1.一种针对车联网的多维车辆信任评估方法,其特征在于:在车载自组网中建立声誉系统,所述多维车辆信任评估方法通过声誉系统对车辆进行声誉计算来实现,具体包括如下步骤:步骤1:可信中心TA负责所述声誉系统的初始化,可信中心TA将最近一次计算的车辆全局声誉分数发送给各个作为本地可信中心的雾服务器,可信中心TA为新加入车载自组网中的车辆注册,将初始值发送给雾服务器;
步骤2:车载自组网中的车辆节点周期性广播信标消息,当发生交通事件时,位于事件附近的车辆节点会先感知到交通事件,随后位于事件附近的车辆节点会将感知到的事件广播出去,距离事件较远的车辆节点通过接收消息来了解交通事件,其中,所述信标消息为车辆节点的上下文信息,包括车辆ID、速度、位置、当前时间;
步骤3:收到消息的车辆对发送消息的车辆进行车辆间的信任值计算,将进行信任计算的车辆称为评估车辆Vi,将被评估的车辆称为目标车辆Vj,评估车辆Vi基于上下文相关度和消息质量计算对目标车辆Vj的直接信任DTi,j,然后基于邻居车辆对目标车辆Vj的推荐分数计算推荐信任RTi,j,最后结合目标车辆Vj的历史交互状况计算最新的车间信任值TrVi,j;
步骤4:评估车辆Vi根据计算出的车间信任值TrVi,j进行消息决策,如果车间信任值TrVi,j小于设定的阈值,表示评估车辆Vi对目标车辆Vj报告的事件消息不信任,则丢弃目标车辆Vj发来的消息,否则接收或转发消息,最后把和目标车辆Vj交互的满意度反馈给路边单元RSU;
步骤5:路边单元RSU收集关于目标车辆Vj的反馈,先计算聚合反馈分数利用整体差异性对恶意反馈进行过滤,然后将过滤后的反馈分数转化为一对正负反馈,采用非对称遗忘因子计算目标车辆Vj的反馈信任FTj,最后将对目标车辆Vj的反馈信任发送给本地雾服务器;
步骤6:雾服务器将多个路边单元RSU对目标车辆Vj的反馈信任FTj和目标车辆Vj的历史声誉值相结合计算目标车辆Vj最新的全局声誉值,若目标车辆Vj的声誉值低于阈值则标识为恶意车辆,将其列入黑名单中,把最新的车辆声誉值和黑名单上传至云端进行保存和撤销,随后将黑名单列表发送给管辖范围内的路边单元RSU,由路边单元RSU将黑名单列表广播给通信范围内的车辆。
2.根据权利要求1所述的一种针对车联网的多维车辆信任评估方法,其特征在于:所述步骤3具体包括如下步骤:步骤3‑1:评估车辆Vi从目标车辆Vj的信标消息中提取目标车辆Vj的上下文信息,将上i j下文信息处理成n维规范化向量vector 、vector ,评估车辆Vi计算对目标车辆Vj的上下文相关程度:i
其中 分别表示规范化向量中的第k个值,n表示规范化向量vector 、
j
vector的维度,i表示评估车辆Vi,j表示目标车辆Vj;
步骤3‑2:收到消息的车辆对发送消息的车辆进行车辆间的信任值计算时,采用定期计算信任值的方式,引用时间间隔即时隙,在每个时隙中计算信任值,由于直接交互过程中的消息都可以由接收方进行解密和分析,因此评估车辆Vi可以判断目标车辆Vj所发数据消息的合法性,评估车辆Vi统计本次时隙内接收到目标车辆Vj发送正确消息的个数legali,j以及错误消息的个数mali,j,计算目标车辆Vj的消息质量:其中,可变参数 随着正确消息个数的增加趋向1,目标车辆Vj通过多发送正
确消息来提高自己的消息质量;
步骤3‑2:将上下文相关度作为目标车辆Vj的消息质量的权重,以此来调节消息质量的准确性,利用Gompertz函数来计算评估车辆Vi对目标车辆Vj的直接信任:其中b、c是函数参数,b控制输出沿x轴的位移,c调节函数的增长率,函数的输出范围在
0到1之间;
步骤3‑4:评估车辆Vi将根据DTi,j给出对目标车辆Vj的推荐分数rsi,j,分数越高表明目标车辆Vj的表现越好,更加值得推荐,如果评估车辆Vi是恶意车辆,则会对推荐分数进行篡改,给出一个较低或者较高的分,然后再分享给周围车辆,从而影响周围车辆对目标车辆Vj的信任评估;
步骤3‑5:评估车辆Vi获取邻居车辆Vi,k对目标车辆Vj的推荐分数rsk,j,从中选择TrVi,k大于阈值的邻居车辆的推荐,即值得信任的邻居,初始时采用所有邻居的建议,后期建立信任后,只采用受信任的邻居的推荐,将邻居车辆集合记为Ni, 将评估车辆Vi对邻居车辆Vi,k的直接信任DTi,k作为权重,计算推荐信任:步骤3‑6:评估车辆Vi根据本次时隙得到的直接信任和推荐信任,同时考虑到目标车辆Vj的历史交互行为,计算关于目标车辆Vj的最新车间信任值:其中 表示目标车辆Vj的历史车间信任值,λ介于0和1之间,是其所占的比重,由于最近的车辆行为应赋予更多权重,λ大于0.5,n是两车间的交互次数。
3.根据权利要求2所述的一种针对车联网的多维车辆信任评估方法,其特征在于:所述步骤4具体如下步骤:步骤4‑1:评估车辆Vi根据最新车间信任值TrVi,j进行消息决策,如果最新车间信任值TrVi,j的值小于设定的阈值,表示评估车辆vi对目标车辆Vj报告的事件消息不信任,则丢弃目标车辆Vj发来的消息,否则接收或转发消息;
步骤4‑2:评估车辆Vi根据最新车间信任值TrVi,j给出对目标车辆Vj的满意度反馈分数fsi,j,并将反馈发送给路边单元RSU,反馈分数越高表示评估车辆Vi对目标车辆Vj的满意度越高,如果评估车辆Vi是恶意车辆会对反馈分数进行篡改,再发送给路边单元RSU。
4.根据权利要求3所述的一种针对车联网的多维车辆信任评估方法,其特征在于:所述步骤5具体如下包括如下步骤:步骤5‑1:将对目标车辆Vj给出反馈的车辆集合记为Tj, 路边单元RSU从雾服务器处获取反馈车辆Vx的历史声誉值 计算关于目标车辆Vj的聚合反馈分数:
然后计算反馈车辆Vx关于目标车辆Vj的反馈差异值
步骤5‑2:车辆间的通信是多对多的,反馈车辆Vx除了对目标车辆Vj产生反馈,同样也会对交互过的车辆做出反馈,网络中的恶意车辆会发起开关攻击,路边单元RSU需考虑反馈车辆Vx的整体反馈差异性,再决定是否采用反馈车辆Vx的反馈,将被Vx反馈过的车辆集合记为Ex, Ei中车辆总数目为nx,计算反馈车辆Vx的整体反馈差异值:若Diffx大于设定的阈值,则不采用反馈车辆Vx发来的反馈,将其从Tj中删除;
步骤5‑3:对于 路边单元RSU将其反馈值fsx,j转化为一对正负反馈,记为<αx,βx>,其中αx为正反馈表示满意度,即αx=fsx,j;βx为负反馈表示不满度,即βx=1‑fsx,j,加入遗忘因子使得最近的反馈比重大于旧的反馈,将车辆的历史声誉值 作为反馈的权重,则正反馈αx和负反馈βx为:
其中ζ1和ζ2为非对称遗忘因子,ζ1<ζ2,使车辆的恶意行为受到更重的惩罚,t为当前时间,tx表示反馈发送的时间,利用正负反馈计算对目标车辆Vj反馈信任:然后将对目标车辆Vj的反馈信任发给本地雾服务器。
5.根据权利要求4所述的一种针对车联网的多维车辆信任评估方法,其特征在于:所述步骤6具体包括如下步骤:步骤6‑1:雾服务器将多个路边单元RSU对目标车辆Vj的反馈信任和目标车辆Vj的历史last声誉值RepVj 相结合计算目标车辆Vj最新的全局声誉值:
last
RepVj=λRepVj +(1‑λ)AVG(FTj)
其中λ介于0和1之间,取λ大于0.5为最新的反馈信任赋予更多的权重,AVG(FTj)表示多个RSU对目标车辆Vj的反馈信任的平均值;
步骤6‑2:若目标车辆Vj声誉值低于阈值则标识为恶意车辆,将其列入黑名单中,把最新的车辆声誉值和黑名单上传至云端进行保存和撤销,随后将黑名单列表发送给管辖范围内的路边单元RSU,由路边单元RSU将黑名单列表广播给通信范围内的车辆。
6.根据权利要求1‑5任一项所述的一种针对车联网的多维车辆信任评估方法,其特征在于:所述步骤1具体包括如下步骤:步骤1‑1:可信中心TA将将最近一次计算的车辆节点声誉值发送给相应的雾服务器用以本地化评估车辆的全局声誉值;
步骤1‑2:新加入的车辆用户需要用自己的真实身份向可信中心TA注册,TA为其分配唯一可标识的身份ID并初始化车辆的声誉值,随后将车辆信息发送给相应的本地雾服务器。