文摘
在车载网络中,交换消息的可信度是非常重要的因为一个假消息可能导致灾难性的事故。在本文中,我们提出一个新方案来传播值得信赖的事件信息,同时减轻消息修改攻击和假消息代攻击。我们的计划试图压制这些攻击通过交换相邻车辆的信任级别信息,使用一个两步过程。在第一步中,每辆车试图确定信任级别,这称为真情流露的概率,相邻车辆。真情流露的概率估计基于相邻车辆的平均意见,我们应用一个新的聚类技术来减轻恶意车辆的影响在这个估计通过删除他们的意见作为离群值。一旦确定真情流露的概率,确定一个给定消息的可信度在第二步中通过应用修改阈值随机漫步(集团)的意见多数集团获得了第一步。我们比较方案与其他方案使用模拟几个场景。仿真结果表明,我们提出的方案错误决策概率很低,并且可以有效地传播值得信赖的事件信息在VANET相邻车辆。
1。介绍
车载网络预计将用于交通控制,避免事故,停车管理等等1]。车辆之间的通信安全需要小心应对由于车辆网络应用程序的安全需求2]。正在进行的研究有很多安全话题,旨在提供安全通信和验证数据来抵御恶意攻击。在车载ad hoc网络的一个主要问题(VANET)消息的信任,可用于安全VANET通信。有必要定期评估事件信息的可信度基于信任度量。一般来说,信任计算在静态网络相对比较简单,因为信任级别可以计算根据节点具有足够的行为的观察(3]。然而,消息信任计算在VANET是富有挑战性的,由于网络拓扑的转瞬即逝。
无线接入的车辆环境(波)协议是基于IEEE 802.11 p标准,提供了基本的无线电标准专用短程通信(DSRC)操作频率为5.9 GHz的(4]。车辆通信可以在基础设施领域实现vehicle-to-infrastructure (V2I)通讯或在特别领域vehicle-to-vehicle (V2V)通信。我们主要关注V2V通信因为路边单元(限制)1)不得在该国的一些地区在最初阶段的车辆通信基础设施的部署。车辆与其他车辆通过车载单元(下文)形成移动ad hoc网络,允许通信在一个完全分布式的方式(5]。我们注意到一些事件信息(例如,事故报告)需要快速、准确地传播,以最小的延迟。故障实时信息等及时、准确的传播可能导致间接伤害周边的车辆。
在车载网络的一些问题包括简单的路由问题和面向应用的问题,如女巫攻击和错误数据传播(6]。传统的声誉系统可能不会有效地工作在车载网络(7]。公钥基础设施(PKI)可能不可用车载网络的初始阶段部署期间到处都在一个国家,因为有些地区可能不是由于部署成本或预算问题。一般来说,加密算法验证消息可信度计算昂贵的。它可以防止一些类型的攻击从外部节点。然而,它不会防止恶意节点的网络,已经拥有所需的密钥,可能不适合V2V短暂的网络通信。我们的计划不使用加密和集中式服务器,,因此,它没有单点故障。大多数VANET模型假设系统已经启动并运行,所有车辆有一定的信任分数。然而,它是不容易知道车辆的可信度与这些车辆没有任何交互。在高度分布式车载网络,车辆可以加入和离开网络频繁8,9]。当一个新的汽车首次加入网络,没有信息。VANET所面临的一个挑战是,VANET的信任模型应考虑车辆的要求匿名。信任模型应该有最小的开销在计算复杂性方面,以及存储。信任模型应该健壮的以数据为中心的袭击和能够检测这些攻击(10- - - - - -12]。VANET安全框架应该是光,可伸缩、可靠和安全。
我们提出方案调查事件信息的可信度收到相邻车辆,是多个的证据。我们用真情流露的概率作为测量的可信度。车辆通过交流安全信息报告事件,如事故信息、安全警告,交通拥堵信息,天气报告,报告在路上的冰。在我们的方案中,所有车辆都假定伪身份(PID),这是独立节点的身份。每辆车广播事件消息相邻车辆的时间收集关于该事件的信息。每辆车维护邻国的信任水平在一个分布式的方式应对虚假信息的传播。我们引入一个增强——集群技术来减少恶意节点在信任水平计算的影响。我们使用一个修改阈值随机漫步算法与单一阈值对一个事件的发生做出最终决定,同时支持实时决策。我们专注于确定诚信事件信息的接收到的消息通过考虑报告从邻近车辆不同的真情流露的概率。
我们工作的主要贡献可以概括如下:(我)我们的方案可以提供值得信赖的信息的传播,因为每辆车作出决定单独信息收到消息的可信度,同时包含虚假信息的数据包。(2)因为所有的决策都是基于来自邻居车辆的信息,我们的方案可以infrastructure-less工作环境。(3)我们的方案可以更好的决定一个给定消息的可信度与一个简单的投票机制相比,自修改阈值随机漫步(集团)可以给更高的体重的舆论工具,这使得更真实比虚假陈述语句。
本文的其余部分组织如下。节2,我们将讨论相关工作。节3,我们提出一个值得信赖的VANET的事件信息传播方案。节4,我们使用仿真评估该方案的性能。部分5结论与未来的工作。
2。相关工作
了信任管理系统提出了VANET [13- - - - - -15]。信任管理系统评估你的邻居节点的信任值,以阻止他们与恶意节点交互。作者在16)提供一个定量和系统综述VANET的现有的信任管理方案。他们解决综合信任模型的概念,问题,和解决方案相关VANET的信任管理。有几个作品在信任管理方案基于基础设施框架和加密技术。信任管理方案可分为四类基于基础设施的使用和加密公钥基础设施(PKI)等措施,如表所示1。第一类代表了信任管理技术基于RSU和PKI等基础设施。在第二类,节点依赖基础设施不使用PKI信任管理。在第三类,每个节点处理问题基于PKI的消息可信度不使用任何设施。第四类,节点infrastructure-less环境中充分分散,操作,和他们不依赖PKI。
在第一类,信任管理系统是基于基础设施如RSU和PKI,可以有效地识别恶意节点与一些精度(17- - - - - -23]。然而,信任管理方案在这个类别可能不工作如果基础设施不可用。基于PKI的信任管理计算昂贵,不能防止VANET的内幕攻击,恶意节点已经收购了密钥(5,23]。一些研究人员使用群签名(GS)技术(17- - - - - -21)对消息发送者进行身份验证,并保证消息的完整性,如基于身份的群签名(IBGS) (18),GSIS (19),和基于身份的批量验证(IBV) (20.]。然而,GS计划通常基于PKI和消息发送方身份验证无法阻止合法节点发送恶意信息。
信任管理方案在第二类要求基础设施包括路边单位和中央权威不使用PKI (13,24,25]。方案,诸如信任和名誉轨道提案(旅行)24)和路边单元(RSU)和Beacon-Based信任管理(RaBTM) [25如果基础设施不可用)可能不工作。第三类,消息可信度的问题调查是基于PKI infrastructure-less环境(26- - - - - -29日]。在[27),作者提出了一种多维信任管理方法分散VANET环境使用四种不同的角色为不同类型的车辆。发送者需要进行身份验证本身接收者节点使用PKI验证彼此的角色在一个分布式的方式实现。然而,VANET面临着几个问题,部署PKI方案由于密钥分发在现实世界。
为了克服现有方法的局限性,一些研究者研究了信任管理不使用PKI infrastructure-less环境中,它对应于第四类(14,15,30.- - - - - -34]。信任管理方案等这一类的车辆临时声誉系统(var) [32)更适合分布式VANET架构。我们的方案也属于这一类,因为决定事件信息来自邻居节点的可信度是不使用PKI的infrastructure-less环境。
现有的信任管理系统是建立在特定的应用领域实现不同的以信任为基础的模型来提高intervehicular沟通。以信任为基础的模型可以分为三个主要类别。基于实体为基础,以数据为中心的,和混合信任模型(35]。基于实体的信任模型处理每个节点的可信度考虑对等节点的意见(26- - - - - -28,36]。在[24),作者提出了一种模糊方法的验证诚信从他们的邻居节点的使用反馈。然而,消息的可信度可能并不总是同意节点本身的可信度。因此,这个模型不能解决正确的信息可信度的问题。
另一方面,在以数据为中心的信任模型中,从邻居报道事件的可信度评估车辆,而不是实体的信任或者节点本身5,30.,31日,35]。在[5),作者使用了贝叶斯推理决策模块评估接收到的事件报告。但使用先验概率的推理模块,这是不容易获得由于VANET的动态拓扑。在[28),作者提出了一个信任模型称为轻量级的自组织信任(LSOT),其中包含信任基于证书和给出建议信任评估。然而,它没有区分一个节点的信任值和报道的消息。节点的可信度并不能保证消息的可信度值得信赖的节点可以发送虚假或错误的信息,如果攻击者妥协。在[30.),作者提出了实时消息内容验证计划(RMCV)在一个infrastructure-less模式。这个方案将信任分数赋值给一个收到的消息三个指标的基础上,也就是说,消息内容相似,内容冲突,和消息路由路径相似。消息的可信度是基于收集的最终信任分数的最大值的邻居节点。然而,这个方案不考虑高机动车辆和其时间复杂度很高。
因此,混合信任模型介绍,结合实体为基础,以数据为中心的信任模型来评估消息的可信度(32- - - - - -34]。作者在29日)提出了一个混合的信任管理机制称为Beacon-based信任管理(BTM)系统,构造实体信任从信标消息和数据计算信任表格内事件消息的合理性和信标消息。然而,他们的信任模型是基于PKI和数字签名,会增加开销,而签名和验证每个信标消息广播。
因此,我们试图克服现有方案的限制通过改善混合信任模型信息可信度。作为第一步,我们使用初始化步骤增强——聚类算法(IEKA)集群的车辆分为正常和恶意车辆组来确定每个邻居节点的可信度。第二步,我们使用一个修改阈值随机漫步(集团)算法来决定一个给定消息的可信度。因此,我们的方案是基于一个混合信任模型。尽管RMCV是基于以数据为中心的信任模型,它属于第四类,也就是说,信任管理方案需要公钥基础设施和基础设施,根据分类表1。因此,我们把我们的方案与RMCV计划。详细的比较和讨论了绩效评价部分4。
3所示。系统模型
每辆车收集足够的信息来评估消息的有效性和正确性。符号解释了本文中使用的参数和变量。
当一个事件发生时在路上,一辆车附近,事件发送安全事件信息, ,相邻的车辆。让我们假设车辆想知道真实的事件报告的车辆信息在图1。
车辆管理信息对 为每个邻居车辆 ,在哪里伪的身份吗th邻居车辆和是信任级别,真情流露的概率,车辆 。我们假设交通管理局预载的伪ID车辆在车辆注册登记,并且它应该周期性地更新。在VANET保持隐私,笔名应该随时间变化达到不可链接性,保护车辆的位置跟踪。只有特权当局允许跟踪或解决一个假名车辆的真实身份在特定条件下(37]。真情流露的概率()的比例是传播的真实事件报告车辆的数量发送的事件总数的报告在一个特定的时期。
3.1。提出了值得信赖的信息传播方案
大纲提出的方案来确定事件信息的可信度在收到消息算法所示1。车辆参数如伪ID (PID)和默认信任级别初始化开始。所有车辆定期广播信标消息和状态信息,如速度和位置相邻的车辆。如果没有事件触发,那么车辆将从邻近车辆收集信息。如果车辆遇到任何事件本身,那么它广播一个安全消息连同邻近车辆的信任级别,它知道。每辆车积累的信任级别相邻车辆基于收集到的安全信息。创建一个信任矩阵基于信任级别意见其他车辆。因此,信任矩阵管理每个相邻车辆的信任级别。有时,车辆行为不端通过发送虚假信息由于自私的动机变得更容易和更快的访问,或由于错误。防止这样的错误信息腐败的合法车辆的信任级别,我们使用聚类算法。我们提出的聚类算法试图独立的信任级别意见正常车辆恶意车辆从信任水平的意见。车辆将计算相邻的聚合信任级别车辆属于多数组正常的车辆从信任矩阵。它将更新信任矩阵使用平均的信任水平。然后,天合修改应用于知道事件已经发生。修改天合可以提供更好的决定事件信息的可信度给予较高的权重在真实的事件消息。事件信息的可信度验证后,事件消息传播到其他邻近车辆以及更新的信任水平。 If the event information contained in the message turns out to be untrustworthy, then the message is dropped.
|
||||||||||||||||||||||||||||||||||||||||||||||
当新车加入VANET,他们不可能有足够的信息来推断初相邻车辆的信任级别。我们需要一个信任水平引导程序分配一个默认信任级别这种情况(38]。信任级别,也就是说,真情流露的概率,范围从0到1。如果车辆没有任何车辆的信息吗 ,那么真情流露的车辆的概率在车辆被设置为0.5吗 。我们假定每辆车设置默认为自己真情流露的概率为1。
我们主要处理两种类型的消息:信标消息和安全消息。车辆定期使用信标广播和广告状态信息到周边车辆每隔100毫秒。发送方报告它的速度、位置等邻近车辆通过单跳通信与信标消息(39]。另一方面,支持车辆在路上的安全消息提供实时信息,以便可以采取适当的措施防止事故和拯救人生命的情况。安全消息包括不同类型的事件, ,如交通事故、交通堵塞,湿滑的道路,道路建设,由于大雾,能见度差和紧急车辆警告。车辆安全播出消息相邻车辆当他们在路上遇到的事件1]。消息有效负载包括车辆的位置信息,消息发送时间、方向、速度、和道路事件(19]。每辆车收集关于相邻的车辆在其通信范围内的信息。
我们建议的消息传播方案的一个优点是避免中央受信任的第三方信任积累在分布式车载网络环境。我们认为VANET没有限制等基础设施。车辆相互通信V2V模式使用DSRC [40]。这允许快速数据传输关键安全应用短250米范围内。一个基本的安全应用程序包含车辆安全信息,如速度、位置和其他参数,这些信息广播到邻近车辆(41- - - - - -43]。让我们考虑两种工具:和 。的真情流露的概率取决于车辆当传送事件信息是真实的。根据韦洛索等。44),更积极的体验与车辆 ,越高的信任将对车辆 。
让我们假设车辆有一个伪ID和广播一个安全警告消息 ,这是定义在(1),当事件 ,在哪里表示一个事件类型,检测到。如果车辆本身检测事件,那么安全广播信息的信任级别相邻车辆。如果从其他车辆车辆接收到一个安全的消息,它将积累的安全消息以及邻近车辆的信任级别。当车辆从车辆收集事件信息 ,它发现事件的消息的类型和位置。让事件消息是由 在哪里车辆的伪ID吗 , 消息生成时间,是事件的位置在哪里吗 ,和的位置是在时间 。
此外,每辆车定期广播信标消息定义为 ,在那里伪的ID吗 , 灯塔一代时间,的位置是 ,和的速度是 。
让信任级别,也就是说,真情流露的概率,车辆 。真情流露的概率被定义为真实事件报道的数量比汽车吗除以总数量的事件报告在一个特定的时间。让表示真实事件报道的总数,让表示事件的总数据车辆当前时间。然后,真情流露的概率是
一个值为接近1,表明可靠行为相应的车辆,而接近于零的值表示高倾向提供虚假信息(45]。
3.2。计算的信任水平的邻居车辆
当一个事件发生时,附近的车辆广播安全信息和额外的数据,如伪id和其他车辆的真情流露的概率。基于消息从邻近车辆安全,信任矩阵可以,在哪里是估计的由车辆 。信任矩阵管理每个相邻的真情流露的概率从其他车辆的角度。我们假设每个车辆设置自己的真情流露的概率为1。如果信任矩阵构造,聚合的信任级别,也就是说,真情流露的车辆的概率 ,从信任矩阵计算 在哪里是真情流露的概率的估计量的 。
3.2.1之上。真情流露的概率估计基于消息信息的正确性
如果我们能决定是否特定事件从车辆接收到的信息是正确的,这些信息可以用来估计更准确地报告车辆的真情流露的概率。可靠的信息关于一个特定事件可能从直接观察获得的一个事件,或宣布从公共和可靠的。
我们解释了真情流露的概率可以更准确地估计如果我们收集更多的证据来决定信息的正确性由给定的车辆。我们可以估计真情流露的概率 ,中定义的(2),基于最近的正确性消息从 。我们引入一个随机变量估计真正的数量在最近的报告报告的到来th报告 。然后,真情流露的概率可以估计 。我们试图估计从使用以下关系: 然后,我们可以证明 方法的真情流露的概率的假设一个消息的正确性是独立于其他消息的正确性。以期望(4),我们可以获得作为 通过求解递归关系(5),我们可以获得
因此,无论初始条件 ,我们有 , 从(6)。换句话说,我们可以这样说 方法的真情流露的概率渐近,我们使用的估计量 和关系(4)更新一些车辆的真情流露的概率时我们有一些证据来确定车辆信息的正确性。
3.3。聚类算法
如果没有证据来确定给定消息的真实性,那么真情流露的车辆的概率计算使用(3)。然而,恶意车辆可以修改的信任水平邻近车辆误导车辆在车载网络中。因此,我们需要一个聚类算法,可以单独的信任水平正常车辆从信任水平的恶意车辆。它可以减少恶意车辆的信任水平的影响正常车辆。在本节中,我们提出一种新的聚类算法来解决这个问题。
我们修改聚类算法的主要目标是异常值检测。我们修改聚类算法分类的信任水平(真情流露的概率)的意见车辆分成两组,一个正常车辆的信任水平的意见和其他恶意车辆的信任水平的意见。我们会选择大多数组和忽视少数群体相对应的异常值。
让我们假设一个事件发生在路上和事件附近的车辆位置发送事件消息连同信任级别意见邻居的车辆。车辆从邻居车辆收集关于特定事件的报告和管理其他车辆的信任级别意见如下。每个车辆维护一个排序的车辆列表(SVL),负责管理伪id的所有相邻车辆在一个升序,和车辆指数将分配基于序列的排序列表如表所示2。当一辆车需要传播自己的信任水平的意见邻国,它发送的信任水平的意见定义为 在哪里的伪ID吗邻居车辆的车辆和可能是设置为1,因为每个节点将信任本身。
如果接收信任水平的意见 ,然后更新自己的SVL通过添加的车辆 ,但不SVL。SVL更新之后,派生从接收到的作为 在哪里汽车的新索引吗根据其序列SVL和更新车辆的总数在SVL更新。当在收到同意′th伪SVL ID的更新,在被更新为
在这种情况下,总是大于或等于自适应所有的车辆 。如果> ,就意味着有一些伪SVL ID,而不是 。如果一个索引对应于这种伪ID,将被设置为0.5,因为这辆车吗不知道这辆车吗 。如果是派生的,那么信任通过添加的转置矩阵表更新吗随着′列。
如果每个车辆包括伪id和它知道的所有车辆的真情流露的概率在信任水平看来消息中定义(7由于此消息),然后交通开销可以大量。不过,我们可以减少开销的信息忽略琐碎的信息。例如,如果在是0.5,这意味着汽车吗不知道这辆车吗自0.5默认值被用来初始化真情流露的新车的可能性。在这种情况下,车辆不需要宣传这个概率因为这个默认值可以很容易地填满由邻居车辆根据上面提到的信任矩阵更新规则(7),(8)和(9)。路上的车辆可能会不知道彼此的信任矩阵表,因为他们不需要交换意见,如果没有事件的信任水平。因此,我们预期的政策忽略琐碎的信息可以大大降低交通开销由于信任级别的意见信息。
如果收集信任水平的意见 从其他车辆和事件信息可以构造信任矩阵 ,定义为
我们使用一个简单的例子来展示我们的提出的聚类算法表所示3和图2。表3显示了一个示例的信任矩阵中定义(10),当 。三列在表3对应点 , ,和在图2,分别。第一列的三个概率值表3对应于 , ,和 ,分别,这些值的估计 , ,和通过 。这个元组的概率值表示为点在图的三维空间2,每个轴代表 , ,和 ,分别。如果没有攻击者,所有车辆说真话,那么所有的点将接近对方。的信任水平的意见(' s)具有类似特征的可能形式相同的集群。如果攻击者说谎,那么相应的点会偏离多数集团和这一点可以称之为一个局外人。即使攻击者试图改变或给更高的信任水平通过共谋攻击,它可以发现作为一个局外人。让我们假设的观点表示说谎攻击者通过改变信任水平,如表所示3。聚类算法将单独的信任级别意见分成两组,一组与普通车辆信任级别(例如,和),另一组恶意车辆信任级别(例如,)。图2描述了一个可能的聚类算法的结果。最后聚合信任级别计算基于信任级别意见多数组对应使用(3)。最后聚合信任级别根据多数集团将用于更新车辆本身的信任级别。由此产生的信任水平是附加到消息在消息传播。
我们建议修改——聚类算法。的主要问题算法则是在初始化步骤中,我们引入一个增强集群技术则通过修改初始化步骤,叫做初始化步骤增强——聚类算法(IEKA)。我们使用IEKA集群信任水平的意见,同时减少恶意车辆对信任水平的影响其他车辆。我们提出的聚类算法可以更详细地描述如下。
生成一个信任矩阵后,IEKA分区的信任水平的意见(≤)组织 。我们指定是一套的向量;也就是说, 。我们只考虑两个集群方案。最初,我们把所有的数据点的平均值寻找一个独特的重心, 。
我们之间的欧氏距离计算和每个向量 。选择具有最大距离的点独特的重心;即选定点的最远距离唯一的重心。我们首先考虑这一点作为重心, ,为第一个集群:
同样,我们首先计算之间的欧几里得距离重心剩下的点并选择最大距离的点 。然后,这一点成为第二个重心, :
下一步,我们传统的运行——聚类算法,和被两个不同的组的重心。更新重心和通过计算每组的平均值。这给新重心和然后把每个数据点转移给了它最亲密的集群。我们将重复此过程,直到这两个重心收敛。拟议中的修改聚类算法在算法2。
|
||||||||||||||||||||||||||||||||||||||||
在集群使用算法2基于(11),(12)和(13),每个邻居车辆的聚合信任级别计算基于信任级别属于多数组的意见。我们假设恶意车辆的数量小于正常的车辆。天合聚合信任级别用于计算。在下一小节,我们将讨论决定使用TRW基于假设检验的事件。
3.4。事件的决定基于阈值随机漫步(集团)
连续的假设检验通常是用来确定一个特定的假设是正确或不根据连续的观察46]。顺序假设检验计划中,阈值随机漫步被用来检测扫描包的最小数量的观察,同时保证假阳性和假阴性(47]。因为我们感兴趣的是确定一个给定的消息是真是假,如果真正的消息构成的两个假设,那么阈值随机漫步可能适用于这个问题。阈值随机游走方案(47使用两个阈值,也就是说,一个上界和下界,决定当一个似然比达到阈值。然而,在这个阈值随机游走方案,我们不能知道所需的样本数量达到阈值。这意味着实时决策不可能如果我们不能收集足够数量的样本在短时间间隔。在本文中,我们使用一个修改阈值随机游走方案以确定一个给定事件的有效性,而解决这一问题的实时决策。我们解决这个问题通过应用阈值随机漫步用单一阈值而不是两个阈值。从今以后,我们将解释阈值随机漫步(集团)详细方案应用到我们的问题。
代表一个事件可以发生在路上。集群信任级别意见后使用IEKA邻居车辆,每辆车决定了事件的发生基于聚合信任级别表。聚合信任级别表由车辆pid、聚合的信任水平,和事件的观察,如表所示4。
在表4,报告收到了吗邻居车辆有关的事件 。事件代表一个事件的发生,代表不发生的事件 。我们需要一个规则做出决定关于事件的发生。我们假设的不同车辆之间的相互独立的。对于一个给定的事件,假设随机变量只能取两个值(0和1);也就是说,
在收集足够数量的报告,我们希望确定事件()真的发生使用顺序分析46]。
让我们考虑两个假设:一是零,另一个是另一种假说(例如,和),假设事件吗发生和假设事件吗没有发生, 。我们还假设条件的假设在哪里 是独立的。从真情流露的概率和的定义(14),我们得到 在哪里条件概率的观察吗 ,给定的假设 ,是 。然后, 成为真情流露的概率,, 变成了躺概率。为了做出及时的决定,我们收集报告样本邻居车辆在固定时间间隔 。让表示数量的报告样本收集在这个区间。瓦尔德的方法(46),我们使用收集的样本来计算似然比的报告
虽然天合计划(47)作出决定基于两个阈值上下界,我们使用一个阈值做出决定没有等待很长时间的问题。当阈值 ,决策规则如下:如果 ,然后接受假设 。如果 ,然后接受假设 。
在这篇文章中,阈值将被设置为1,真情流露的概率一个未知的车辆将被设置为0.5。当车辆收到报告信息,如果th报告来自车辆没有真情流露的概率信息, 自 。因此,该报告从未知的车辆不会影响的似然比(15)和(16)。此外,如果车辆的所有报告消息没有历史信息,然后的似然比(16)成为1,因此,它是公平的 ,因为它是不容易在这种情况下作出决定。
阈值随机漫步的优势相比,一个简单的投票方案可以用一个简单的例子描述如下。让我们考虑这样一种情况:一个事件是真的,和车辆接收5报告消息。其中,只有两个报告是真的,和其他三个说法并没有发生。如果我们做出决定基于一个简单的投票,决定将 。然而,如果我们应用阈值随机漫步考虑每个节点的真情流露的概率,这个决定可以是不同的,如下所示。如果两个节点声称的真情流露的概率是0.8和三个节点声称的真情流露的概率是0.6,然后中定义的似然比(16)成为
因此,我们将选择的假设根据上面提到的决策规则,因为计算似然比(17)小于阈值 。这意味着正确的决定是由该阈值随机漫步。这种优势来自于事实,似然比(16)给出了一个高权重高的车辆的意见真情流露的概率。
决定事件的实际发生后,车辆将接收到的消息转发给周边车辆(聚合信任水平)广播范围内,用哪一个 在哪里PID的车辆吗 ,将消息转发,的时间吗发送,表示信任水平对汽车的看法中定义的(7)。
3.5。攻击模型
我们考虑两种类型的攻击:消息修改攻击和假消息代攻击在VANET的环境中。图3显示了一个示例的消息修改和假消息代攻击。恶意车辆可能修改警告消息,不怀好意地或由于通信系统中的一个错误。在消息修改攻击,恶意的车辆可以在任何时候修改消息信息和伪造的参数。
(一)
(b)
在图3(一个)当意外事件发生时,在路上,在一次事故中车辆或车辆接近事故广播事故事件消息。后车发送其他车辆的事故报告,一个恶意的车辆修改消息和发送修改后的不出意外消息 ,中定义的(18),其他车辆的意图影响决策。同样,在一个假消息代攻击,恶意车辆生成一个错误的警告消息。例如,在图3 (b)(48),一个恶意的车辆可能发送一个消息到邻近车辆事故,即使没有这样的事件在路上,清除它希望采取的路线。在这种情况下,恶意车辆想说服其他车辆,发生了一个事件。在这种情况下,攻击者可能已经受损的一个或多个车辆和发射攻击邻近车辆通过生成一个假消息。我们假设恶意车辆的数量小于正常车辆的数量(12]。在模拟中,我们改变恶意车辆的数量从5%到50%的整体车辆评估方案的性能在一个敌对的环境。
4所示。绩效评估
4.1。仿真设置
我们的方案的性能是通过仿真评估的。我们使用网络仿真的车辆(静脉)框架版本4 a2 (49),这是基于OMNeT + + 4.6版(50),一个离散事件驱动的网络模拟器,模拟城市流动(相扑)版本22道路交通仿真51]。静脉连接OMNeT + +和相扑通过交通控制接口(TraCI)。静脉为IEEE 802.11 p网络提供了现实的模型。它为OMNeT提供了一组应用程序编程接口来连接相扑平台和动态信息相扑模拟对象的访问。相扑允许创建场景,包括现实的移动模式,如车辆运动和超越,以及车道改变。
德国埃朗根我们使用默认的地图,从地图的静脉框架大小为2500×2500对我们的模拟。我们评估方案在不同交通密度考虑不同的情况。当车辆到达路的边缘,车辆路由路径,能满足其他车辆期间多次模拟。汽车数量的增加线性时间从0年代到300年代的。平均车速变化从40 km / h在城市场景为高速公路场景110 km / h。总结了关键参数被认为是在我们的模拟表5。
我们考虑两个场景(城市和高速公路)通过改变参数,如速度、车辆密度、和比例的恶意车辆,如表所示6。恶意车辆的数量变化考虑车辆在实际模拟环境的流动通过调整车辆密度和车辆速度。我们假设正常的车辆和恶意车辆均匀分布在每个比恶意的道路车辆(52]。
4.2。仿真结果
在本节中,我们基于OMNet + +分析仿真结果。畅通的交通密度增加交通(5辆/千米2)拥挤的交通(100辆/千米2),车辆可以满足很多次了。总结了仿真场景表6。绩效评估,我们认为错误的决策概率和消息开销。我们的方案与其他方案相比,在不同的场景。为了评估我们的方案,我们认为消息修改攻击和假消息生成攻击一个接一个,而增加恶意车辆的数量从5%到50%在两个场景。正常车辆的位置和攻击者的初始分布是随机决定的。我们计算的平均概率的错误决策平均30模拟运行的仿真结果。决策被认为是一个错误的决策时,决策结果不同意的真实状态事件时的决定。换句话说,一个错误的决定概率是不正确的数量的比率决定的总数决定。
为了更新车辆的真情流露的概率基于给定的真相消息根据(4),我们需要确定的参数 ,也就是说,最近的消息的数量这将被认为是在这个评估。为了决定 ,我们运行20下模拟假消息攻击有30%的恶意车辆在高速公路场景中。我们计算的平均错误决策概率不同的值 ,和图4显示了结果。的价值概率增加,错误的决定往往会减少。错误的决策概率达到零 和较大的值不会改变 。因此,基于这个结果是固定15以后。
在图4,错误的决策概率高值低 。让我们考虑一个例子来解释更糟糕的性能降低的值 。让我们采取一个极端的例子 。然后,这意味着当收到一个信息 ,它决定了真情流露的概率只有基于最后一条消息,因为 。因此,如果发现最后一条消息是假的,那么认为的真情流露的概率吗是0,根据描述的更新规则(4)。另一方面,如果发现最后一条消息是真的,那么认为的真情流露的概率吗是1。因此,估计真情流露的每辆车的概率是0或1。然而,如果一个给定的车辆的真情流露的概率不同于0或1,那么这个(更新规则 )永远也找不到准确的真情流露的概率,因为真情流露的概率总是0或1根据更新规则。因此,可以显著不同于正确的真情流露的真情流露的概率概率低的值 ,特别是当 。
天合为我们的修改方案,我们需要确定一个最优值的消息集合时间达到一个好的决策正确性。我们运行几个模拟假消息代攻击有30%的恶意车辆在高速公路场景中。我们计算的平均错误决策概率对消息集合时间在仿真参数表中给出5。在稀疏的网络,我们收到消息低至五消息报告收集时间少于100毫秒导致高错误的决策概率。仿真结果如图5。随着报告收集时间间隔的增加,错误的决策概率降低,从800 ms,错误的决策概率并不减少了。在此基础上,我们设置的值1秒,这个值将被用于从今以后。
我们现在把我们的方案与其他方案:RMCV计划,一个简单的投票方案,TRW-only方案。RMCV面向信息的信任模型和方案的结果可信度值与每个收到相关消息。在RMCV方案中,我们认为诚信基于内容相似性的消息。消息可信度可能增加的消息内容不同车辆之间是相似的。在TRW-only方案中,我们使用修改后的阈值随机漫步做出决定的事件警告消息没有申请我们的提出的聚类算法。提出了几种投票方法来估计每个报告消息的可信度53- - - - - -55]。在简单的投票机制,每辆车收集固定数量的邻近车辆有关的警告消息事件,使多数人的意见后决定集团(55]。投票的方案,我们收集了15个消息做出决定,因为这是最优数量根据我们的模拟。
我们比较方案与其他方案的错误决策概率不同比率的恶意车辆信息修改攻击下高速公路场景如图6。我们可以看到,我们的方案收益率较低的错误决策概率比其他机制,即使恶意车辆数量的增加。简单的投票机制执行糟糕的四种方案。RMCV方案的性能接近TRW-only计划当恶意车辆比例很低。然而,它将显著下降相比,我们提出的方案作为恶意车辆比例增加。我们的方案有一个错误的决定时恶意车辆的比例是0%的概率是30%,高速公路场景。
我们比较方案与其他方案的错误概率决定下一个假消息攻击在高速公路场景如图7。我们考虑这样一种情况:攻击者产生关于假事件的消息。我们建议的方案产生更好的性能,RMCV相比,简单的投票,TRW-only方案与较低的错误决策的概率低于10%。RMCV和投票方案的错误决策概率超过40%时恶意车辆的比例增加到50%。在图7,错误的决策概率随着恶意车辆的比例增加而增加,趋势类似于图6。
我们比较方案与其他方案的错误决策概率信息下修改攻击在城市场景图8。我们的方案表现出更好的性能比其他方案。错误的决策概率不超过10%,我们的方案。然而,它TRW-only计划达到20%。RMCV和简单的投票方案表现出更高的错误决策概率相比,我们提出的方案。
我们比较方案与其他方案的错误概率决定下一个假消息攻击在城市场景图9。错误的决策方案的概率会增加当恶意车辆生成错误消息的密度增加,导致一个错误的决定概率略大于10%。在城市场景中,高密度的汽车和低速帮助攻击者所产生的虚假事件消息的传播。因此,错误的决定在这种情况下,概率是略高于公路场景。在这个场景中,RMCV和简单的投票方案表现出更高的错误决策概率与该方案相比,用一个类似于图的倾向8。
我们现在把我们的方案与RMCV方案的消息开销。我们认为情况没有恶意车辆是一个真实的事故。在图10,我们目前的仿真结果的消息开销对车辆的不同密度每平方公里城市和高速公路场景。消息开销成本由于额外的消息交换与周边车辆。消息的开销,随着车辆密度的增加,消息开销也增加了在这两种场景,如图10。一开始,当车辆密度很低,我们的方案已经消息开销低的方案不宣传新邻居车辆的默认信任级别;然而伪id在信任级别的意见对导致一些消息开销。我们可以看到的消息开销较高RMCV相比我们的计划在这两个场景,因为在他们的方案中车辆节点发送查询消息到邻近的车辆,然后接收响应消息关于事故的事件。相反,没有查询消息,但只有单向消息被发送报告在我们的计划。城市场景中消息开销的计划是略高于高速公路场景中,因为在城市场景中车辆的速度小于高速公路的场景,,因此,每辆车积累更多的消息,而高速公路场景。
我们也把我们的方案与RMCV的消息开销的恶意攻击车辆下假消息。车辆密度增加从1车辆平均每公里2每公里100辆2在整个模拟时间在城市和高速公路场景。我们运行几个模拟恶意车辆增加的比例从5%到50%在两个场景。我们计划从邻近车辆检测收集警告消息事件信息包含在收到消息的可信度。在这两种方案,消息开销随着恶意车辆的比例增加而增加,因为汽车积累更多消息由于恶意车辆的存在。不同比率的消息开销的恶意车辆如图11。我们计划有一个较低的消息开销相比RMCV计划在这两个场景。
5。结论和未来的工作
在本文中,我们提出了一个值得信赖的事件信息传播在VANET方案。我们决定和传播只有值得信赖的事件消息的邻居车辆。我们介绍了一个修改聚类算法则减少恶意车辆对信任水平的影响(即。,真情流露的概率)的其他车辆。换句话说,节点可信度的问题通过修改解决聚类算法则在我们提出的方案。在下一步中,消息可信度的问题解决报告通过修改天合信息收到邻居车辆随着节点可信度的信息。我们与RMCV方案相比,简单的投票,并通过模拟TRW-only方案。仿真结果表明,我们提出的方案有较低的错误决定的可能性比其他方案以及低消息开销相比RMCV方案。仿真结果还表明,我们提出的方案能有效应对信息修改攻击和假消息生成攻击只要良性的车辆的数量大于恶意车辆的数量。我们的计划有一个额外的优势,决定给定消息的可信度是在不使用PKI的infrastructure-less环境。
在本文中,我们假定恶意车辆道路上均匀分布。然而,这种假设可能不是有效的如果勾结恶意车辆移动作为一个群体来增加他们的影响力在附近的车辆。这样一个复杂的问题将更详细地研究未来的工作。
符号
| : | 伪ID的车辆 |
| : | 信任级别(真情流露的概率。)的车辆 |
| : | 事件的类型 |
| : | 事件消息 |
| : | 信标消息 |
| : | 转发消息 |
| : | 位置的事件 |
| : | 车辆的位置 |
| : | 车辆的速度 |
| : | 评估的信任水平车辆由车辆 。 |
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项研究的部分支持由基础科学研究项目通过韩国国家研究基金会(NRF)由教育部(2013 r1a1a2012006和2015 r1d1a1a01058595)和MSIT(科技部和ICT),韩国,在期(信息技术研究中心)支持程序(IITP - 2017 - 2016 - 0 - 00313)监督的IITP(信息与通信技术促进研究所)。