車聯(lián)網(wǎng)中基于社會網(wǎng)絡(luò)的車輛信任估計方案

陶 敏，周 雄

(1.中國南方電網(wǎng)超高壓輸電公司廣州局，廣東 廣州 510003 2.廣州高瀾節(jié)能技術(shù)股份有限公司，廣東 廣州 510003)

0 引 言

作為協(xié)同智能交通系統(tǒng)的重要元素，車聯(lián)網(wǎng)(Vehicular Ad Hoc Networks, VANETs)[1-2]的相關(guān)應(yīng)用得到廣泛開發(fā)。多數(shù)的基于VANETs的應(yīng)用是以車間通信為基礎(chǔ)。此外，這些應(yīng)用屬于輔助決策系統(tǒng)。因此，最終的決策是由人來完成，但是決策系統(tǒng)并不知曉人的忠誠度。

例如，文獻(xiàn)[3]提出EYES系統(tǒng)。EYES[3]是一個輔助決策系統(tǒng)，其幫助駕駛員做出正確決策。由于車間通信是基于無線網(wǎng)絡(luò)標(biāo)準(zhǔn)，其容易遭受網(wǎng)絡(luò)攻擊。此外，人(駕駛員)也存在是否忠誠問題。因此，系統(tǒng)的設(shè)計必須考慮到通信實體的安全和終端用戶的忠誠度，進(jìn)而滿足系統(tǒng)所需的通信信任[4]。

目前，研究人員提出了不同的保證車間通信安全的策略。這些策略可分為基于加密的[5]，基于信任的[6]和兩種混合的。然而，這些策略并沒有考慮到人為因素。

此外，車輛社會網(wǎng)絡(luò)(Vehicular Social Networks, VSNs)是社交意識網(wǎng)絡(luò)的分支。VSNs充分利用車間通信，交互、共享信息，協(xié)同決策，形成了一個臨時社交網(wǎng)絡(luò)。此外，車輛的社會屬性也是分布式車載云[7]的基礎(chǔ)。

隨著5G技術(shù)的應(yīng)用，人幾乎可以在任何時間和地點獲取網(wǎng)絡(luò)服務(wù)。為此，本文利用基于5G技術(shù)接入的在線社交網(wǎng)絡(luò)(Online Social Networks, OSNs)，通過考慮人為因素，基于人為因素的車輛信任估計算法(Human factor consideration-based trust evaluation, HFTE)。HFTE算法充分考慮人為因素，估計車輛信任。仿真結(jié)果表明，提出的HFTE算法有效地提高對不忠誠節(jié)點的檢測率。

1 背景及相關(guān)工作

本文旨在通過考慮人為因素，估計車間信任。而人屬社會網(wǎng)絡(luò)，而車屬VANETs。為此，先簡述OSN內(nèi)的信任估計，隨后，分析VANETs的信任估計。

1.1 OSN內(nèi)的信任

基于OSNs的邏輯結(jié)構(gòu)，圖1概述了OSN的信任估計結(jié)構(gòu)。通常，OSNs的信任估計可分為三個階段：(1)收集信任信息; (2) 信任估計；(3)信任值分發(fā)。

圖1 OSNs內(nèi)的信任估計

社會信任是通過個人文檔信息，并利用標(biāo)量估計方式進(jìn)行推導(dǎo)的[8-9]。一旦完成社會信任估計，就直接向終端用戶提供社會信任估計值。

1.2 車載網(wǎng)絡(luò)內(nèi)的信任計算

任何網(wǎng)絡(luò)內(nèi)的信任估計都繼承了該網(wǎng)絡(luò)特性。因此，由于車載網(wǎng)絡(luò)的分布特性，每輛車只能局部地評估鄰居節(jié)點的信任值。因此，要么以標(biāo)量方式，依據(jù)交互消息所攜帶的意見計算信任值，要么通過位于同一個區(qū)域內(nèi)車輛的簇類協(xié)作計算信任值。

圖2 車載網(wǎng)絡(luò)與OSN的信任計算策略

與車載網(wǎng)絡(luò)不同，OSN內(nèi)信任估計需要有信宿或者第三方的信任機(jī)構(gòu)，由它去估計不同人的信任值。信宿既能以集中方式計算信任，也能以分布方式計算信任。圖2將車載網(wǎng)絡(luò)和OSN內(nèi)信任計算策略。

2 網(wǎng)絡(luò)模型

網(wǎng)絡(luò)模型主要由信任實體(Trusted Authority, TA)、路由設(shè)施(Road Side Unit, RSU)、車輛以及社會網(wǎng)絡(luò)平臺構(gòu)成。其中TA屬實體的最高層，社會網(wǎng)絡(luò)平臺和RSU均以有線鏈路連接TA。而車輛與車輛、車輛與RSU、車輛與社會網(wǎng)絡(luò)平臺均以無線鏈路連通。

TA的網(wǎng)絡(luò)結(jié)構(gòu)主要由四層構(gòu)成：接入、網(wǎng)絡(luò)、傳輸以及應(yīng)用層，應(yīng)用層主要包括道路事故、車輛跟蹤以及用戶文檔分析。

社會網(wǎng)絡(luò)平臺主要由社交平臺、網(wǎng)站構(gòu)成。例如，Internet，F(xiàn)acebook，Google。它們是OSN的載體。通過分析用戶在這些平臺的足跡，能夠獲取用戶的個人愛好、社會網(wǎng)絡(luò)關(guān)系等信息。作為車輛接入TA的中間設(shè)備，RSU負(fù)責(zé)收集車輛信息，并將這些信息傳輸至TA。

3 HFTE算法

3.1 直接信任

令Td(i,j)表示由車輛?i評估的車輛?j的直接信任值，其定義如式(1)所示：

(1)

3.2 推薦信任

車輛?i在評估車輛?j的信任時，除了自己與車輛?j的直接接觸外，還可以考慮鄰居節(jié)點的推薦信任值。假定車輛?k是車輛?i的鄰居節(jié)點。令RVk(i,j)表示車輛?k向車輛?i推薦的關(guān)于車輛?j的信任值，其定義如式(2)所示：

RVk(i,j)=[Td(i,k)×Re(k,j)]1/2

(2)

其中Td(i,k)表示車輛?i與車輛?k的直接信任。而Re(k,j)表示車輛?k推薦的車輛?j的信任值。

可能有多個鄰居節(jié)點向車輛?i推薦的關(guān)于車輛?j的信任值。假定有n輛車推薦。而車輛?i依據(jù)所推薦的信任值，可依據(jù)式(3)最終獲取關(guān)于車輛?j的推薦信任值：

(3)

3.3 來自RSUs信任估計

當(dāng)車輛進(jìn)入RSU的通信范圍，車輛就將它所獲取車輛?j的信任值傳輸至RSU。隨后，RSU就結(jié)合所有車輛的所報告信息，建立車輛?j的準(zhǔn)全局的信任評估。

依據(jù)式(4)，RSU通過融合所有其他車輛報告的關(guān)于車輛?j的信任值，可獲取關(guān)于車輛?j的信任：

(4)

其中m表示估計過車輛?j的信任值的車輛數(shù)。而Tr(i,j)表示車輛?i對車輛?j的全局信任值。

3.4 TA的信任決策

TA在最終決策車輛?i對車輛?j的信任估計值時，不僅考慮RSU的推薦信任值，還考慮VANETs應(yīng)用業(yè)務(wù)對時延敏感性。若有一個RSU參與評估，或者業(yè)務(wù)對時延敏感，則：

Tr(i,j)=[Td(i,j)RV(i,j)]1/2

(5)

若有一個RSU參與評估計，且交互的業(yè)務(wù)是部分時延敏感，則用式(6)計算Tr(i,j)：

Tr(i,j)=[Td(i,j)RV(j)]1/2

(6)

若有一個RSU參與，但交互的業(yè)務(wù)并非時延敏感的，而是時延-容忍的，則可用式(7)計算Tr(i,j)：

(7)

其中B表示參與評估車輛?j的RSU數(shù)。

通過式(5)或式(6)或式(7)獲取車輛?j的信任值Tr(i,j)。如算法1所示。

3.5 基于人為因素的信任值的修正

對于決策者而言，希望Tr(i,j)≥0.6或者Tr(i,j)≤0.4，原因在于：這兩種情況較清晰地表明車輛?j性質(zhì)(可信任或不可信任)。但是，若0.4≤Tr(i,j)≤0.6時，就屬于模糊狀態(tài)。在這種情況下，就考慮人為因素，進(jìn)一步確認(rèn)車輛?j的信任值。

依據(jù)Advogato模型的信任估計，駕駛員的身份可分為優(yōu)(good)、妥協(xié)的(compromised)，壞的(bad)三類。如圖3所示，其中supersink為超級信宿，由它收集網(wǎng)絡(luò)內(nèi)所有信息，屬于管理中心此外，Advogato模型是真實社會網(wǎng)絡(luò)數(shù)據(jù)集，其收集了人在社會網(wǎng)絡(luò)的行為軌跡。

圖3 節(jié)點分類

在這種模糊情況下，考慮人為因素對車輛?j的信任值進(jìn)行調(diào)整。令HHF(j)表示受人為因素影響的信任值。當(dāng)節(jié)點是good時，HHF(j)=0.1。而節(jié)點是compromised,HHF(j)=0。當(dāng)節(jié)點是bad,HHF(j)=-0.1。這些取值可依據(jù)應(yīng)用類型或者流量類型進(jìn)行調(diào)整。最后，依據(jù)式(8)對Tr(i,j)進(jìn)行調(diào)整。

Tr(i,j)=Tr(i,j)+HHF(j), if 0.4≤Tr(i,j)≤0.6

(8)

圖4顯示了基于人為因素的信任值修正過程。先通過算法1估計車輛?j的信任值，再考慮人為因素的影響，并結(jié)合Advogato模型，對信任值進(jìn)行調(diào)整。

圖4 信任值的修正示意圖

4 性能分析

利用NS-2.35軟件建立仿真平臺，分析HFTE算法的性能。引用文獻(xiàn)[10]提供的數(shù)據(jù)庫。該數(shù)據(jù)庫有131828個用戶(節(jié)點)，有841372個邊(忠誠的或惡意的)。仿真中，分別考慮有10%、20節(jié)點屬于不忠誠節(jié)點。

考慮VANETs網(wǎng)絡(luò)環(huán)境，引用Citymob 移動產(chǎn)生器[11]產(chǎn)生流量。并考慮4km2的城市地圖，并隨機(jī)分布4個RSUs。具體的仿真參數(shù)如表1所示。

表2 仿真參數(shù)

先分析人為因素對信任的影響。然后，再分析檢測不忠誠節(jié)點的性能。每次仿真獨立重復(fù)15次，取平均值作為最終的實驗數(shù)據(jù)。

4.1 人為因素對信任的影響

圖5顯示所有節(jié)點(車輛)的信任值的分布情況。其中圖5(a)顯示未考慮OSNs的人為因素影響下的車輛信任值的分布，相應(yīng)地，圖6(b)顯示了考慮人為因素影響下的車輛信任值的分布。

從圖5(a)可知，在未考慮OSNs的人為因素影響下，盡管多數(shù)節(jié)點是可信任的，但也存在多數(shù)節(jié)點正在模糊狀態(tài)。即多數(shù)節(jié)點的信任值處于0.4≤Tr(i,j)≤0.6，這種模糊狀態(tài)很容易導(dǎo)致錯誤決策。

然而，當(dāng)考慮人為因素的影響，模糊狀態(tài)得到有效改善。從圖5(b)可知，車輛的信任值要不Tr(i,j)≥0.6，要不Tr(i,j)≤0.4。這有利于做正確的決策。

圖5 信任值的分布

4.2 不忠誠節(jié)點的檢測性能

圖6顯示了HFTE算法的在10%、20%的不忠誠節(jié)點的檢測性能，其中(a)為未考慮人為因素環(huán)境；(b)考慮人為因素環(huán)境。

圖6 不忠誠節(jié)點的檢測率

從圖6(a)可知，在10%不忠誠節(jié)點環(huán)境下，平均檢測率大于90%，但是波動范圍較大。對比圖6(a)與圖6(b)可知，考慮人為因素提高了對不忠誠節(jié)點的檢測率。例如，在10%不忠誠節(jié)點環(huán)境下，通過考慮人為因素，將平均檢測率從90%提高至96%。即使在20%的不忠誠節(jié)點環(huán)境，平均檢測率也提高至93%。

5 結(jié) 語

考慮VANETs的安全應(yīng)用，提出基于人為因素的車輛信任估計算法HFTE。HFTE算法結(jié)合了Advogato信任指標(biāo)，并利用OSN估計車輛駕駛員的信任。仿真結(jié)果表明，HFTE算法有效地提高了對不忠誠節(jié)點的檢測率。仿真數(shù)據(jù)表明，通過考慮人為因素，可提高車輛信任估計的準(zhǔn)確性。