1.一种车联网动态信任评估方法,其特征在于,包括:
步骤S1,获取车辆的速度、加速度、转向角、通信行为数据和GPS数据,通信行为数据包括车辆发送消息的时间间隔、发送消息的逻辑一致性、消息的来源和目标节点,对速度、加速度、转向角、通信行为数据和GPS数据进行数据清洗、数据同步、特征提取,以得到基础物理特征和时序动态特征,所述基础物理特征包括速度和通信频率,所述时序动态特征包括速度方差和通信突发性,通信突发性用于检测通信频率的突然变化,分别将速度、通信频率、速度方差和通信突发性作为第一特征、第二特征、第三特征和第四特征;
步骤S2,路侧单元基于第一特征、第二特征、第三特征和第四特征,利用权重组合方式计算车辆的信任值,其中,采用强化学习网络动态调整第一特征、第二特征、第三特征和第四特征的权重;
步骤S3,路侧单元基于恶意节点比例和误报率动态调整分类阈值;
步骤S4,若车辆的信任值低于分类阈值,则路侧单元判定车辆为恶意车辆;若车辆的信任值不低于分类阈值,则路侧单元判定车辆为非恶意车辆;
步骤S2中,利用权重组合方式计算车辆的信任值的过程中,满足下式:;
其中,表示车辆在时刻的信任值,表示车辆在时刻的第特征,表示时刻第特征的权重,为平滑程度控制值,,、、、分别为时刻第一特征、第二特征、第三特征、第四特征的权重。
2.根据权利要求1所述的车联网动态信任评估方法,其特征在于,步骤S1中,GPS数据包括实时坐标、时间戳、行驶路线。
3.根据权利要求2所述的车联网动态信任评估方法,其特征在于,步骤S1中,数据清洗时,对于速度、加速度、转向角,采用上下限约束法剔除异常值,采用插值补全法补充缺失值或剔除的异常值,然后采用滑动平均处理速度,采用中值滤波处理加速度、转向角;
其中,采用滑动平均处理速度时,满足下式:
;
其中,是平滑后的数据,表示窗口总大小,,是采样点索引,表示滑动窗口的一边的长度,表示第个原始数据;
数据清洗时,对于GPS数据,采用上下限约束法剔除异常值,采用轨迹插值算法修正GPS异常偏离点,使用速度和距离阈值检测跳点;
数据清洗时,对于通信行为数据,先进行规则过滤,定义合法值集合,剔除不在合法值集合内的值;其次,根据行为序列的合理逻辑,检测和标记不符合预期的行为;最后,对异常值进行修正。
4.根据权利要求3所述的车联网动态信任评估方法,其特征在于,步骤S1中,数据同步时,分别进行时间戳对齐和帧对齐;
时间戳对齐的过程为:统一时钟源,将不同数据源的时间戳统一为标准时间基准,对于采样频率不同的数据,使用线性插值法将低频数据升采样到高频数据,其中,用线性插值法满足下式:其中,表示高频值,和是低频数据中两个相邻点,是高频时间点;
帧对齐的过程为:基于对齐的时间戳,将速度、加速度、转向角、GPS数据和通信行为数据在同一时间窗内聚合为一组完整向量。
5.根据权利要求4所述的车联网动态信任评估方法,其特征在于,步骤S1中,特征提取时,车辆将完整向量发给路侧单元,路侧单元利用特征工程工具包提取基础物理特征和时序动态特征,所述基础物理特征包括速度和通信频率,所述时序动态特征包括速度方差和通信突发性,分别将速度、通信频率、速度方差和通信突发性作为第一特征、第二特征、第三特征和第四特征;
其中,速度方差的计算公式为:
;
其中,表示时刻的速度方差,表示速度行为分析的滑动窗口大小,表示时刻的速度,表示平均速度;
通信突发性的计算公式为:
;
其中,表示时刻的通信突发性指标,表示通信行为分析的滑动窗口大小,表示时刻的通信频率,表示时刻的通信频率。
6.根据权利要求5所述的车联网动态信任评估方法,其特征在于,步骤S2中,强化学习网络采用双深度Q网络架构,包含在线Q网络和目标Q网络,通过经验回放和延迟更新提高稳定性;
采用强化学习网络动态调整第一特征、第二特征、第三特征和第四特征的权重的过程具体包括:步骤S21,状态空间构建:状态向量,其中,为时刻的多尺度特征向量,,、、、分别表示车辆在时刻的第一特征、第二特征、第三特征、第四特征,为时刻的权重向量,,、、、分别表示时刻第一特征、第二特征、第三特征、第四特征的权重,是时刻的分类阈值,是历史窗口统计量;
步骤S22,动作空间设计:每个特征对应独立动作空间,权重的调整动作,、、、分别表示第一特征、第二特征、第三特征、第四特征的权重的调整量;
步骤S23,奖励函数设计,基于信任误差和恶意节点检测性能,定义奖励函数为:;
;
其中,为奖励函数,是预测信任值与真实信任值的均方误差,是性能奖励检测值,和是权重系数,是第个样本的真实信任值,是第样本的预测信任值,是样本总数,是准确率,,表示被正确检测的恶意节点的数量,表示被误检测为恶意节点的正常节点的数量,是召回率,,表示被误检测为正常节点的恶意节点的数量;
步骤S24,网络更新规则:
在线Q网络每隔第一预设时间更新一次,并使用梯度下降优化损失函数,损失函数为:;
其中,表示强化学习的一个经验数据点,是当前状态,是在状态下采取的动作,是执行动作后获得的奖励,是执行动作后到达的下一个状态,表示对经验回放缓冲区采样出的进行期望计算,表示当前在线Q网络预测的Q值,表示目标Q值,是折扣因子,表示使用目标Q网络计算下一个状态的最优动作的Q值;
目标Q网络每隔第二预设时间同步一次在线Q网络的参数,目标网络表示为:;
其中,是目标Q网络的参数,是在线Q网络的参数,是更新速度控制值。
7.根据权利要求6所述的车联网动态信任评估方法,其特征在于,步骤S2中,采用强化学习网络动态调整第一特征、第二特征、第三特征和第四特征的权重后,第一特征、第二特征、第三特征和第四特征的权重满足非负性及归一化条件,表达式为:;
其中,表示时刻第特征的权重,为标准权重调整值,为常数项,表示取最大值。
8.根据权利要求7所述的车联网动态信任评估方法,其特征在于,步骤S3满足下式:;
;
其中,表示时刻的分类阈值,是截断函数,表示时刻的分类阈值,为时刻分类阈值的调整量,是恶意节点比例的影响系数,是恶意节点占比的基准,是误报率的影响系数,为检测到的恶意节点占比,,表示当前被检测为恶意节点的数量,表示当前参与检测的所有节点总数,为时刻的误报率,,表示被正确检测的正常节点的数量。