一种基于更新间隔动态调整的车联网车辆信誉更新方法
技术领域
本发明涉及信息安全技术领域，具体涉及一种基于更新间隔动态调整的车联网车辆信誉更新方法。
背景技术
在车载自组织网络(Vehicular Ad-hoc Networks，VANETs)中，信任被定义为一种车辆对另一辆车辆执行特定信息交互的信任度。信誉机制基于信任值评估车辆的信誉，检测车辆是否恶意。信誉管理在VANETs中起着重要的作用，因为它可以让每辆车在对接收到的消息采取行动之前先评估其他车辆的可靠程度，以避免由于虚假信息造成的严重后果。然而，恶意车辆的行为并不稳定，它们可以针对信誉机制的更新规则来控制自己恶意行为模式与正常行为模式中变化，以此绕过信誉检测。例如，恶意车辆在执行少量的恶意行为后，通过多次的正常交互行为来重新提升自己的信誉，如此反复，达到信誉值一直高于检测阈值的效果。因此，如何根据通信环境安全状况动态调整信誉更新策略成为一个研究热点。
现有技术中，触发车辆间信誉更新主要有基于交互(Interaction-based)和基于时间(Time-based)的两种方式。
Dias等人于2015年发表在《IEEE Transactions on Industrial Electronics》的论文《A cooperative watchdog system to detect misbehavior nodes in vehiculardelay-tolerant networks》中提出了一种协作式看门狗系统，其中车辆根据一定数量的交互记录对目标车辆进行评估。该方案需要预先设置触发值，并在车辆之间的交互次数超过此值时更新信誉。如果设置值较小，则可能会频繁更新信誉，导致不可忽略的开销；如果设置值较大，则可能长时间不更新，增加安全风险。
El等人于2020年发表在《Vehicular Communications》的论文《Design andevaluation ofa novel hierarchical trust assessment approach for vehicularnetworks》中提出了一种混合信任模型来评估车辆和消息的可信度，该方案中的车辆会根据设置的固定时间触发更新。攻击者可通过观察评估者更新信誉的频率得知这一时间间隔的长度，然后通过控制自身的行为来绕过信誉检测。
然而，现有技术均无法避免恶意车辆适应信誉更新规则并通过控制恶意行为比例来绕过信誉检测。
发明内容
本发明的目的在于提供一种基于更新间隔动态调整的车联网车辆信誉更新方法，对于车辆间的相互信誉计算进行可靠性评估，过滤邻居车辆信誉低、提供的参考意见少的计算结果，并将可靠性评估值结合层次分析法实现更新间隔的动态调整，保证信誉机制对于不同行为的恶意车辆有较好的适应能力，并且由于可靠性评估的结果只存储于评估车辆本地而不公开，攻击者难以通过可截取的信息来推断具体的更新间隔长短。
本发明的方法通过以下具体步骤实现：
一种基于更新间隔动态调整的车联网车辆信誉更新方法，包括以下步骤：
S1、评估车辆根据预先设置的初始更新时间间隔μ触发信誉更新，同时启动计时器并初始化下一轮更新时间间隔的动态调整函数；
S2、评估车辆记录与目标车辆间的交互并统计恶意交互次数；评估车辆收集邻居关于目标车辆的信誉更新，然后计算直接信任度，间接信任度和基于角色的信任度；
S3、评估车辆分别评估直接信任度、间接信任度、基于角色的信任度的可靠性；
S4、评估车辆根据直接信任度、间接信任度、基于角色的信任度计算综合信任度，并且评估综合信任度的可靠性；
S5、评估车辆根据综合信任度的可靠性、恶意交互次数以及动态调整函数计算下一轮更新时间间隔；
S6、若综合信任度的可靠性高于可靠性阈值则更新信誉，否则中止本次信誉更新；
S7、评估车辆完成本轮所有目标车辆的信誉更新后，根据所得的更新时间间隔计时触发下一轮信誉更新并初始化下一轮更新时间间隔的动态调整函数。
为实现上述目的，本发明首先进行系统初始化，执行信誉更新的评估车辆启动计时器，并根据设置的初始更新时间间隔触发信誉更新；然后初始化下一轮更新时间间隔的动态调整函数，并利用AHP确定其中的权重系数。
评估车辆记录与目标的交互信息并收集邻居车辆对其的评价，利用存储的信息执行信任度计算，并评估信任度计算的参考源和计算结果是否可靠，综合上述所得计算出信誉值和其可靠性评估值。
通过可靠性评估结果与记录本次更新时间间隔内受到的恶意攻击次数，评估车辆可以利用动态调整函数计算出下一轮的更新时间间隔。通过了可靠性检测则成功更新目标车辆的信誉，在更新的同时开启下一轮计时。
本发明的显著效果在于：
针对车联网中恶意车辆利用规则绕过信誉检测这一问题，通过量化车辆通信环境的安全性来动态调整信誉更新的时间间隔。本发明旨在确保车联网信誉更新中计算结果的可靠，缓解车辆以合谋来低成本提升信誉的现象，并综合考虑了消息类型、参考价值的时间衰减以及邻居意见的距离衰减，实现车辆间信誉影响因素的综合考量，保证多变环境下恶意节点检测的准确性。
附图说明
图1为本发明所述的基于更新间隔动态调整的车联网车辆信誉更新方法场景图。
图2为本发明所述的基于更新间隔动态调整的车联网车辆信誉更新方法结构图。
图3为本发明所述的基于更新间隔动态调整的车联网车辆信誉更新方法层次分析图。
具体实施方法
以下结合实施例对本发明的技术方案作进一步详细说明。以下实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。
为了避免恶意车辆针对信誉机制的更新规则来控制自己在恶意行为模式与正常行为模式中跳转，以绕过信誉检测；例如，恶意车辆在执行少量的恶意行为后，通过多次的正常交互行为来重新提升自己的信誉，如此反复，达到信誉值一直高于检测阈值的效果。本发明设置了动态调整函数使信誉更新的时间随着评估车辆在评估过程中遇到的恶意交互总数发生变化，当恶意交互总数较高，则更新时间相应地缩短，从而避免恶意车辆适应信誉更新规则并通过控制恶意行为比例来绕过信誉检测。
为了更好地理解本实施例提出的方法，选取一次评估车辆更新目标车辆信誉的过程，场景图可见图1。如本发明方法结构图如图2所示，本实施具体实施步骤如下：
S1、系统初始化：
评估车辆根据预先设置的初始更新时间间隔μ触发信誉更新，同时启动计时器并初始化下一轮更新时间间隔的动态调整函数，所述的动态调整函数的如下式所示：
其中，μ为初始更新时间间隔，设定为30s；
Srs代表评估车辆附近所有目标车辆提供的道路安全信息rs的可靠性评估结果ρT(m，n，c)之和，Stm代表评估车辆附近所有目标车辆提供的交通管理信息tm的可靠性评估结果ρT(m，n，c)之和，Sin代表评估车辆附近所有目标车辆提供的娱乐信息in的可靠性评估结果ρT(m，n，c)之和，计算公式如下式所示：
n代表目标车辆；vn代表目标车辆，Neigh(vm)代表评估车辆附近所有在本次更新时间间隔内与评估车辆发生过信息交互的目标车辆；
c代表信息类型，选自道路安全信息rs，交通管理信息tm和娱乐信息in；M为评估车辆在本次更新时间间隔内遇到的恶意交互总数；
βc∈(rs，tm，in)是Sc∈(rs，tm，in)的权重系数，其值由层次分析法(AHP)确定；构建的层次分析模型如图3所示；可信中心生成评价影响因子判断矩阵JMA、车辆状态判断矩阵
利用特征向量法计算得βrs＝0.4269，βtm＝0.3658，βtm＝0.2073。
ρT(m，n，c)和M分别由本轮信誉更新过程中评估以及统计获得。
S2、评估车辆统计目标车辆提供的所有信息的直接信任度，间接信任度和基于角色的信任度，并在此过程中统计恶意交互次数。
计算信任度是更新车辆声誉的基础，评估车辆利用与目标车辆每次交互的记录(直接信任度)、邻居对目标车辆的意见(间接信任度)以及基于车辆身份制定的固定信任规则(基于角色的信任度)作为评价参考进行信任度计算。
直接信任度：
评估车辆记录与目标车辆的每次交互，本地的存储形式为如下五元组：ri＝(m，n，c，s，t)，其中i是这条交互记录的标识符；m为评估车辆的身份；n为交互车辆(目标车辆)的身份；c是交互的消息类型，包括道路安全信息(rs)、交通管理信息(tm)，以及娱乐信息(in)；s是m对本次交互的满意度，可能值为{0，0.5，1}，其中0表示n提供的消息是错误的或其表现出了攻击行为，此时恶意交互次数+1；0.5表示这次交互是无意义的，或m没有采用n所提供的消息；1表示这是一次成功的交互；t表示交互发生的时间。设定A与B存在娱乐信息的交互，存储的交互记录如下。
r1＝(A，B，in，1，2020.6.3 9:18:01)
r2＝(A，B，in，1，2020.6.3 9:18:04)
r3＝(A，B，in，1，2020.6.3 9:18:06)
r4＝(A，B，in，0.5，2020.6.3 9:18:10)。
间接信任度：
评估车辆在计算目标车辆的某一信息类型的信誉之前，评估车辆会收集邻居车辆对目标车辆的意见，存储的形式为：(p，n，c，o)，其中p为邻居车辆的身份；n为目标车辆的身份；c代表交互的信息类型；o是提供的意见，即邻居更新的目标车辆的信誉。
收集的邻居对于的娱乐信息意见如下：(C，B，in，0.55)，(D，B，in，0.61)，(E，B，in，0.56)，(F，B，in，0.58)。
基于角色的信任度：
为了防止没有以上两种评价参考而不能对目标车辆的可信度进行判断这一情况，本发明基于车辆的身份制定了固定的信任规则。规则由评估车辆自行设定或由可信中心提供。规则是以下形式的五元组：rulei＝(rulem，rulen，c，g，w)，其中i是该规则的标识；rulem是评价车辆m的身份；rulen为目标车辆n的身份(例如公交车、救护车、私家车等)；c为该规则所适用的信息类型；g为评估车辆m对评估车辆自行设定或由可信中心提供的信任规则中该规则的信任度；w为评估车辆m对评估车辆自行设定或由可信中心提供的信任规则该规则的权重值。设定评估车辆A和目标车辆B均为私家车辆，A中存储的关于私家车娱乐类信息的规则为rulei＝(私家车，私家车，in，0.8，0.5)。
S21、评估车辆根据下式计算目标车辆的直接信任度TD：
其中，m代表评估车辆，n代表目标车辆，c代表信息类型；RD(m，n，c)为关于直接信任度所有参考信息hi的集合；wD(hi)表示hi的权重，wD(hi)∈[0，1]；si是hi所提供的参考分值，即评估车辆与目标车辆该次交互的满意度；
所述的wD(hi)的计算方式如下所示：
其中，Δt(hi)是当前时间与hi中记录的交互时间之差；λ是衰减因子；评估车辆在统计RD(m，n，c)中si＝0的次数，将其作为M。
因为目标车辆的行为会随着时间变化，车辆间交互记录的参考价值也会随着时间推延而下降，时间越久相关性越低。所以在直接信任中，本发明使用交互记录的新鲜度作为权重函数wD(hi)，以赋予新的交互记录更大的权重。
设定当前时间为2020.6.3 9:18:31，30秒前的交互记录仅为当前新交互记录效果的一半，即
S22、评估车辆根据下式计算目标车辆的间接信任度TI：
其中，RI(m，n，c)为关于间接信任度所有参考信息hi的集合；wI(hi)表示参考信息hi的权重，wI(hi)∈[0，1]；si是hi所提供的参考分值，即邻居车辆p更新的目标车辆n的信誉；
所述的wD(hi)的计算方式如下所示：
wI(p)＝ε·R(m，p，c)
其中，R(m，p，crs)是评估车辆m中存储的邻居车辆p有关信息类型c的信誉，
所述的ε代表距离影响因子，计算方式如下：
其中，ΔL表示评估车辆m和邻居车辆p之间的距离，L是定义的触发衰减距离，定义车辆之间的通信距离为300米，所以ΔL的范围为[0，300]，ε∈[0.5，1]。
评估车辆在引用邻居的意见时需要考虑距离的影响。车辆所处的环境存在差异，这种差异会随着车辆间隔距离上升而变大，所提供的参考意见的可用性也随之下降，本发明据此在计算间接信任时引入距离影响因子ε。
设定邻居车辆与评估车辆A的距离以及所存储的道路安全类信息信誉为：(C，100，0.52)，(D，125，0.56)，(E，166，0.61)，(F，255，0.57)。
计算所得间接信誉的权重分别为：wI(C)＝0.5200，wI(D)＝0.5600，wI(E)＝0.5512，wI(F)＝0.3353。对应的sC＝0.55，sD＝0.61，sE＝0.56，sF＝0.58。由此计算TI(A，B，in)＝0.5750。
S23、评估车辆根据下式计算目标车辆的基于角色的信任度TR：
其中，RR(m，n，c)为关于基于角色的信任度所有参考信息hi的集合；wR(hi)表示hi的权重，wR(hi)∈[0，1]，wR(hi)的取值为评估车辆m自行设定或由可信中心提供的信任规则中该规则的信任度；si是hi所提供的参考分值，si的取值为评估车辆m自行设定或由可信中心提供的信任规则中该规则的权重值。
评估者依据目标车辆的身份类别，从符合目标车辆n的规则中将g赋值给wR(hi)，将w赋值给si。即wR(rule1)＝0.8，sR＝0.5，计算TR(A，B，in)＝0.5000。
S3、评估车辆分别评估直接信任度、间接信任度、基于角色的信任度的可靠性。
可靠性评估衡量信任度计算结果的可参考性：
ρX(m，n，c)＝ρRX(m，n，c)·ρDX(m，n，c)
其中，ρD(m，n，c)为直接信任度的可靠性，ρI(m，n，c)为间接信任度的可靠性，ρR(m，n，c)为基于角色的信任度的可靠性；ρRX(m，n，c)为额定可靠性；ρDX(m，n，c)为偏差可靠性，ρX(m，n，c)∈[0，1]，0表示该计算结果完全不可靠，1表示计算结果完全可靠。
额定可靠性用于衡量计算时的评价参考数量和以及参考来源的可信度。若计算时只参考了少数低信誉邻居的意见，则认为计算结果相对不可靠：
其中rX是函数的控制因子，用于调整可靠性函数的斜率。当权重之和从0增加到+∞时，ρRX(m，n，c)从0逐渐增加到1。
本实施例中，rX取值为1，计算得ρRD(A，B，in)＝0.8949，ρRI(A，B，in)＝0.8601，ρRR(A，B，in)＝0.5507。
偏差可靠性可衡量不同参考之间的差异，例如，如果邻居提供的意见存在较大差异，则认为计算结果相对不可靠：
当ρDX(m，n，c)为1时表示所有的参考间无偏差，计算结果完全可靠。反之，当ρDX(m，n，c)为0时代表参考的意见完全不同，计算结果不宜用于下一步计算。通过可靠性评估，筛除可信度低、参考数量少、意见偏差大的计算结果。计算得计算得ρDD(A，B，in)＝0.7986，ρDI(A，B，in)＝0.9575，ρDR(A，B，in)＝1.0000。
则ρD(A，B，in)＝0.7147，ρI(A，B，in)＝0.8235，ρR(A，B，in)＝0.5507。
S4.评估车辆根据直接信任度、间接信任度、基于角色的信任度计算综合信任度及其可靠性评估结果。
S41、评估车辆根据直接信任度、间接信任度、基于角色的信任度及分别对应的可靠性评估结果后计算目标车辆的综合信任度T(m，n，c)：
其中，αX是TX(m，n，c)的权重，计算方式为：
αX＝ηX·ρX(m，n，c)
ηX为直接信任度、间接信任度、基于角色的信任度在综合信任度计算中的权重，表示对应信任度在总体信任度计算中的重要性；
设定ηD＝0.5，ηI＝0.4，ηR＝0.1，则αD＝0.3574，αI＝0.3294，αR＝0.0551，计算得T(A，B，in)＝0.7068。
S42、评估车辆根据下式计算综合信任度的可靠性评估结果ρT(m，n，c)，以确保计算综合信任度的高可用性：
计算得ρT(A，B，in)＝0.7419。
S5、评估车辆根据可靠性评估结果ρT(m，n，c)、恶意交互次数M以及动态调整函数计算下一轮更新时间间隔Timenew。
S51、根据可靠性评估结果ρT(m，n，c)以及恶意交互次数M，评估车辆利用动态调整函数计算得Time′，所述的动态调整函数如下式所示：
其中，μ为初始更新时间间隔；
考虑的信息类型c包括道路安全信息(rs)、交通管理信息(tm)，以及娱乐信息(in)；
βc∈(rs，tm，in)是Sc∈(rs，tm，in)的权重系数，其值由AHP确定；M为评估车辆在本次更新时间间隔内遇到的恶意交互总数。ρT(m，n，c)和M分别由本轮信誉更新过程中评估以及统计获得。
本实施例中，已知可靠性评估结果PT(A，B，in)＝0.7419以及恶意交互次数M＝0，计算可得Srs＝0，Stm＝0，Sin＝0.7419，则Time′＝4.6139。
S52、评估车辆预先设置Maxt和Mint，根据下式将下一轮信誉更新的时间间隔Timenew控制在合理范围内：
设定Maxt＝100，Mint＝2，则Timenew＝4.6139。
通过设定的动态调整函数可知，评估车辆周围的车辆数量多、信誉高、提供的意见统一，则表明通信环境安全性高，更新间隔可更长；反之，通信环境不安全，则减小更新间隔，执行更高频率的信誉更新，防止恶意车辆通过一定比率的正常交互来隐藏恶意行为以绕过检测。
S6、若通过了可靠性评估，则更新信誉并开启下一轮更新触发计时，否则中止本次信誉更新。
S61、评估车辆将计算所得的可靠性评估结果ρT(m，n，c)与预先定义的可靠性阈值τ进行对比，若高于该阈值则通过了可靠性检测，将综合信任度T(m，n，c)赋值给信誉R(m，n，c)，否则中止本次信誉更新：
S62、若R(m，n，c)高于设定的检测阈值DTH，则成功更新目标车辆n的信誉，否则将其加入黑名单。
本实施例设定τ＝0.5，则本次计算通过了可靠性验证，R(A，B，in)＝0.7068。设定检测阈值DTH＝0.4，则通过了信誉检测，更新车辆的信誉。
S7、评估车辆完成本轮所有目标车辆的信誉更新后，根据所得的更新时间间隔计时触发下一轮信誉更新并初始化下一轮更新时间间隔的动态调整函数。
