基于信息中心網絡的車聯網安全與數據可信機制研究

孟凡超++吳越

摘 要 隨著城市中的交通擁堵現象日益嚴重，動態路徑規劃的應用逐漸受到人們的重視。然而，在車聯網中，路況信息的傳播缺乏信任機制，易引發攻擊。本文提出了一種以數據為中心的路況消息信任模型來驗證路況消息的真實性，并篩選出真實值。實驗結果表明，該模型能抵御惡意消息的攻擊，提升車輛的行駛效率，且時間復雜度低，無需引入額外信息進行信任判斷。

【關鍵詞】車聯網 動態路徑規劃 數據信任 信息中心網絡

道路和車輛交通已經成為全球性公共安全問題，而作為智能交通系統重要基礎之一的車聯網（Automotive Network）的概念就是在這種需求背景下提出的。2003年的ITU-T汽車電通信標準化會議上，正式提出了車聯網的概念和體系架構。

以車聯網為基礎的智能交通系統中，動態路徑規劃（Dynamic Routing）是智能交通中的一個重要應用。車輛節點從車聯網中收集相關的路況信息，動態規劃車輛的行駛路線，從而躲避擁堵。大部分的路徑規劃應用忽略收到的路況信息本身的真實性和有效性。因此，引入信任評價模型有助于增強車載網絡路徑規劃應用的魯棒性。

本文提出了一種新的數據信任模型，通過使用數據進行信任評價，使得信任評價更加靈活。實驗結果表明，基于數據的信任模型可以有效檢測網絡中的虛假路況信息，提高了車輛的行駛效率，有效避免了交通擁堵。

1 相關工作

信息中心網絡的概念于2007年提出，隨后美國和歐洲都針對這一概念制定了一些網絡的標準。信息中心網絡是一種基于命名數據對象的未來互聯網體系架構，它能提供高效可靠的信息分發通用平臺，通過將發送者和接受者的關系解耦，無需發送端和接收端同時在線即可完成所需信息的傳輸。節點設有本地緩存，提升了數據傳輸的效率和穩定性，使得信息中心網絡能夠更加高效和穩定的傳輸。

2 基于數據的信任模型

2.1 路況消息

為了避免惡意車輛篡改其他車輛發出的消息，同時能夠在接收消息時辨明對方身份，我們引入身份密碼學（IBC）的概念，對路況消息進行簽名。本文中車聯網中的路況消息定義如下：

M={ vi ， lj ， ti，j ， Timestamp， Sign（m， Kpriv（vi））}

含義如下：Vi，車輛i；lj：路段j；ti，j：行駛時間；Timestamp，時間戳；Kpriv（vi），vi私鑰；Sign（m， Kpriv（vi））， 簽名。

2.2 信任評價流程

數據庫中存有路況信息。在更新前，路徑規劃應用會對同一路段的數據進行信任評價，并選取最優結果并尋路。本文提出一種基于K-Means的路況消息信任計算方式，流程如下：先從數據庫中讀取路段數據，并以最小值、平均值和最大值作為中心點，建立聚類集合，并計算每個數據到中心點的距離并歸類。之后，計算每個集合的均值，并與中心點的值比較：如果每個集合的均值與其中心點都相等，則結束，否則將中心點的值改變成均值重復以上步驟。

至此，將數據劃分為三個類。此后進行類合并，并計算集合中心點之間的差值比。若比值小于0.2，則將兩個集合合并，若差值比均大于0.2，則說明三個集合都保存了正確數據，則取平均值對應的集合為正確。在合并集合后，計算各個集合中元素個數，取元素個數多的集合的均值更新。

在算法的資源消耗上，K-Means方式在時間復雜度上更低，由于使用迭代的方式，因此時間復雜度為O（Kn），其中K為迭代次數。

3 實驗

為了驗證這三種算法在車聯網環境中的效率，以及應用算法后的有效性，我們使用模擬軟件對車聯網環境進行模擬。我們使用SUMO進行車輛交通的模擬，使用OMNeT++進行網絡的模擬，并使用Veins對交通仿真平臺和網絡仿真平臺進行交互。

實驗中的場景選用江蘇省南京市的市區地圖。實驗中共1000個車輛節點，其中600輛可通信，60輛可信車輛。400輛為未裝備車輛。

3.1 正確率分析

為了更好的分析三種算法的性能，我們引入理想投票和原始算法進行對比分析。

在惡意消息比例較低的情況下，由于DST引入了不確定性，會導致正確率下降，但在等待更多證據到達時，DST的正確率提高，也說明了DST在尋找正確消息的能力上比理想投票和原始算法要強。BI算法在惡意節點較少的時候正確率很高，面對惡意節點數量增多的情況時表現與DST等待較為相似。

對于K-Means算法，在惡意車輛率低的情況下錯誤率較低，當惡意車輛率增高時，算法正確率下降很快，因此惡意數據比例對于算法的正確率有較大的影響。

3.2 到達時間比

在應用算法后，并不是所有的車輛的行程時間都有所減少。本文在40%惡意車輛占比條件下統計了應用信任評價算法前后車輛行程時間比。比值小于或等于1表示車輛在經過算法篩選信息后，行程時間得到了改善，否則表示行程時間有所延長。

實驗結果表明，在應用了DST算法后，有84.6%的車輛的行程時間都得到了優化，另外15.4%的車輛因為更新路線后發生了新的擁堵，行程時間受到了延長。對于BI方法，僅有59.9%的車輛的時間占比小于或等于1。對于K-Means方法，有71.9%的車輛行程時間有所改善，其中有44%的車輛時間比為1。

總體來說，三種方式都能夠篩選出大部分惡意信息，使得車輛免遭誤導且避開了擁堵，提升了駕駛體驗。

4 結論與展望

本文在仿真場景中，通過應用信任評價算法，在不引入額外數據的情況下篩選出真實數據，達到了優化車輛行程時間，緩解交通擁堵的目的。三種方式在處理路況消息的信任上各有優劣：DST和BI方式對于少量數據的處理仍有較好的效果；K-Means方式在正確數據占比高的情況下效果很好，而且對于大量的數據能高效的進行處理。因此，當到達數據量較少時（本文實驗場景中為20條以下）應選用DST/BI方式，以獲得更高的準確率；當數據量較大時，用K-Means方式處理能獲得更高的效率。

總之，三種方式都能較好的對路況信息進行篩選，能夠有效的應對網絡中的數據偽造攻擊，保障車聯網環境中的路況信息傳播安全。

作者簡介

孟凡超（1991-），男，上海交通大學，碩士研究生。主要研究方向為無線網絡安全。

吳越（1968-），男，上海交通大學，副教授，博士。主要研究方向為無線網絡安全。

作者單位

上海交通大學信息安全工程學院 上海市 200240