文摘

近年来,车辆临时网络(VANET)显著发展。车辆之间的协调可以提高行车安全,提高交通效率。由于VANET的高动态特性,安全已成为一个挑战性的问题。信任的消息在VANET安全的一个关键要素。本文提出一种基于曼哈顿距离的信任管理模型(MDBTM)在VANET的环境中解决问题在现有的信任管理研究,认为发送车辆之间的距离和事件的位置。在这个模型中,构建障碍的曼哈顿距离和数量计算了考虑发送车辆之间的运动关系和事件的位置。迪杰斯特拉算法用于预测概率最大的路径,当车辆驾驶事件的位置。消息分数然后计算基于曼哈顿距离和建筑的障碍。最后,分数是融合来决定是否信任该消息。实验结果表明,该方法具有更好的性能比类似的方法正确决定的概率在不同比例下的恶意车辆,不同数量的车辆,和不同的参考范围。

1。介绍

随着无线通信技术的发展和汽车工业,车辆的临时网络(VANET)已经取得了重大发展,提高行车安全,交通效率。智能交通管理已经意识到通过车辆的通信协作车辆(V2V),车辆基础设施(V2I),车辆行人(V2P)、云(V2C),车辆等等。VANET的应用场景主要包括安全应用场景和nonsafety应用场景(1]。这些应用程序是基于实体之间交换的消息。不过,安全在VANET的一个主要问题,以及如何保证这些信息的安全已成为一个重要的问题。虽然机制基于证书(2,3),签名(4],公钥基础设施(PKI) [5)已经存在的解决信息安全的问题,他们只能解决传输问题的消息不被恶意破坏,确保消息来自一个授权的车辆;他们不能解决消息本身(即的真实性。,消息)的信任。例如,恶意车辆可以广播信息,声称的道路不拥挤,但是交通事故或交通堵塞已经发生。这种恶意行为可能严重危害交通安全或效率。因此信息的信任是安全的一个关键要素(6]。如何有效地评估车辆发送的消息的信任已经成为一个重要的问题。换句话说,信任管理车辆发送的消息是非常重要的。

目前,许多研究集中在信任管理在VANET环境中,主要包括三种类型:entity-centric信任管理(7- - - - - -9[],以数据为中心的信任管理10- - - - - -15),并结合信任管理(16,17]。许多研究[7,10,11,13,14)考虑发送车辆之间的距离和事件的位置,表明这样的距离可以间接反映信息的信任。从事件越远,低信任信息的价值。然而,在这些研究中,距离的计算并不详细讨论。事实上,传统的欧氏距离不能反映实际的距离,当车辆在城市道路。此外,在城市道路上,可能有从发送工具构建障碍事件的位置。发送车辆和事件之间的视线位置是影响建筑的存在障碍。是否建立障碍存在,这可能导致完全不同的信任。然而,现有的信任管理模型没有考虑建筑的存在障碍。

曼哈顿距离是街区的距离,也就是说,从一个点到另一个实际的道路上。曼哈顿距离可以反映实际发送车辆之间的距离和事件的位置。同时,道路上的实际距离,建立障碍的数量也可以确定。因此,本文提出一种基于曼哈顿距离的信任管理模型在VANET (MDBTM)。在这个模型中,接收车辆首先计算曼哈顿距离和建筑在曼哈顿距离障碍路径的数量,然后计算分数基于曼哈顿距离和建筑障碍对于每个消息关于某个事件,最后融合所有的分数来计算其信任值来决定是否信任对接收到的消息的。

本文的贡献主要包括以下:(1)考虑到路上的车辆和欧几里得距离不能反映实际驾驶车辆的距离,计算的方法发送车辆之间的距离使用提出了曼哈顿距离和事件的位置。(2)本文提出一种信任管理模型,考虑到曼哈顿距离和建筑障碍的数量。(3)实验结果表明,该方法具有更好的性能比类似的方法正确决定的概率在不同比例下的恶意车辆,不同数量的车辆,和不同的参考范围。

剩下的纸是组织如下:部分2介绍了VANET的信任管理研究现状并分析存在的问题。部分3介绍了系统模型问题的形成。部分4介绍了MDBTM方案。部分5验证方案的有效性通过实验模拟。部分6总结了论文全文并提出了未来的工作。

2。相关的工作

目前,许多研究集中在信任管理在VANET环境中,主要包括三种类型:entity-centric信任管理、以数据为中心的信任管理和信任管理相结合。

entity-centric信任管理研究、信任的实体主要是研究和间接判断消息的信任值。Minhas et al。7)提出了一种信任模型,该模型考虑了其他车辆的诚信的代理。这个模型认为位置亲密,亲密,经验性和基于角色的信任,信任当聚合信息。Marmol et al。8)提出了一个轨道的信任和声誉模型。这个模型认为推荐值由其他车辆,限制和信任值计算车辆在最后一刻的信任信息的价值。Haddadou et al。9)提出了一个分布式信任管理方法使用就业市场信号模型激励自私节点之间更多的合作。

在以数据为中心的信任管理研究,重点是一致的判断接收到的消息。莱雅et al。10)提出了一个以数据为中心的信任框架。框架首先计算报告的信任级别相同的默认事件可信度,事件或特定于任务的可信度,动态信任因素,位置和时间,然后结合这些信任水平决定是否报道的事件发生。吴et al。11)提出了以数据为中心的信任建立在VANETs RSU-Aided方案。在这个方案中,RSU计算观测因素得到报告的信心(影响信心的因素之一是发送车辆事件位置)的距离和重量,然后整合观察因素和反馈因素通过蚁群优化算法来计算每个证据的信任级别。高隆et al。12)提出了信息化信任模型,考虑三个因素:内容相似,相似的路线,和内容的冲突。谢赫et al。13)提出了一个分布式intrusion-aware车载ad hoc网络信任模型在三个阶段。第一阶段计算每条消息的信心值基于位置亲密,亲密,位置验证,和时间验证,第二阶段计算信任值基于每条消息的信心。在第三阶段的决定。杨et al。14)提出了一个分布式信任管理方案基于区块链。首先,消息的可信度计算发送车辆之间的距离和事件的位置,和所有消息的可信度是通过贝叶斯推理融合生成一条消息评级。消息等级聚合计算信任值抵消,最后抵消值存储在区块链。陈等人。15)提出一个架构安全消息传输方法,该方法建模的实际传输路径信息网络确定正确的概率信息的决定。

在信任管理研究相结合,重点是实体的信任级别,同时的一致判断接收到的消息。陈等人。16)提出了一个beacon-based信任管理系统实体信任和数据考虑信任在同一时间。这个系统结构实体的信任信标消息和信任的计算数据反复核查事件消息的合理性和信标消息。李等人。17)提出了一个attack-resistant信任管理方案可以检测和应对恶意攻击和评估数据和移动节点在VANET的信任。

简而言之,当前信任管理的研究主要集中在信任的实体和消息内容的一致性。目前,在距离因素的研究表所示1的问题没有详细讨论计算距离的方法。本文提出了一种计算距离的方法来解决上述问题。该方法考虑了车辆在城市道路环境和情况下建筑物阻挡视线,这使得现有工作的不足。

3所示。系统模型和问题的形成

在这一部分中,本文首先介绍了系统模型包括网络模型、数据传播模型和攻击模型。然后简要描述了本文要解决的问题。

3.1。网络模型和数据传播模型

这个系统在城市道路环境中运行。车辆在路上已经通过VANET交流的功能。车辆在网络可以主动发送消息,与娱乐有关的或与安全相关的问题。本文认为与安全相关的信息。一个特定报告的内容被称为事件 ,在哪里用于区分事件类型,然后呢是事件的数量。例如,“是否发生了交通事故X位置”是一个事件,每个事件发生和未发生的两种情况,用1和0表示,分别。

车辆接收消息将决定是否响应消息,例如,通过改变驱动程序路径根据报告的消息。然而,由于存在恶意车辆,车辆将收到错误消息和需要管理信息的信任。城市的道路非常复杂。有很多汽车在路上。发送的消息通过车辆远离事件位置没有参考意义,增加了信任管理过程中计算量。因此,本文认为参考范围 。参考范围是一个圆形的区域集中在事件的位置,只有在这个范围内车辆发送的消息被认为是在计算信任信息的价值。特定的网络模型图如图1。

当车辆报告安全信息,不需要考虑目标车辆。因此,本文认为广播的方式来发送消息。除了事件的内容,传达的信息也需要车辆识别的传播和全球定位系统(GPS)的信息。信息传播属于车辆的隐私数据。为了保护他们的私人数据,数据在传输过程中进行加密和其他车辆必须授权访问它们。隐私保护的具体方法并不是本文的重点。请参阅[18- - - - - -21详情)。因为传播消息的速度比移动车辆的速度快得多,它忽略了时间传播消息从其他车辆的车辆。这个过程被认为是一个静态的网络(22]。因此,当车辆接收消息时,它可以认为消息是在目前的时刻。换句话说,不需要考虑如何在消息传播延迟导致事件的状态变化。

3.2。攻击模型

车辆在路上包括正常的车辆和恶意车辆。正常的车辆将发送真实的事件信息。然而,恶意车辆将发送虚假信息事件。

在VANET环境中,恶意车辆可以产生三种类型的威胁包括攻击解决安全通信,攻击解决安全应用程序,和攻击寻址信息娱乐应用程序。不同类型的威胁目标不同的服务,包括真实性、机密性、隐私、可用性、完整性和不可抵赖性(23]。本文主要解决的问题恶意车辆发射背叛攻击针对真实性;也就是说,vehicle deliberately sends false messages to affect the traffic safety.

车辆发送消息叫做源车辆,车辆接收消息叫做目标车辆。由于VANET的高动态特征,源和目标车辆可能无法直接沟通,和中继车辆可能需要转发的信息。因此,车辆影响目标车辆的可信度的判断包括车辆和中继车辆来源。换句话说,恶意车辆可能存在于源和中继车辆车辆。当源车辆恶意车辆,一个错误消息将被发送。中继车辆是一个恶意的车辆时,它将篡改之前收到的消息转发的内容,从而导致一个错误的消息。本文主要研究的影响距离信息的信任值和假设系统采用了证书和签名的方法,确保中继车辆不能篡改信息。因此,本文主要研究了源车辆是一个恶意车辆情况。

3.3。问题的形成

车辆在路上将发送安全消息。当目标车辆接收消息 ,它需要确定是否可信。假设是关于某个事件的消息 ,在哪里代表事件类型的数量。如果判断是立即收到一条消息,消息无法信任的价值判断,因为没有消息引用。因此,它需要等待时间然后使用接收到的消息的时间对事件作为参考消息集 确定消息是否可信。的是接收到的消息的数量,可以计算方程(1): 在哪里代表消息被发送的频率的车辆,代表的车辆数量的参考范围 ,和代表了等待时间。然而,如果车辆频繁发送消息,它可能会收到多个关于事件的消息从相同的车辆内时间。因此,有必要从引用删除重复消息集然后用剩下的消息作为最后的参考消息集 ,在这是信息的数量不同的车辆在参考范围内吗对事件 。

如果事件的报告在参考集是一致的消息吗 ,消息的信任值可以直接判断。然而,由于恶意车辆的存在,他们对某些事件可以发送虚假信息。当其他车辆接收消息事件 ,他们接收相互矛盾的消息,不能直接确定消息的信任值 。

曼哈顿距离和障碍可以间接反映消息的信任值。路上的车辆驾驶,所以实际的道路需要首先建模。实际的路道路网络由节点和路部分。因此,本文运用数据结构中的图模型实际的道路。图中,节点是由顶点,代表不同的两个节点之间的公路段的边缘图。城市道路节点是一个十字路口。它的基本属性包括节点标识符,节点经度,纬度和节点。两个节点之间的道路段是一条路。它的基本属性包括道路标识符,节点开始,结束节点,道路长度,是否能直接,它是否可以右转,或者是否能向左转。正向和反向道路段的属性不一定是相同的两个节点之间的加权有向图 是用来模拟实际的道路。重量值是特定属性值的道路段。摘要道路标识符是选为重量轻松对应道路段的属性。

通过以上方法,实际的道路可以建模,构建障碍的曼哈顿距离和数量可以通过结合计算车辆的运动状态。本文的研究目标是计算分数的消息 曼哈顿距离和建筑之间的障碍车辆发送消息的数量对事件和事件的位置。然后所有的分数都融合计算的信任值信息对事件用 。如果 然后消息可以信任;否则,消息是不可信的。 正式定义为

4所示。提出MDBTM

拟议中的MDBTM计划将在这一节中详细讨论。首先,根据事件收到报告的消息 ,参考消息集 获得,曼哈顿距离和建筑障碍的车辆的数量发送这些消息包括消息吗和消息米计算。然后计算分数的这些信息都是由曼哈顿距离和建筑障碍的数量。最后,所有这些分数都是融合计算的信任值的事件报告的消息 。也就是说,信任信息的价值 。

4.1。曼哈顿距离的计算

小镇的街道,经常在南部和北部的方向,东方和西方,曼哈顿距离从北到南的距离加上从东到西的距离。然而,实际的路是不一样的。节点的属性不同,这条路不能直走,左转或右转。曼哈顿距离计算,因此,有必要结合实际的道路。此外,发送车辆之间的运动关系和事件的位置是不同的,这将导致不同的曼哈顿距离。因此,在计算曼哈顿距离,还需要考虑运动的关系。

有三种类型的运动关系:开车离开事件的位置,不传递事件的位置,开车向事件的位置。

开车离开事件地点:如果车辆通过事件位置车辆历史轨迹信息的基础上,该运动的关系是开车离开事件的位置。曼哈顿距离可以从历史轨迹信息获得的车辆。历史轨迹信息可以获得RSU也是隐私数据的车辆。为了保护它,数据在传输过程中进行加密和其他车辆从RSU必须授权访问它们。

不传递事件位置:如果车不经过事件位置基于历史轨迹信息的车辆和车辆的运动方向是远离事件位置、运动关系不是传递事件的位置。在这种情况下,我们认为,这辆车不会通过事件位置或概率很小,所以曼哈顿距离是无限的。

开车向事件位置:如果车辆没有通过事件位置基于历史轨迹信息的车辆和车辆的运动方向是接近事件的位置,开车向事件位置的运动关系。在这种情况下,车辆可能会或可能不会通过事件的位置。因此,有必要预测车辆是否会通过事件位置基于GPS信息发送车辆和实际的道路。

曼哈顿流动模型是一个模型,模拟车辆在城市道路的运动。在这个模型中,车辆到达十字路口时,它将直接概率为0.5,左转或右一个概率为0.25 (24]。如果车辆是不允许直走,向左转,或在十字路口右转,选择相应的概率将同样对其他选项。例如,如果不允许一个十字路口向左转,然后它会直接概率为0.625,概率为0.375时,右转车辆到达交叉路口。可以看出,该模型可以描述的运动车辆在城市道路的十字路口。因此,本文运用此模型预测和实际道路车辆通过的概率事件的位置。从车辆事件可能有多条路径的位置。本文选择概率最大的路径计算曼哈顿距离。

总之,计算的流程图的曼哈顿距离发送车辆和事件位置如图2。

以下4.4.1。汽车的运动方向

汽车的运动方向包括接近事件位置和远离事件的位置。车辆的位置可以通过GPS信息。假设发送车辆位于 在以前的时间这车 在当前时间和事件发生在 。所以,运动车辆的方向向量 ,和向量从当前位置事件位置 。定义向量之间的夹角和向量作为θ。如果 ,也就是说, ,汽车的运动方向是接近事件的位置。如果 ,也就是说, ,汽车的运动方向是远离事件的位置。的是计算

如图3,当车辆从位置位置B,车辆的运动方向向量之间的夹角和向量从当前位置到事件位置小于 ,所以汽车的运动方向接近事件的位置。当一辆汽车从位置位置B′′,车辆的运动方向向量之间的夹角和向量从当前位置到事件位置大于或等于 ,所以汽车的运动方向是远离事件的位置。

4.1.2。以最大概率的预测路径

可能有多条路径车辆从当前位置到事件的位置。基于曼哈顿流动模型和实际道路,本文预测的路径与车辆通过的最大概率事件的位置。

首先,加权有向图 基于曼哈顿流动模型和实际道路建立记录的所有路径发送车辆从当前位置到位置和转移概率的事件在十字路口。在加权有向图 ,顶点是道路段在实际的道路模型,和边缘表示从一个道路段转换到另一个道路段,转型的方向是作为边缘的方向。公路段是否可以转换(即。,whether there is an edge between the two vertices) is determined by the three attributes of the road segment in the actual road model (whether it can go straight, whether it can turn right, or whether it can turn left). Combining these three attributes with the transition probability of vehicle at the intersection specified by the Manhattan mobility model, we can determine the transition probability of the vehicle at the intersection which is used as weight of the edge in graph 。过渡到其他节点的概率之和为1的图 ,见以下方程: 在哪里节点的节点的数量吗可以转移到其他节点,是另一个节点的节点可以转让, 代表的重量优势 。

根据曼哈顿流动模型结合实际的道路,可以构造加权有向图如图4。顶点是公路段发送车辆所在地,和顶点米是道路段事件的位置所在。有三种路径从顶点到顶点米,即ACEIM、AFGIM AFJLM。

车辆发送一个消息可能会有路径到事件的位置。的jth路径可以表示为 ,在哪里代表中包含顶点的数量jth路径。的概率车辆运动路径被定义为 在哪里代表中包含顶点的数量jth路径, 代表的重量优势 。

计算路径与最大概率等于发现路径通过最小化逆概率。因此,路径的最大概率的计算方法,给出了在以下方程

Dijkstra算法用来计算最短路径从一个顶点到另一个加权图的顶点。因为计算路径的最大转移概率等于找到路径通过最小化互惠的转移概率,可以使用迪杰斯特拉算法来计算概率最大的路径。使用迪杰斯特拉算法的方法获得的最短路径是添加的每个路径和选择路径权重最小的结果。然而,当选择路径的最大转移概率,我们需要乘以重量的倒数(即。转移概率的倒数),选择最小的路径的结果。因此,当使用迪杰斯特拉算法,有必要改变权重的加法乘法。算法1介绍了计算的步骤详细概率最大的路径。

通过使用算法1,用概率最大的路径转换 可以获得。曼哈顿距离所表达的可以获得和实际道路模型。然而,因为是一个预测,车辆不得沿着吗 ,的概率需要考虑。的方法计算最终的曼哈顿距离所表达的在以下方程: 在哪里代表车辆沿着路径的概率 。

4.2。建筑的数量的计算障碍

由于建筑的存在障碍,车辆的视线会受到影响,这将影响到信任信息的价值。在城市道路环境中,建筑障碍通常发生在十字路口。车辆不能获得的条件(交通事故信息)的另一条道路段车辆向左或向右转从当前公路段。本文以车辆的十字路口转左或右的转折点。转折点的数量发送车辆和事件之间的位置是建筑的障碍。在计算建筑的数量和表达的障碍 ,三种运动发送车辆之间的关系和事件位置也被认为是。

4.2.1。准备开车离开时的位置

当汽车开着车从事件的位置,这意味着车辆通过事件的位置。因为没有建立障碍当车辆通过事件的位置,建筑障碍的数量设置为0 ( )。

4.2.2。不传递事件的位置

当车辆没有通过事件的位置,曼哈顿距离是无限的,而且没有路径发送车辆和事件之间的位置,所以建筑障碍的数量也是无限的。

4.2.3。开车对事件的位置

当车辆驱动对事件的位置,建筑数量的障碍是转折点的数量与转移概率最大的路径 。为每条边 ,如果车辆向左或向右的实际道路,建筑物障碍的数量增加1 ( )。最后一个是建筑的数量发送车辆之间的障碍和事件的位置。

4.3。消息的计算分数

消息的分数可以计算由曼哈顿距离和建筑障碍的数量。然而,曼哈顿距离的值和建筑物的数量不同数量级的障碍。因此,在计算分数,需要规范化。归一化方法给出了以下方程: 在哪里和曼哈顿距离的最大值和最小值都发送车辆事件呢 ,分别为,和最大和最小数量的建筑障碍之间发送车辆事件呢 ,分别。

值归一化后,得分的消息对事件可以使用以下公式计算: 在哪里 , , ,和是四个预设参数。和设定的速度指数函数变化的影响和控制建设障碍的曼哈顿距离和数量信息得分。和控制的影响比曼哈顿距离和建筑障碍的数量, 。当和是无限的,让 。

4.4。信息融合的分数

在获得的分数 所有的关于事件的消息 ,需要一起融合这些分数最终确定消息的信任值。数据融合的方法有很多,包括多数投票(25),加权投票(26,27,贝叶斯推理28[],Dempster-Shafer理论29日]。本文主要研究的影响距离信息的信任值和以距离产生的分数为每个消息的重量。因此,选择评分融合加权投票方法。消息的信任值的计算方法关于在 的价值+ 1或−1。如果消息描述了事件的发生1,然后 ;否则 。如果大于0,消息吗是值得信赖的;否则,消息不受信任。

当事件实际发生时, 。这个时候,如果车辆发送消息是一个正常的车辆和发送一个正确的消息,然后呢 ,和 ,所以结论是,消息是值得信赖的;否则,如果车辆发送消息是一个恶意的车辆和发送一个错误消息,然后呢 ,和 ,所以结论是,消息不受信任。当事件不发生, 。此时,车辆发送消息是一个正常的车辆和发送一个正确的消息,然后呢 ,和 ;结论是该消息是值得信赖的;否则,如果车辆发送消息是一个恶意的车辆和发送一个错误消息,然后呢 ,和 ;结论是该消息不受信任。可以看出,方程(11)能正确确定消息是可信的。

5。仿真和讨论

本节主要执行实验模拟验证的有效性提出MDBTM方案。实验模拟中使用的工具包括交通流仿真工具VanetMobiSim [30.(版本1.1)同时采用OPNET[和网络仿真工具31日(版本14.5)。

5.1。实验设置

5.1.1。实验环境

本文提出的方法是基于城市道路环境。首先,它是必要的城市道路使用VanetMobiSim工具模型。本实验采用VanetMobiSim工具来生成模拟城市道路面积3200 m3200米。有25个十字路口,40公路段。每一段路都是800米。车辆的运动轨迹是由VanetMobiSim通过模拟区域同时采用OPNET仿真环境,然后导入到移动节点。所产生的运动轨迹VanetMobiSim同时采用OPNET和不能直接使用在需要同时采用OPNET。使用的格式转换为

同时采用OPNET仿真环境,在车辆与邻近车辆使用对数正态连接模式32]。通过C-V2X技术(33),车辆的通信范围可达450米。基于通信的450米范围,可以看出,至少72辆汽车需要通过多次反射相互通信。因此,汽车的数量选择在这个实验中是超过72人。

在实验的过程中,随机选择的道路段从现场被选为事件的位置,和车辆在路上定期发送消息的事件。正常的车辆发送正确的信息,而恶意的发送错误消息。

5.1.2中。实验参数

实验中使用的参数如表所示2。

5.1.3。的性能指标

信任管理,重要的是要正确地判断消息的真实性。因此,为了验证本文方法的性能,消息的概率表达的正确的决定作为性能指标,并给出它的定义 在哪里代表成功的数量决定,代表的总数决定。

5.2。实验分析

当分析的影响比例的恶意车辆和参考范围的影响R,本文比较了提出MDBTM方法(用曼哈顿距离标记)和基于欧氏距离的方法(用欧氏距离标记)和多数投票(25)方法(标有多数投票)。基于欧氏距离的方法使用的公式 提出的杨et al。14)计算消息分数和使用的方法(11)融合消息分数。在实验过程中,价值的的值是0,1,是发送车辆之间的曼哈顿距离和事件的位置。此外,本实验中的数据平均后多个实验。

5.2.1。恶意车辆的比例的影响

如图5,横坐标代表恶意车辆的比例从0.0到1.0,概率,纵坐标代表正确的决定。数据5(一个)- - - - - -5 (e)代表的比例的影响不同的恶意车辆正确的概率决定车辆的数量,分别为80,110,140,170,和200,参考范围R是2700米。从图可以看出5当恶意车辆的比例小于0.3,正确的决策概率为每个方法是接近1场景中不同的车辆数量。随着恶意车辆数量的增加,每个方法的正确决策概率开始下降当恶意车辆的比例大于0.4。然而,正确的决策方法提出了概率高于其他两种方法。和其他两种方法,当恶意车辆的比例是0.8,正确的决策概率接近于0。但MDBTM方法开始趋于0时恶意车辆的比例是0.9。可以看出MDBTM方法显示了一个正确决定的概率比其他两种方法在不同比例下的恶意车辆和不同数量的车辆。这表明考虑到曼哈顿距离车辆沿着实际道路和障碍物的视线通过建立障碍可以提高系统对车辆恶意攻击的鲁棒性。

5.2.2。参考距离R的影响

图6显示不同的参考范围的影响概率正确的决定。横坐标代表参考值范围的大小R(从50米到2500米),纵坐标代表正确的决策概率(这个概率是平均价值在不同比例下的恶意车辆)。数据6(一)- - - - - -6 (e)分别代表不同的参考范围正确的决定的影响概率的场景中车辆的数量是80,110,140,170,200。从图可以看出6,无论该方法提出了基于欧氏距离的方法和多数投票,正确的决策概率很低时,参考范围R太小的场景不同的车辆数量。这是因为有更少的信息供参考。作为参考值范围R增加,参考消息数量的增加,和正确的决策概率逐渐上升。然而,当参考范围R太大,恶意车辆的数量在参考值范围内吗R也会增加导致减少概率正确的决定。

从图可以看出6有一个阈值。是否大于或小于阈值,正确的决策概率小于这个阈值。当车辆的数量是80,110,140,170,和200年的阈值是700米,接近实际道路的长度800米。这是因为建筑障碍在同一道路段的数量是0,和车辆相对接近事件的位置,从而导致更高的概率正确的决定。这与本文的理论是一致的。本文的设计考虑了曼哈顿距离和交叉路口建筑障碍的数量。段在同一条路上,没有建筑障碍挡住了视线,和事件位置相对接近的车辆,所以决定正确的概率也很高。正如您可以看到的,太大或太小的参考范围R会影响概率正确的决定。当参考范围R接近实际的道路段的长度,正确的决策概率较高。

它还可以看到从图6与相同数量的车辆当参考范围R小于阈值700米,正确的决策概率为每个方法基本上是相同的。这是因为当参考范围R小,消息可供参考的距离相对较小,对正确的决策概率几乎没有影响。当参考范围R大于阈值700米,因为本文考虑建筑的曼哈顿距离和障碍在十字路口,本文提出的方法比其他方法更好的性能的概率正确的决定。

5.2.3。汽车的数量在网络的影响

图7显示了汽车的数量的影响(即。,vehicle density) on the correct decision probability. The abscissa represents the different numbers of vehicles (80, 110, 140, 170, and 200), and the ordinate represents the correct decision probability (this probability is the average value under different proportions of malicious vehicles). As can be seen from Figure7当参考范围R100米,正确的决策概率变化很大场景中不同的车辆数量,因为太少的信息可供参考。当参考范围R700米、1300米和1900米,正确的决策概率变化很少。可以看出,网络中车辆的数量不会影响该方法的正确决策概率时的参考范围R是适当的。

6。结论

摘要MDBTM模型计算提出了VANET的距离,解决的问题没有详细讨论的方式计算的距离。在这个模型中,构建障碍的曼哈顿距离和数量计算了考虑发送车辆之间的运动关系和事件的位置。实验结果表明,本文提出的方法显示出更好的性能的正确决策概率比类似的方法在不同比例的恶意车辆的情况下,不同数量的车辆,和不同的参考范围。它也发现,正确的决策概率更高的参考值范围R设置接近实际的道路段的长度,和许多不同的车辆网络中的概率不会影响正确的决定。

在未来的工作中,我们将考虑该方法的组合和区块链技术来存储区块链中的信息,可以确保数据的安全(nontampering、可追溯性)和进一步提高VANET的安全信任管理环境。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

本文由中国国家自然科学基金支持下拨款61862046;内蒙古自治区科技成果转化项目授予CGZH2018124;内蒙古大学研究生科研创新基金项目的资助下10000 - 15010109;和科技计划资助下的内蒙古自治区2019 gg376。