基于空間推理的車聯網虛假消息檢測方法

劉伎昭，董躍鈞

(中原工學院 計算機學院，河南 鄭州 450007)

0 引 言

車聯網使用專用短距離通信技術(dedicated short-range communications，DSRC)和5G技術，實現車-車之間、車-路邊基礎設施之間和車-后臺管理中心之間的自組織、多跳無線通信，通過GPS、雷達、攝像頭等車載傳感器感知車輛運動狀態和道路環境信息，實現交通安全、智能導航等豐富的上層應用[1]。

車聯網使用緊急消息廣播機制實現交通安全類應用[2]。車輛在行駛過程中通過車載傳感器感知異常事件的發生，如濕滑路面、交通事故、交通擁堵等，產生緊急消息并通過無線信道廣播至周邊車輛，提醒駕駛員及時做出反應。由于車聯網具有自組織、無中心的架構，任意車輛節點均可以發送此類消息，并且現場通常沒有可信第三方對消息真實性進行驗證，給網絡帶來安全隱患：出于自私性或者惡意攻擊的目的，具有合法網絡身份的內部敵手可以偽造緊急消息，聲稱虛假的交通事故或擁堵事件。由于內部敵手通常擁有CA(certificate authority)分發的密鑰、證書等安全參數，能夠為發出的消息產生合法簽名，接收到緊急消息的車輛無法通過簽名評價消息的真實性，因此可能受到虛假消息的誤導，做出緊急避讓、繞行等動作，影響正常的交通秩序，甚至導致交通事故。現有的虛假消息檢測方法可以分為節點為中心的方案[3]和數據為中心的方案[4]。節點為中心的方案通過收集、記錄和評價每個車輛節點的歷史行為，使用聲譽或者信任值量化車輛節點可信的程度。如Chen等[5]提出了隱私保護的聲譽機制，根據發送者的聲譽值確定是否接受緊急消息。數據為中心的方案不記錄車輛節點的歷史行為，而是評價數據本身的可信程度。Zaidi等[6]提出了基于統計的入侵檢測系統，根據交通流理論建立交通模型，檢測攻擊者發送的虛假消息。

基于交通流理論的研究顯示，道路交通具有較強的空間相關性[7]，發生交通事故等異常事件時，部分車道被事故車輛堵塞，來自于上游的交通流合并到未堵塞的車道，局部道路容量下降，造成上、下游區域車輛動態的異常變化：上游車輛采取減速、變道等避讓動作，下游區域車輛密度降低、速度增加，從而導致局部區域交通參數(車輛速度、相對速度、時距等)統計規律的變化，這種變化可以用來推斷真實的交通狀態，檢測虛假的緊急消息。本文提出一種基于空間推理的虛假消息檢測方法，針對收到的緊急消息，利用上、下游車輛節點作為觀測者，采集車載傳感器數據并計算交通參數，基于決策樹算法建立空間推理模型，對交通參數進行分類，評價真實的交通狀態，推斷告警消息聲稱的緊急事件是否真實發生。使用仿真實驗評價了本文方法的準確性，結果顯示該方法的檢測率和誤檢率獲得了顯著提升。

1 系統模型

1.1 網絡模型

車聯網由車輛節點、路邊基礎設施(road side unit，RSU)、后臺管理中心(如認證中心CA)組成。車輛節點通過車載傳感器獲取自身以及前、后方鄰近車輛的位置、方向、距離、速度等信息，感知異常交通事件(如交通事故、不良路面、擁堵等)并廣播緊急消息通知相關車輛。一個交通事故告警的場景如圖1所示，車輛發送一條告警消息m=(p,t,e,sigpid)聲稱發生交通事故并造成一個車道堵塞，其中p和t為事故發生的位置和時間，e是事件類型，sigpid是車輛使用假名pid對消息的簽名。位于位置p上、下游的車輛稱為觀測車輛，利用車載傳感器的數據對位置p的交通狀態進行推斷，評價事件e的真實性，檢測發送虛假消息的攻擊者。

圖1 網絡模型

1.2 敵手模型

車聯網中內部敵手注入偽造的緊急消息，發起虛假消息攻擊。假設內部敵手擁有CA分發的假名、證書等安全參數，能夠為消息生成合法簽名。假設攻擊現場存在合謀的敵手，合謀敵手具有完全的虛假消息檢測的知識，通過閾下信道進行通信協調各自的攻擊行為，在檢測過程中注入虛假數據，使檢測系統產生錯誤的結果。

2 基于決策樹的空間推理

如圖2所示，虛假消息檢測過程由3個主要部分組成：①證據采集：觀測車輛從車載傳感器采集數據，計算交通參數；②證據交換：觀測車輛之間進行通信，交換證據并計算交通參數的統計數值；③空間推理，基于決策樹算法建立推理模型，將交通參數統計值作為輸入，推斷目的位置的真實交通狀態，報告檢測到的攻擊。

圖2 算法流程

2.1 證據采集

當前檢測車輛記為vi，從車載傳感器采集數據，獲取鄰近車輛的相對位置及實時速度，并計算如下參數：

車輛間距：vi與前方車輛vi-1之間的距離，記為sd。

車輛相對速度：vi與前方車輛vi-1實時速度的差值，記為rs。

車輛時距：車輛間距sd與vi的實時速度之間的比值，記為td。

檢測車輛計算的交通參數被用作證據，推斷目標位置的交通狀態。

2.2 證據交換

為擴大觀測范圍，增強檢測準確性，觀測區域內每個車輛使用安全路由協議將自己的證據分享給上、下游區域內其它觀測車輛，消息格式為(sd,rs,td,sigpid)。同時也接收其它觀測車輛發送的證據，并且計算這些交通參數的統計數值：

(1)上、下游路段中平均車輛間距的差值，記為

(1)

式中：m和n分別是上、下游路段中觀測車輛的數量。

(2)上游路段中車輛相對速度的標準差，記為

(2)

(3)上游路段中車輛時距的標準差，記為

(3)

2.3 空間數據推理

根據交通流理論[8]，將道路交通劃分為兩種狀態：正常狀態和車道堵塞狀態。正常狀態指道路中沒有堵塞，車輛在任意位置都處于相同的運動模式。堵塞狀態指道路中部分車道被交通事故、道路施工等事件堵塞，從上游抵達的車輛改變自由行駛的模式，采取剎車、變道等動作避免發生碰撞；同時，由于堵塞位置車輛流量降低，下游區域呈現低密度、高速度特征。真實交通環境中，交通參數的變化受道路形狀、交通規則、交通壓力等多因素影響，與交通狀態之間通常呈現非線性關系[9]，因此選擇決策樹算法建立推理模型。決策樹是一種以實例為基礎的歸納學習分類方法，能夠快速處理高維、非線性數據。使用歷史交通數據對模型進行訓練，車輛節點預存儲訓練后的模型，針對收到的告警消息，將上、下游觀測車輛收集的交通參數作為輸入，對數據進行分類，推斷目標位置的真實交通狀態。

假設歷史交通數據X=(x1,…,xi,…,xk)包含k個樣本數據，其中xi=(sd,rs,td)，sd，rs和td為屬性。另有樣本標簽L=(l1,…,li,…,lk)，其中li=0或li=1分別表示相應的數據x屬于正常或者車道堵塞狀態。訓練樣本可以歸為正常狀態樣本和堵塞狀態樣本，記為X={X1,X2}。使用Quinlan等提出的基于分治策略的C4.5遞歸決策樹生成方法[10]，使用信息熵衡量樣本集合的信息純度，數據集合X的信息熵為

(4)

(5)

式中：Gain(X,a)是樣本集X基于劃分點t二分后的信息增益。對于訓練集的多個屬性，信息增益越大，獲得的“純度”提升越大。

車聯網中每個車輛節點預存儲訓練完成的決策樹，收到緊急消息后，運行檢測算法評價消息真實性。如果推斷結果與緊急消息聲稱的事件不符，則視為發現攻擊，將緊急消息及其發送者的身份信息報告后臺管理中心。算法的完整過程見表1。

表1 虛假消息檢測算法

3 實 驗

3.1 仿真設置

基于仿真實驗評價本文方法的性能，并與文獻[11]提出的基于心跳信息的虛假消息檢測方法進行對比分析。交通場景使用微觀交通仿真軟件SUMO v0.19.0(simulation of urban mobility)建立。仿真使用一條單向、三車道直線型高速公路(如圖3所示)，長度為1公里，設置了3種不同類型的車輛，長度分別為5 m、7 m和10 m，最大速度分別為19 m/s、17 m/s、15 m/s。車輛從左側進入道路，流量為840輛/小時。將本文提出的方法在網絡仿真軟件NS2中實現，將SUMO產生的車輛移動軌跡作為輸入運行網絡仿真，車輛節點無線傳輸距離設置為250 m。決策樹的訓練基于Python和scikit-learn軟件包實現，其它參數設置見表2。

表2 仿真參數設置

圖3 交通場景

仿真使用3個交通場景：無事故場景、單車道堵塞事故場景和雙車道堵塞事故場景。在單/雙車道堵塞場景中，在道路500 m處設置靜止的車輛堵塞了右側及中間車道，模擬交通事故造成的車道堵塞現象，上、下游區域長度均為150 m。首先將3個交通場景分別運行600 s時長，上、下游區域內的車輛每隔1 s收集傳感器數據，并計算交通參數作為訓練樣本對決策樹進行訓練，訓練完成的模型存儲在每個車輛節點中，用于實時檢測過程。

3.2 結果及分析

圖4給出了訓練數據集中3個交通場景的交通參數，其中x，y和z軸分別代表diff_sd，std_rs_up和std_td_up這3個屬性，從圖中可見3種場景的交通參數呈現較為清晰的分界，說明選擇的交通參數能夠較好地表征交通狀態之間的差異。同時，從圖中可以發現正常狀態和車道堵塞狀態之間難以使用線性邊界進行分類，說明了分類任務的非線性特性，需要使用決策樹等非線性方法確定分類邊界。

圖4 交通參數

基于C4.5決策樹算法使用訓練樣本對推理模型進行了訓練，生成的決策樹如圖5所示。為防止過擬合，對決策樹進行了剪枝處理，最大深度限制為4，分支的最小樣本數限制為5。

圖5 決策樹

使用訓練完成的決策樹進行虛假消息檢測，使用檢測率和誤檢率對檢測準確性進行評價，檢測率定義指虛假消息被成功檢測的概率，誤檢率定義為虛假消息被漏檢的概率和真實消息被檢測為虛假消息的概率之和。為評價系統的抗合謀攻擊能力，定義攻擊者比例為上、下游路段中合謀攻擊者的數量與此區域中車輛總數的比值。圖6和圖7給出了不同攻擊者比例下本文方法的檢測率和誤檢率，并與基于心跳消息的方法進行了對比。從圖6可以看出，隨著攻擊者比例增加，兩種方法的檢測率逐漸下降，但在所有的攻擊者比例下本文方法的檢測率均高于基于心跳消息的方法。本文方法在合謀攻擊者不大于25%時能夠獲得98%以上的檢測率。這主要是由于本文方法利用了上、下游區域內的車輛節點，而基于心跳消息的方法中只有上游車輛節點能提供有效數據。由于檢測車輛數量更大，成功實施合謀攻擊需要的攻擊者數量越多。在40%的合謀者比例下，本文方法和基于心跳消息的方法的檢測率分別為50%和19%，說明本文方法獲得了更強的抗合謀攻擊能力。

圖6 檢測率

圖7 誤檢率

圖7顯示了同樣的趨勢。與基于心跳消息的方法相比，本文方法獲得了更低的誤檢率。在25%合謀節點比例下，本文方法的誤檢率為4.5%，而基于心跳消息的方法的誤檢率達到了25.5%。

4 結束語

針對車聯網中內部敵手發起的虛假消息攻擊，車輛受到誤導可能采取錯誤的駕駛動作，不但影響系統可靠性，而且對交通安全造成隱患。本文利用交通數據具有較強空間相關性的特點，提出一種空間推理的分布式檢測方法，位于現場上、下游的車輛彼此合作測量交通參數，利用C4.5決策樹算法對交通數據進行分類，推斷真實的交通狀態，檢測攻擊者。使用仿真實驗對提出的方法進行了評價，結果顯示該方法的檢測率、誤檢率均顯著優于現有的基于心跳消息的方法，并且能夠獲得更強的抗合謀攻擊能力。