基于信息中心網(wǎng)絡(luò)的車聯(lián)網(wǎng)安全與數(shù)據(jù)可信機(jī)制研究

孟凡超++吳越

摘 要 隨著城市中的交通擁堵現(xiàn)象日益嚴(yán)重，動(dòng)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(jī)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(lái)驗(yàn)證路況消息的真實(shí)性，并篩選出真實(shí)值。實(shí)驗(yàn)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(shí)間復(fù)雜度低，無(wú)需引入額外信息進(jìn)行信任判斷。

【關(guān)鍵詞】車聯(lián)網(wǎng) 動(dòng)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(wèn)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(biāo)準(zhǔn)化會(huì)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(dòng)態(tài)路徑規(guī)劃（Dynamic Routing）是智能交通中的一個(gè)重要應(yīng)用。車輛節(jié)點(diǎn)從車聯(lián)網(wǎng)中收集相關(guān)的路況信息，動(dòng)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(shí)性和有效性。因此，引入信任評(píng)價(jià)模型有助于增強(qiáng)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(guò)使用數(shù)據(jù)進(jìn)行信任評(píng)價(jià)，使得信任評(píng)價(jià)更加靈活。實(shí)驗(yàn)結(jié)果表明，基于數(shù)據(jù)的信任模型可以有效檢測(cè)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(guó)和歐洲都針對(duì)這一概念制定了一些網(wǎng)絡(luò)的標(biāo)準(zhǔn)。信息中心網(wǎng)絡(luò)是一種基于命名數(shù)據(jù)對(duì)象的未來(lái)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(tái)，通過(guò)將發(fā)送者和接受者的關(guān)系解耦，無(wú)需發(fā)送端和接收端同時(shí)在線即可完成所需信息的傳輸。節(jié)點(diǎn)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(shí)能夠在接收消息時(shí)辨明對(duì)方身份，我們引入身份密碼學(xué)（IBC）的概念，對(duì)路況消息進(jìn)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(shí)間；Timestamp，時(shí)間戳；Kpriv（vi），vi私鑰；Sign（m， Kpriv（vi））， 簽名。

2.2 信任評(píng)價(jià)流程

數(shù)據(jù)庫(kù)中存有路況信息。在更新前，路徑規(guī)劃應(yīng)用會(huì)對(duì)同一路段的數(shù)據(jù)進(jìn)行信任評(píng)價(jià)，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(jì)算方式，流程如下：先從數(shù)據(jù)庫(kù)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(diǎn)，建立聚類集合，并計(jì)算每個(gè)數(shù)據(jù)到中心點(diǎn)的距離并歸類。之后，計(jì)算每個(gè)集合的均值，并與中心點(diǎn)的值比較：如果每個(gè)集合的均值與其中心點(diǎn)都相等，則結(jié)束，否則將中心點(diǎn)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(gè)類。此后進(jìn)行類合并，并計(jì)算集合中心點(diǎn)之間的差值比。若比值小于0.2，則將兩個(gè)集合合并，若差值比均大于0.2，則說(shuō)明三個(gè)集合都保存了正確數(shù)據(jù)，則取平均值對(duì)應(yīng)的集合為正確。在合并集合后，計(jì)算各個(gè)集合中元素個(gè)數(shù)，取元素個(gè)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(shí)間復(fù)雜度上更低，由于使用迭代的方式，因此時(shí)間復(fù)雜度為O（Kn），其中K為迭代次數(shù)。

3 實(shí)驗(yàn)

為了驗(yàn)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(duì)車聯(lián)網(wǎng)環(huán)境進(jìn)行模擬。我們使用SUMO進(jìn)行車輛交通的模擬，使用OMNeT++進(jìn)行網(wǎng)絡(luò)的模擬，并使用Veins對(duì)交通仿真平臺(tái)和網(wǎng)絡(luò)仿真平臺(tái)進(jìn)行交互。

實(shí)驗(yàn)中的場(chǎng)景選用江蘇省南京市的市區(qū)地圖。實(shí)驗(yàn)中共1000個(gè)車輛節(jié)點(diǎn)，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(jìn)行對(duì)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(huì)導(dǎo)致正確率下降，但在等待更多證據(jù)到達(dá)時(shí)，DST的正確率提高，也說(shuō)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(qiáng)。BI算法在惡意節(jié)點(diǎn)較少的時(shí)候正確率很高，面對(duì)惡意節(jié)點(diǎn)數(shù)量增多的情況時(shí)表現(xiàn)與DST等待較為相似。

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

3.2 到達(dá)時(shí)間比

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

實(shí)驗(yàn)結(jié)果表明，在應(yīng)用了DST算法后，有84.6%的車輛的行程時(shí)間都得到了優(yōu)化，另外15.4%的車輛因?yàn)楦侣肪€后發(fā)生了新的擁堵，行程時(shí)間受到了延長(zhǎng)。對(duì)于BI方法，僅有59.9%的車輛的時(shí)間占比小于或等于1。對(duì)于K-Means方法，有71.9%的車輛行程時(shí)間有所改善，其中有44%的車輛時(shí)間比為1。

總體來(lái)說(shuō)，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(kāi)了擁堵，提升了駕駛體驗(yàn)。

4 結(jié)論與展望

本文在仿真場(chǎng)景中，通過(guò)應(yīng)用信任評(píng)價(jià)算法，在不引入額外數(shù)據(jù)的情況下篩選出真實(shí)數(shù)據(jù)，達(dá)到了優(yōu)化車輛行程時(shí)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(duì)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(duì)于大量的數(shù)據(jù)能高效的進(jìn)行處理。因此，當(dāng)?shù)竭_(dá)數(shù)據(jù)量較少時(shí)（本文實(shí)驗(yàn)場(chǎng)景中為20條以下）應(yīng)選用DST/BI方式，以獲得更高的準(zhǔn)確率；當(dāng)數(shù)據(jù)量較大時(shí)，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(duì)路況信息進(jìn)行篩選，能夠有效的應(yīng)對(duì)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(jiǎn)介

孟凡超（1991-），男，上海交通大學(xué)，碩士研究生。主要研究方向?yàn)闊o(wú)線網(wǎng)絡(luò)安全。

吳越（1968-），男，上海交通大學(xué)，副教授，博士。主要研究方向?yàn)闊o(wú)線網(wǎng)絡(luò)安全。

作者單位

上海交通大學(xué)信息安全工程學(xué)院 上海市 200240