡(luò)機(jī)會(huì)路由下弱可信節(jié)點(diǎn)的共存問(wèn)題進(jìn)行研究,提出一種基于舉報(bào)機(jī)制和馬爾科夫預(yù)測(cè)的弱可信節(jié)點(diǎn)共存機(jī)制.張光華等[7]提出一種基于博弈論的機(jī)會(huì)可信路由模型,楊震等[8]提出另一種基于博弈論的機(jī)會(huì)可信路由模型,該協(xié)議中,選擇下一條的最佳策略依賴于非零和合作博弈技術(shù),且考慮上下文信息與相應(yīng)節(jié)點(diǎn)到目的地的距離作為博弈的重要屬性.樊娜等[9]通過(guò)建立一種基于不確定性理論的節(jié)點(diǎn)信譽(yù)度混合評(píng)估模型,對(duì)信息源節(jié)點(diǎn)的可信程度進(jìn)行評(píng)估,結(jié)合信息源節(jié)點(diǎn)的信譽(yù)度,建立車輛節(jié)點(diǎn)行為可信決策機(jī)制.Mahdi 等[10]提出一種基于FPGA的神經(jīng)網(wǎng)絡(luò)在室內(nèi)環(huán)境下利用WSN精確估計(jì)老年人跌倒的距離,用來(lái)保障老年人的獨(dú)居生活.未來(lái)的車聯(lián)網(wǎng)信任體制,會(huì)越來(lái)越完善,惡意行為會(huì)隨著網(wǎng)絡(luò)信任體系的加強(qiáng)逐漸減少,可信路由模型也將更好的應(yīng)用于機(jī)會(huì)網(wǎng)絡(luò)等復(fù)雜多變的網(wǎng)絡(luò).

本文將通過(guò)建立一種基于反饋節(jié)點(diǎn)可信度的信任評(píng)估模型(Trust Evaluation model based on FeedBack node trust,TE-FB),并把該信任評(píng)估模型與經(jīng)典機(jī)會(huì)路由算法[11-13]中的Spray and Focus 算法相結(jié)合提出一種基于反饋節(jié)點(diǎn)信任度的可信路由算法,記為FB-SF模型.通過(guò)直接信任度和間接信任度的融合計(jì)算得出一個(gè)最終信任度,即為網(wǎng)絡(luò)中任意一節(jié)點(diǎn)在交互時(shí)的信任度大小,并依據(jù)此來(lái)判斷該節(jié)點(diǎn)是否可信.直接信任度采用傳統(tǒng)的貝葉斯概率理論,間接信任度利用節(jié)點(diǎn)間的反饋機(jī)制得出,最終的信任度合成則采用最簡(jiǎn)單的加權(quán)分配計(jì)算模式以盡可能的降低能耗.

1 信任模型

信任模型[14-16]的核心作用就是要讓模型適應(yīng)特定的實(shí)際環(huán)境,在本文研究的車聯(lián)網(wǎng)環(huán)境中,信任模型的作用就是盡可能大的規(guī)避惡意節(jié)點(diǎn)對(duì)網(wǎng)絡(luò)中的可信節(jié)點(diǎn)帶來(lái)的攻擊而導(dǎo)致車聯(lián)網(wǎng)信息數(shù)據(jù)傳輸?shù)牟粶?zhǔn)確性.計(jì)算節(jié)點(diǎn)的信任度,不僅要靠直接信任度還要靠間接信任度.信任模型的主要部分包括信任度計(jì)算,信任度和成及信任度更新3 部分.

1.1 直接信任

直接信任度DTmn根據(jù)傳統(tǒng)的貝葉斯先驗(yàn)分布特征,對(duì)未知節(jié)點(diǎn)的行為與節(jié)點(diǎn)的歷史交互記錄進(jìn)行結(jié)合考慮,得出一個(gè)節(jié)點(diǎn)后續(xù)可能出現(xiàn)的概率分布情況,以此為依據(jù)對(duì)節(jié)點(diǎn)后續(xù)的傳輸行為做出預(yù)判.在車聯(lián)網(wǎng)中,首先假設(shè)車輛節(jié)點(diǎn)m,n之間的交互行為是隨機(jī)產(chǎn)生且互不影響的,彼此相互獨(dú)立,則每次交互事件獨(dú)立同分布.定義其中兩節(jié)點(diǎn)交互總次數(shù)為N(成功交互Nc次,失敗交互Nf次),交互成功的概率為p,則節(jié)點(diǎn)m,n滿足二項(xiàng)分布:

其中,0 ≤p≤ 1,N為時(shí)間T內(nèi)的交互次數(shù)統(tǒng)計(jì),T為一個(gè)預(yù)設(shè)的時(shí)鐘.N≥ 0,Nc≥ 0,Nf≥ 0.利用分布函數(shù)估計(jì)事件發(fā)生的可信度,函數(shù)為連續(xù)函數(shù).

貝葉斯中的各節(jié)點(diǎn)初始狀態(tài)未有過(guò)交互行為,在[0,1]上滿足均勻分布,即可用貝葉斯求交互成功的后驗(yàn)概率.成功交互次數(shù)Nc與p滿足:

交互成功的后驗(yàn)分布為:

后驗(yàn)概率期望為:

由上述結(jié)果可知,節(jié)點(diǎn)的交互成功率與節(jié)點(diǎn)的可信度成正比.

1.2 間接信任

間接信任ITmn是利用可提供反饋信息的節(jié)點(diǎn)傳遞給預(yù)設(shè)節(jié)點(diǎn)的反饋值可靠度來(lái)判斷節(jié)點(diǎn)信任度的,與直接信任度類似,高反饋值節(jié)點(diǎn)將具有高的信任度與高的相對(duì)占比.通常情況下,交互越頻繁的節(jié)點(diǎn)之間反饋信息可信度越高.定義節(jié)點(diǎn)交互頻繁度IFmn為:

其中,s代表節(jié)點(diǎn)m,n交互的次數(shù),t代表m節(jié)點(diǎn)與周圍其他節(jié)點(diǎn)的交互次數(shù).其中其他節(jié)點(diǎn)范圍定義為以節(jié)點(diǎn)m,n連線為直徑的圓內(nèi)任意節(jié)點(diǎn).β是IFmn的平衡系數(shù),根據(jù)經(jīng)驗(yàn)多取值在0.4～0.7 之間.

頻繁的交互就可能導(dǎo)致相似節(jié)點(diǎn)出現(xiàn)的概率越大,節(jié)點(diǎn)之間相似程度趨于穩(wěn)定一致.定義節(jié)點(diǎn)相似程度SImn為:

其中,CDmn表示兩節(jié)點(diǎn)共同交易過(guò)后對(duì)某個(gè)節(jié)點(diǎn)的評(píng)價(jià)差值,其中共同交易過(guò)的節(jié)點(diǎn)集合也是以節(jié)點(diǎn)m,n連線為直徑的圓內(nèi)任意節(jié)點(diǎn).a為兩節(jié)點(diǎn)可接受的相對(duì)最大評(píng)價(jià)誤差,誤差來(lái)自于所有節(jié)點(diǎn)歷史交互中評(píng)價(jià)值最高節(jié)點(diǎn)與最低節(jié)點(diǎn)的相對(duì)誤差.

綜上,間接信任可表示為:

由上述結(jié)果可知,節(jié)點(diǎn)的交互頻繁度和相似程度都與節(jié)點(diǎn)的反饋信任度成正比.

1.3 信任度和成

機(jī)會(huì)網(wǎng)絡(luò)中,信任合成采用最簡(jiǎn)單的帶權(quán)求和以盡可能降低能耗,故任意節(jié)點(diǎn)的綜合信任Tmn定義為:

其中,0<η<1.通常情況下η是一個(gè)大概率事件,即相比于別的節(jié)點(diǎn),信任自己是相當(dāng)容易的.當(dāng)η為0 時(shí),信任度只與間接信任有關(guān);當(dāng)η為1 時(shí),信任度只與間接信任有關(guān).

1.4 信任更新

綜合信任度的大小決定該節(jié)點(diǎn)是否能繼續(xù)與下一個(gè)節(jié)點(diǎn)進(jìn)行交互.若綜合信任度滿足某一閾值,則表示交互成功的列表更新一次;若綜合信任度不滿足閾值,那么不進(jìn)行交互,則表示其他的列表更新一次.信任表更新如下:

其中,Tablenew表示的是更新后的信任列表,Tableold表示的是未更新的信任列表.

2 FB-SF 模型

可信機(jī)會(huì)路由實(shí)現(xiàn)方法主要包括節(jié)點(diǎn)的轉(zhuǎn)發(fā)機(jī)制,對(duì)待轉(zhuǎn)發(fā)的節(jié)點(diǎn)進(jìn)行信任判斷,安全選擇下一跳并進(jìn)行轉(zhuǎn)發(fā),最終消息傳達(dá)到目的節(jié)點(diǎn).

2.1 可信路由轉(zhuǎn)發(fā)機(jī)制

在機(jī)會(huì)網(wǎng)絡(luò)中,由于傳輸模式的不確定性,如何判斷節(jié)點(diǎn)的可信度是轉(zhuǎn)發(fā)成功的關(guān)鍵.

第1 步.節(jié)點(diǎn)初始化:系統(tǒng)產(chǎn)生M個(gè)模擬車輛節(jié)點(diǎn),都為非空的消息節(jié)點(diǎn),當(dāng)攜帶源數(shù)據(jù)的節(jié)點(diǎn)在遇到第一個(gè)其他節(jié)點(diǎn)時(shí),利用信任評(píng)估模型判斷這個(gè)節(jié)點(diǎn)是否可信.具體計(jì)算可由綜合信任度表達(dá)式一步一步獲得,具體過(guò)程如下.經(jīng)過(guò)多次交易以后,正常節(jié)點(diǎn)可以在每次交互后獲得一定的信任值,累加之后可在一段時(shí)間內(nèi)獲得較高的信任度,而且其他節(jié)點(diǎn)對(duì)其相似程度評(píng)價(jià)趨于穩(wěn)定一致性,優(yōu)先被選為可信轉(zhuǎn)發(fā)節(jié)點(diǎn),并判斷為可信節(jié)點(diǎn).而惡意節(jié)點(diǎn)在間接信任中因?yàn)榻换ゴ螖?shù)受限和節(jié)點(diǎn)間相似度不穩(wěn)定不一致導(dǎo)致信任度較低,在一段時(shí)間內(nèi)或被抵制清除.判斷兩個(gè)節(jié)點(diǎn)若都為可信節(jié)點(diǎn),那么這兩個(gè)節(jié)點(diǎn)進(jìn)行交互;若不可信,則初步判斷為惡意節(jié)點(diǎn).則不進(jìn)行數(shù)據(jù)轉(zhuǎn)發(fā),繼續(xù)在范圍內(nèi)尋找可信節(jié)點(diǎn).

第2 步.節(jié)點(diǎn)復(fù)制策略:被判斷可信的節(jié)點(diǎn)之間采用基于二分法的復(fù)制策略,可達(dá)到高效轉(zhuǎn)發(fā).具體來(lái)說(shuō)就是第一次復(fù)制后,擁有副本的可信節(jié)點(diǎn)在遇到新的可信節(jié)點(diǎn)時(shí)都將自己的一半副本分給新的節(jié)點(diǎn),直到擁有副本的可信節(jié)點(diǎn)達(dá)到一定的數(shù)目,且所有的可信節(jié)點(diǎn)中只保留剩余一個(gè)消息副本,復(fù)制結(jié)束.

第3 步.等待中繼節(jié)點(diǎn):若副本在復(fù)制階段沒(méi)有發(fā)現(xiàn)目的節(jié)點(diǎn),則每個(gè)攜帶副本的可信節(jié)點(diǎn)采用一種基于單復(fù)制的路由策略,等待效用較高的中繼節(jié)點(diǎn)將消息傳給目的節(jié)點(diǎn).具體的來(lái)說(shuō)就是消息根據(jù)預(yù)先設(shè)定的標(biāo)準(zhǔn)來(lái)轉(zhuǎn)發(fā)到不同的中繼,這樣可以避免節(jié)點(diǎn)在遇到新的節(jié)點(diǎn)后進(jìn)行盲目轉(zhuǎn)發(fā)而導(dǎo)致網(wǎng)絡(luò)資源的浪費(fèi).整個(gè)轉(zhuǎn)發(fā)機(jī)制如圖1所示.如果要選擇更高效的中繼節(jié)點(diǎn),則延遲將增加.

圖1 機(jī)會(huì)路由轉(zhuǎn)發(fā)機(jī)制示意圖

2.2 相關(guān)算法偽代碼

2.2.1 路由轉(zhuǎn)發(fā)機(jī)制

路由轉(zhuǎn)發(fā)機(jī)制的偽代碼如代碼1 所示.

代碼1.路由轉(zhuǎn)發(fā)策略輸入:nrofCopies輸出:copiesLeft.size Start Math.ceil Massage ← messageTransferred(id,from)if (isBinary)//receiving node gets ceil(n/2)copies nrofCopies ← nrofCopies/2.0 else//receiving node gets only single copy nrofCopies ← 1 return Massage//Create a list of message replicas if (copiesLeft.size()>0)Timer=0 getConnections ← copiesLeft//Get a list of message copies if (nrofCopies >1 &&nrofCopies=nrofRelay)copiesLeft.size++Timer=Timer+12 else return copiesLeft.size//Reduce the number of legacy message copies if (0

2.2.2 信任度計(jì)算與更新

信任度計(jì)算與更新過(guò)程如代碼2 所示.

代碼2.信任度計(jì)算與更新輸入:copiesLeft.size,node m,node n,Tableold,Trust threshold x輸出:DTmn,ITmn,Tmn,Tablenew,Node interaction Start copiesLeft.size(m,n)← 0 if m=n return else copiesLeft.size(m,n)update//Calculated confidence根據(jù)式(4),式(7),式(8)計(jì)算DTmn,ITmn and Tmn//Trust update根據(jù)式(9)更新Tablenew if (Tableold >x)Tablenew++else return

3 仿真實(shí)驗(yàn)

3.1 仿真工具

本研究使用ONE (Opportunistic Network Environment simulator)[17,18]仿真工具,模擬出一種智能交通系統(tǒng),分析了不同算法的3 個(gè)性能指標(biāo),即平均傳輸延時(shí)、成功投遞率和惡意節(jié)點(diǎn)檢測(cè)率,比較了FB-SF 模型和經(jīng)典路由算法基于不同預(yù)設(shè)值的優(yōu)缺點(diǎn).具體節(jié)點(diǎn)的仿真數(shù)據(jù)為默認(rèn)配置.如表1所示.

表1 默認(rèn)參數(shù)設(shè)置

車輛移動(dòng)模型有隨機(jī)移動(dòng)模型(Random Way Movement,RWM),基于巴士的移動(dòng)模型(Bus Movement,BM),基于地圖的移動(dòng)模型(Map Based Movement,MBM),基于地圖路由的移動(dòng)模型(Map Route Movement,MRM)和基于最短路徑的移動(dòng)模型(Short Path Movement,SPMB).各移動(dòng)模型的簡(jiǎn)介如表2所示.

為能模擬出更加真實(shí)的車輛行駛環(huán)境,我們選擇其中實(shí)用性最強(qiáng)且算法高效的SPMB 移動(dòng)模型作為仿真的默認(rèn)移動(dòng)模型.

表2 移動(dòng)模型及簡(jiǎn)介

3.2 模型相關(guān)參數(shù)評(píng)估

3.2.1 參數(shù)s占比

節(jié)點(diǎn)交互頻繁度的計(jì)算中,參數(shù)s代表的是節(jié)點(diǎn)m與最鄰近節(jié)點(diǎn)n交互的次數(shù),不同占比的s可能導(dǎo)致不同的交互頻繁度.不同的s占比與相應(yīng)節(jié)點(diǎn)交互頻繁度關(guān)系如圖2所示.

圖2 參數(shù)s 占比與節(jié)點(diǎn)交互頻繁度關(guān)系

3.2.2 誤差交易評(píng)價(jià)

在節(jié)點(diǎn)相似度計(jì)算中,兩節(jié)點(diǎn)共同交易后對(duì)某節(jié)點(diǎn)評(píng)價(jià)可接受的最大誤差a影響著不同節(jié)點(diǎn)的節(jié)點(diǎn)相似度.不同的a值對(duì)節(jié)點(diǎn)的節(jié)點(diǎn)間相似度影響程度如圖3所示.

由圖2可得,當(dāng)m節(jié)點(diǎn)與最鄰節(jié)點(diǎn)n交互的次數(shù)越來(lái)越多時(shí),交互頻繁度就越來(lái)越高,是因?yàn)楫?dāng)m節(jié)點(diǎn)與圓周范圍內(nèi)的節(jié)點(diǎn)交互時(shí),可能會(huì)有更多的自私節(jié)點(diǎn)或者惡意節(jié)點(diǎn)的存在導(dǎo)致節(jié)點(diǎn)交互失敗,交互頻繁度降低.因此,選擇高占比的s值可使節(jié)點(diǎn)交互更頻繁,節(jié)點(diǎn)間歷史交易記錄更多,節(jié)點(diǎn)可信度就越大.由圖3可得,隨著誤差評(píng)價(jià)增大,歷史交互節(jié)點(diǎn)數(shù)量增加,正常節(jié)點(diǎn)沒(méi)有不良?xì)v史記錄和高的反饋值所以節(jié)點(diǎn)相似度逐漸趨于高穩(wěn)定,惡意節(jié)點(diǎn)分為兩類可能出現(xiàn)的情況.A 類惡意節(jié)點(diǎn)之前有過(guò)交互行為,由于低的反饋值在出現(xiàn)短暫時(shí)間后相似度下降并趨于低穩(wěn)定,B 類惡意節(jié)點(diǎn)由于還沒(méi)有交互行為,所以在出現(xiàn)前期相似度不穩(wěn)定,但之后會(huì)因?yàn)榈头答佒刀瓜嗨贫瘸掷m(xù)降低最終達(dá)到低穩(wěn)定.但是正常節(jié)點(diǎn)的節(jié)點(diǎn)相似度一直高于惡意節(jié)點(diǎn),相似度越高,節(jié)點(diǎn)信任值越高.因此,選擇范圍內(nèi)盡可能大的評(píng)價(jià)誤差可以有效排除惡意節(jié)點(diǎn).

圖3 a 值與節(jié)點(diǎn)的節(jié)點(diǎn)間相似度關(guān)系

3.3 性能指標(biāo)

3.3.1 平均傳輸延時(shí)

傳輸延時(shí)是分組數(shù)據(jù)從源節(jié)點(diǎn)到達(dá)目的節(jié)點(diǎn)的時(shí)長(zhǎng),常采用平均傳輸延時(shí)評(píng)價(jià)路由性能.在機(jī)會(huì)網(wǎng)絡(luò)中,高延時(shí)被被允許存在,但減小延時(shí)可以更好的提高資源的復(fù)用率和網(wǎng)絡(luò)工作的效率.3 種算法的傳輸延時(shí)對(duì)比如圖4所示.

圖4 3 種算法延時(shí)對(duì)比

3.3.2 成功投遞率

成功投遞率是指在規(guī)定的時(shí)間內(nèi)成功接收的數(shù)據(jù)分組數(shù)占發(fā)送數(shù)據(jù)總量的比例.比例越高說(shuō)明數(shù)據(jù)的傳輸效率越高.成功投遞率是確定路由模型是否能正確投遞相應(yīng)分組據(jù)的重要指標(biāo).3 種算法的成功投遞率對(duì)比如圖5所示.

圖5 3 種算法成功投遞率對(duì)比

3.3.3 惡意節(jié)點(diǎn)檢測(cè)率

惡意節(jié)點(diǎn)檢測(cè)率是指一定量的正常節(jié)點(diǎn)數(shù)下,路由所能檢測(cè)的惡意節(jié)點(diǎn)數(shù)量占正常節(jié)點(diǎn)數(shù)的百分比.此性能的檢測(cè)依賴于仿真的運(yùn)行時(shí)間和正常節(jié)點(diǎn)數(shù)目.3 種算法的惡意節(jié)點(diǎn)檢測(cè)率對(duì)比如圖6所示.

圖6 3 種算法惡意節(jié)點(diǎn)檢測(cè)率對(duì)比

4 仿真結(jié)果分析

由圖4可知,當(dāng)車輛數(shù)大于50 時(shí),各算法的傳輸延時(shí)開(kāi)始出現(xiàn)明顯不同.Epdemic 算法由于泛洪機(jī)制而造成較大的延時(shí),FB-SF 模型在車輛數(shù)超過(guò)350 時(shí)由于大量計(jì)算信任值而造成相應(yīng)延時(shí),但總體來(lái)說(shuō)延時(shí)在可控范圍內(nèi).車輛數(shù)達(dá)到飽和時(shí),FB-SF 模型比Epdemic 算法的延時(shí)僅高約4%.

由圖5可以看出,3 種算法的成功投遞率在車輛數(shù)小于50 時(shí)并無(wú)明顯差別,當(dāng)車輛數(shù)大于100 時(shí).Epdemic算法的成功投遞率穩(wěn)定在0.145 左右,其他2 個(gè)算法的投遞成功率逐次上升.當(dāng)車輛數(shù)接近飽和時(shí),FB-SF 模型成功投遞率比Spray and Focus 算法提高了約4.6%并逐漸保持穩(wěn)定.

由圖6可得,隨著惡意節(jié)點(diǎn)占比越來(lái)越大,各算法的檢測(cè)率也依次下降.FB-SF 模型在面對(duì)惡意節(jié)點(diǎn)入侵時(shí)性能優(yōu)于Epdemic和Spray and Focus.FB-SF 模型增加了節(jié)點(diǎn)間反饋可信度與節(jié)點(diǎn)綜合信任度的度量,使節(jié)點(diǎn)間的信任權(quán)重分配更加合理,從而可以對(duì)惡意攻擊進(jìn)行有效檢測(cè).

5 結(jié)論與展望

本文在ONE 仿真平臺(tái)上實(shí)現(xiàn)了對(duì)兩種經(jīng)典路由算法和FB-SF 模型在不同車輛節(jié)點(diǎn)數(shù)下的成功投遞率、傳輸延時(shí)和特定環(huán)境下惡意節(jié)點(diǎn)檢測(cè)率三個(gè)指標(biāo)進(jìn)行研究與性能對(duì)比.研究結(jié)果表明:不同預(yù)設(shè)值對(duì)各路由算法均會(huì)產(chǎn)生不同程度的影響.FB-SF 模型在抑制惡意入侵方面有良好的表現(xiàn),對(duì)車聯(lián)網(wǎng)安全維護(hù)和車載數(shù)據(jù)傳輸提供了路由保障.但是缺陷還是有的,比如沒(méi)有考慮信任模型與其他經(jīng)典算法融合的效果.在今后的工作中,將把信任評(píng)估模型加在更多的路由算法中來(lái)對(duì)比同一個(gè)評(píng)估模型對(duì)不同機(jī)會(huì)路由的影響,結(jié)合車聯(lián)現(xiàn)狀和發(fā)展前景,提出更優(yōu)的信任模型來(lái)應(yīng)對(duì)更復(fù)雜的網(wǎng)絡(luò)環(huán)境,保障用戶和車載信息安全.