机器学习辅助的车联网紧急消息信任评估方案

doi:10.19665/j.issn1001-2400.20230605

西安电子科技大学学报 ›› 2024, Vol. 51 ›› Issue (6): 194-203.doi: 10.19665/j.issn1001-2400.20230605

• 计算机科学与技术 & 网络空间安全 • 上一篇下一篇

机器学习辅助的车联网紧急消息信任评估方案

周浩¹(), 邵诗韵²(), 马勇³(), 刘志全¹^,⁴(), 官全龙¹(), 王晓明¹()

1.暨南大学网络空间安全学院,广东广州 510632
2.电子科技大学计算机科学与工程学院,四川成都 611731
3.江西师范大学计算机信息工程学院,江西南昌 330022
4.数力聚(北京)科技有限公司,北京 100020

收稿日期:2023-05-07 出版日期:2024-12-20 发布日期:2024-12-05
通讯作者: 邵诗韵(1996—),女,电子科技大学博士研究生,E-mail:shaokcl@gmail.com
作者简介:周浩(1996—),男,暨南大学硕士研究生,E-mail:lzyhaozhou@163.com;
马勇(1977—),男,教授,E-mail:may@jxnu.edu.cn;
刘志全(1989—),男,教授,E-mail:zqliu@vip.qq.com;
官全龙(1981—),男,教授,E-mail:gql@jnu.edu.cn;
王晓明(1960—),女,教授,E-mail: twxm@jnu.edu.cn
基金资助:
国家自然科学基金(61932010);国家自然科学基金(62441211);国家自然科学基金(62272195);广东省基础与应用基础研究基金(2024A1515012776);广东省基础与应用基础研究基金(2022A1515010760);广东省重点研发计划项目(2020B0909030005);广东省重点研发计划项目(2020B1212030003);广东省市场监督管理局科技项目(2023ZZ03);广州市科技计划项目(202201010422);广州市科技计划项目(202201010421);中央高校基本科研业务费专项资金(21622402);国家市场监管重点实验室(智能机器人安全)开放课题(GQI-KFKT202205)

Machine learning-assisted trust evaluation scheme for emergency messages in VANETs

ZHOU Hao¹(), SHAO Shiyun²(), MA Yong³(), LIU Zhiquan¹^,⁴(), GUAN Quanlong¹(), WANG Xiaoming¹()

1. College of Cyber Security,Jinan University,Guangzhou 510632,China
2. School of Computer Science & Engineering,University of Electronic Science and Technology of China, Chengdu 611731,China
3. School of Computer and Information Engineering,Jiangxi Normal University,Nanchang 330022,China
4. Cyberdataforce(Beijing) Technology Ltd.,Beijing 100020,China

Received:2023-05-07 Online:2024-12-20 Published:2024-12-05

摘要/Abstract

摘要：

车联网是智能交通系统的重要组成部分,能够通过传播车辆消息提高交通安全和效率,近年来得到政府、工业和学术界的广泛研究。然而,在车联网中,恶意车辆广播的虚假紧急消息将对车联网正常运行和交通安全造成极大的威胁。为解决现有车联网信任管理方案在高恶意车辆占比下消息信任评估准确性低的问题,提出一种车联网中机器学习辅助的紧急消息信任评估方案。提出的方案对现有方案的消息信任评估算法进行优化,在评估过程中引入随机森林模型以辅助路侧单元对车联网中紧急消息进行分析,并输出消息为真实消息的预测概率;接着,基于随机森林模型输出的预测概率设计可切换缓存机制,并结合智能合约设计信任值查询算法,以平衡现有方案中路侧单元在查询效率和存储空间开销之间的冲突;同时,将预测概率作为参考因子引入消息信任评估算法,以得到更高的消息评估准确率;最后,基于所提方案,与现有方案进行对比。实验结果表明,所提方案的消息信任评估准确率提升约6.2%~21.9%,且在多种恶意车辆占比下表现出较好的鲁棒性。

关键词: 车联网, 紧急消息, 机器学习, 智能合约, 信任评估

Abstract:

Vehicular ad hoc networks(VANETs) are an important part of intelligent transportation systems and can improve traffic safety and efficiency through the dissemination of vehicle messages.However,the dissemination of false emergency messages by malicious vehicles poses a serious threat to the normal operation of VANETs and traffic safety.To address the low accuracy of message trust evaluation in existing trust management schemes for VANETs with a high proportion of malicious vehicles,a machine learning-assisted trust evaluation scheme is proposed which optimizes the existing trust evaluation algorithm by introducing a random forest model to assist roadside units in analyzing emergency messages and outputting the prediction probability of messages being true.Based on the prediction probability output by the random forest model,a switchable caching mechanism is designed,and a trust value query algorithm is designed to balance the conflict between query efficiency and storage space overhead of roadside units in the existing scheme.Meanwhile,the prediction probability is used as a reference factor in the trust evaluation algorithm to obtain a higher message evaluation accuracy.Finally,the proposed scheme is compared with the existing scheme,and experimental results show that the message trust evaluation accuracy of the proposed scheme is improved by approximately 6.2%~21.9% and that the proposed scheme exhibits good robustness under several proportions of malicious vehicles.

Key words: vehicular ad-hoc networks, emergency message, machine learning, smart contract, trust evaluation

中图分类号:

TP309

周浩, 邵诗韵, 马勇, 刘志全, 官全龙, 王晓明. 机器学习辅助的车联网紧急消息信任评估方案[J]. 西安电子科技大学学报, 2024, 51(6): 194-203.

ZHOU Hao, SHAO Shiyun, MA Yong, LIU Zhiquan, GUAN Quanlong, WANG Xiaoming. Machine learning-assisted trust evaluation scheme for emergency messages in VANETs[J]. Journal of Xidian University, 2024, 51(6): 194-203.

图/表 11

图1

图2

表1

表2

表3

图3

图4

图5

图6

图7

图8

参考文献 19

[1]	LIU Z Q, MA J F, WENG J, et al. LPPTE:A Lightweight Privacy-Preserving Trust Evaluation Scheme for Facilitating Distributed Data Fusion in Cooperative Vehicular Safety Applications[J]. Information Fusion, 2021, 73:144-156.
[2]	LIU Z Q, HUANG F R, WENG J, et al. TCEMD:A Trust Cascading-Based Emergency Message Dissemination Model in VANETs[J]. IEEE Internet of Things Journal, 2019, 7(5):4028-4048.
[3]	SHAN Z C, JIN L H, YAN S, et al. A Vision of C-V2X:Technologies,Field Testing,and Challenges with Chinese Development[J]. IEEE Internet of Things Journal, 2020, 7(5):3872-3881.
[4]	GHAZI M U, KHAN KHATTAK M A, SHABIR B, et al. Emergency Message Dissemination in Vehicular Networks:A Review[J]. IEEE Access, 2020, 8:38606-38621.
[5]	MOSTAFA A. VANET Blockchain:A General Framework for Detecting Malicious Vehicles[J]. Journal of Communications, 2019, 14(5):356-362.
[6]	SHRESTHA R, BAJRACHARYA R, NAM S Y. Centralized Approach for Trustworthy Message Dissemination in VANET[C]// NOMS 2018-2018 IEEE/IFIP Network Operations and Management Symposium. Piscataway:IEEE, 2018:1-5.
[7]	HUANG Y, YU R, KANG J. Distributed Reputation Management for Secure and Efficient Vehicular Edge Computing and Networks[J]. IEEE Access, 2017, 5:25408-25420.
[8]	HUANG X, YU R, KANG J, et al. A Distributed Reputation Scheme for Situation Awareness in Vehicular Ad Hoc Networks(VANETs)[C]// IEEE CogSIMA. Piscataway:IEEE, 2016:63-67.
[9]	DAI H N, ZHENG Z B, ZHANG Y. Blockchain for Internet of Things:A Survey[J]. IEEE Internet of Things Journal, 2019, 6(5):8076-8094.
[10]	LIU H, HAN D, LI D. Behavior Analysis and Blockchain-Based Trust Management in VANET[J]. Journal of Parallel and Distributed Computing, 2021, 151:61-69.
[11]	YANG Z, YANG K, LEI L, et al. Blockchain-Based Decentralized Trust Management in Vehicular Networks[J]. IEEE Internet of Things Journal, 2019, 6(2):1495-1505. doi: 10.1109/JIOT.2018.2836144
[12]	周浩, 马建峰, 刘志全, 等. 车联网中区块链辅助的紧急消息信任评估方案[J]. 西安电子科技大学学报, 2023:50(4):1-9.
	ZHOU Hao, MA Jianfeng, LIU Zhiquan, et al. Blockchain-Assisted Solution for Emergency Message Trust Evaluation in VANET[J]. Journal of Xidian University, 2023:50(4):1-9.
[13]	HAO Y, LE L, GEOFFREY Y L, et al. Machine Learning for Vehicular Networks:Recent Advances and Application Examples[J]. IEEE Vehicular Technology Magazine, 2018, 13(2):94-101.
[14]	UK Department for Transport. UK Car Accidents 2005-2015(2018) [DS/OL]. [2022-05-09]. https://www.kaggle.com/datasets/silicon99/dft-accident-data.
[15]	LAVALLEY M P. Logistic Regression[J]. Circulation, 2008, 117(18):2395-2399. doi: 10.1161/CIRCULATIONAHA.106.682658 pmid: 18458181
[16]	TONG D, QU Y R, PRASANNA V K. Accelerating Decision Tree Based Traffic Classification on FPGA and Multicore Platforms[J]. IEEE Transactions on Parallel and Distributed Systems, 2017, 28(11):3046-3059.
[17]	ALI M M, ANWAR R, YOUSEF A F, et al. Influence of Bagging on the Development and Quality of Fruits[J]. Plants, 2021, 10(2):358.
[18]	RIGATTI S J. Random Forest[J]. Journal of Insurance Medicine, 2017, 47(1):31-39. doi: 10.17849/insm-47-01-31-39.1 pmid: 28836909
[19]	LIU H, TIAN H, LI Y, et al. Comparison of Four Adaboost Algorithm Based Artificial Neural Networks in Wind Speed Predictions[J]. Energy Conversion and Management, 2015, 92:67-81.

方案	低时延查询	低时延评估	精准评估	系统鲁棒性
HMM^[9]	√	×	√	×
BAYES^[10]	×	√	√	×
文献[11]	√	√	√	×
文中方案	√	√	√	√

参数名称	取值
RSU信号覆盖范围/m	300
车辆速度/(km·h^-1)	[18,120]
车辆信任值范围	[0.0,1.0]
Thr_cache	0.5
决策树数目	10
ψ	0.5
ζ	0.5

特征名称	特征含义
Engine_Capacity_(CC)	发动机排量
Age_of_Vehicle	车龄
Day_of_Week	日期
Vehicle_Type	车辆类型
Vehicle_Manoeuvre	车辆机动性
Junction_Detail	路口细节
Junction_Location	交叉口位置
Number_of_Vehicles	车辆数
Longitude	经度
Latitude	纬度

机器学习辅助的车联网紧急消息信任评估方案

Machine learning-assisted trust evaluation scheme for emergency messages in VANETs

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 19

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	李小涵, 杨颜博, 张嘉伟, 李宝山, 马建峰. 面向以太坊智能合约的图神经网络漏洞检测[J]. 西安电子科技大学学报, 2024, 51(4): 139-150.
[2]	姜来为, 顾海洋, 谢丽霞, 杨宏宇. 机器学习在WSN入侵检测中的应用研究[J]. 西安电子科技大学学报, 2024, 51(4): 206-225.
[3]	彭泳翔, 马勇, 刘志全, 王立波, 吴永东, 陈宁, 唐泳. 一种支持交易筛选的高性能智能合约测试方案[J]. 西安电子科技大学学报, 2024, 51(3): 194-202.
[4]	彭泳翔, 刘志全, 王立波, 吴永东, 马建峰, 陈宁. 一种支持内嵌数据处理的合约漏洞修复方案[J]. 西安电子科技大学学报, 2024, 51(1): 178-186.
[5]	熊敬伟, 潘继飞, 毕大平, 杜明洋. 面向雷达行为识别的多尺度卷积注意力网络[J]. 西安电子科技大学学报, 2023, 50(6): 62-74.
[6]	周浩,马建峰,刘志全,王立波,吴永东,范文杰. 车联网中区块链辅助的紧急消息信任评估方案[J]. 西安电子科技大学学报, 2023, 50(4): 148-156.
[7]	冯景瑜,李嘉伦,张宝军,韩刚,张文波. 工业互联网中抗APT窃密的主动式零信任模型[J]. 西安电子科技大学学报, 2023, 50(4): 76-88.
[8]	郭刚,杨超,陈明哲,马建峰. 结合机器学习的SSR代理下App流量识别方法[J]. 西安电子科技大学学报, 2023, 50(2): 138-146.
[9]	潘森杉,王赛妃. 一种抗伪造攻击的车联网无证书聚合签密方案[J]. 西安电子科技大学学报, 2023, 50(2): 169-177.
[10]	刘远振, 杨颜博, 张嘉伟, 李宝山, 马建峰. 一种抗分布式机器学习恶意节点的区块链方案[J]. 西安电子科技大学学报, 2023, 50(2): 178-187.
[11]	李文华,董丽华,曾勇. key-nets同态加密方案的安全性分析及改进[J]. 西安电子科技大学学报, 2023, 50(1): 192-202.
[12]	何雨,田有亮,万良,杨力. 支持结果验证的多服务器动态可搜索加密方案[J]. 西安电子科技大学学报, 2022, 49(5): 189-200.
[13]	乔文欣,卢昱,刘益岑,李志伟,李玺. 空天地协同的边缘云服务功能链动态编排方法[J]. 西安电子科技大学学报, 2022, 49(2): 79-88.
[14]	李雪莲,张夏川,高军涛,向登梅. 支持属性和代理重加密的区块链数据共享方案[J]. 西安电子科技大学学报, 2022, 49(1): 1-16.
[15]	赖成喆,陈瑶,郭奇立,郑东. 车联网中基于博弈论的合作下载激励方案[J]. 西安电子科技大学学报, 2021, 48(3): 9-20.