车联网环境下CACC车辆信息传播安全性研究∗

魏 磊，王云鹏，秦洪懋，余贵珍

(北京航空航天大学，车路协同与安全控制重点实验室，北京 100191)

前言

以车联网为基础的协同式自适应巡航控制(cooperative adaptive cruise control，CACC)是指搭载自适应巡航控制系统的汽车采用移动无线通信技术如DSRC(dedicated short range communications)与路、人和云进行信息交互，解决交通事故、交通拥挤等现实问题[1－2]。然而，随着车联网和车路协同技术的应用部署，由于其移动通信和应用信息的开放性[2－3]，在满足车辆信息交互的同时也为病毒入侵提供了可乘之机。入侵的恶意代码可以伴随CACC车辆间信息的传输大面积扩散，轻则窃取用户隐私，重则干扰车辆正常行驶，产生严重的安全威胁。

目前，分析车联网环境下信息传播的经典方法是利用仿真的方法。E.Spaho等[4]详细回顾了仿真的方法，分析了交通流、信息流和车车通信事件之间的非线性关系。X.Yang等[5]在已有微观交通仿真模型的基础上，构建了车联网环境下的信息传播仿真框架，仿真了高速公路车辆间的信息传播。文献[6]～文献[8]中将交通流简化为静态交通流，依靠分析交通参数统计分布，讨论了信息流传播面临的限制条件。然而，这些仿真方法都缺乏严格的理论模型支持。Kim Y.H.等[9]考虑了通信约束，分析了信息传播与交通流动力学之间的关系，建立信息流传播模型，描述信息流传播动态行为。Du L.等[10]将道路分成多个细胞单元，构建了信息耦合细胞传输模型(IT-CTM)以捕捉信息在细胞内部与细胞之间的流动。

综上所述，目前国内外专家学者针对车联网信息传播进行的研究大都是针对善意信息，并没有考虑恶意病毒信息的入侵。此外，目前构建的相关信息传播模型大多没有考虑不同类型车流之间的相互影响。基于此，本文中针对CACC车辆与普通车辆混合行驶的现实道路交通环境，构建出车联网环境下的病毒传播动力学模型，旨在为研究车联网环境下的病毒传播规律提供理论基础，同时为抑制病毒信息传播提供有效方法，保障CACC车辆信息传播的安全性。

1 车联网环境下的CACC车辆病毒信息传播动力学模型构建

1.1 CACC车辆通信概率

为了分析CACC车辆通信概率，本文中首先基于元胞自动将道路划分为若干个等长的元胞，每一辆车占据一个元胞[11]，为使模拟出的交通流更符合真实情况，引入安全距离模型[12－13]，进一步提升模拟精度。模型演化过程包括匀速、加速、减速及位置更新。陆丽丽等[13]认为CACC车辆若想完成通信功能，应保证路网上一个通信范围内至少有一辆CACC车辆。但考虑到车辆间无线信号的传输会受到行驶速度、信道质量和环境变化等其它不确定性因素的影响，导致无线信号在传输过程中动态衰减。因此，CACC车辆若想完成通信功能，在保证通信范围内至少有一辆CACC车辆的同时还要确保通信范围内信号传输的可靠性。基于此，本文中提出车联网环境下CACC车辆通信概率的计算方法，通信成功的概率Pcom为

式中：m为将通信范围内的道路离散成的元胞总数；P1为元胞未被车辆占有的概率；P2为元胞被普通车辆占有的概率；Psuc为信号被可靠接收的概率。

(1)P1计算方法[13]

式中：N(t)为仿真t时刻的车辆总数；N为整条车道被离散成的元胞总数。

(2)P2计算方法[13]

式中q为CACC车辆在路比率。

(3)Psuc计算方法

为了研究行驶速度、信道质量和环境变化等其它不确定性因素对车辆间信号传输造成的影响，计算CACC车辆通信成功的概率。本文中选取参数为平均信号强度的瑞利衰落模型(Rayleigh fading)对传输过程进行模拟，同时认为无线信号功率传输满足弗里斯传输(Friis’law)。与发送信号车辆所在元胞距离为d的元胞x处收到的平均信号强度[14]Ω(pr(x))为

式中：pt为CACC车辆无线信号发射功率；Gt为信号发射天线增益；Gr为信号接收天线增益；λ为无线信号波长，λ＝c/f，f为无线信号频率，c为光速。

元胞x处接收到的无线信号概率密度函数[14]f(pr(x))为

根据无线车载通信协议的定义，如果CACC车辆接收到的信号功率大于等于最小接收灵敏度psen，则认为信号传输成功，否则认为信号传输失败。因此，当信号发送车辆与位于元胞x内的信号接收车辆其距离 s＝d时，该车成功接收到信息的概率

(4)Pcom计算方法

将式(2)、式(3)和式(6)代入式(1)得到CACC车辆通信成功概率Pcom：

1.2 CACC车辆病毒感染概率

为了计算易感染车辆与携病毒车辆接触导致其感染病毒的概率，本文中考虑CACC车辆间的信息交互行为对车辆节点移动性进行分析。如图1所示，t时刻，某一携病毒车辆i在元胞xi(t)处以速度vi在车道内沿某一方向θ移动，若其通信范围为r，则该携病毒车辆在单位时间Δt内扫过的面积Sθ为

单位时间进入到该范围内的易感染车辆数Nθ为

式中ρs为易感染车辆的道路空间占有率，辆/m2。

易感染车辆与携病毒车辆的接触概率Ptou为

由此可得，单位时间内易感染车辆与携病毒车辆接触导致其感染病毒的概率β为

将式(10)和式(7)代入式(11)得到CACC车辆病毒感染概率：

图1 车辆节点移动过程

将式(12)代入传染病SIR模型[13]可得车联网环境下CACC车辆病毒信息传播动力学模型：

式中：S为易感染车辆；I为携病毒车辆；R为免疫车辆；α为免疫概率；γ为通信频率。

2 车联网环境下的CACC车辆病毒信息传播动力学模型仿真

本文中以长度为30 km的城市道路为仿真对象，车车通信系统采用DSRC技术，由于车辆通信范围即车辆采用某种车载通信技术的作用距离，因此，DSRC作用距离即车辆间的通信范围(单位：m)。仿真实验中用到的参数设置如表1所示。

表1 仿真实验参数

(1)仿真场景一

在交通流密度保持稳定的情况下，ρ取0.3即平均一个元胞有0.3辆车，当DSRC作用距离即车辆间的通信范围(单位：m)取不同值时，单位时间内CACC车辆病毒感染概率随CACC车辆在路比率和携病毒车行驶速度(单位：m/s)变化的结果如图2所示。

图2 不同通信范围条件下CACC车辆病毒感染概率

从图2可以看出，随着CACC车辆通信范围的逐渐增大，病毒感染概率的最大值逐渐增大，究其原因是由于通信范围的增大会加大车辆间信号传输范围，因此感染概率增大。若携病毒车行驶速度保持不变，当CACC车辆在路比率达到一定数值后，由于车辆间的通信范围存在上限，单位时间内车辆感染病毒的概率将不再随CACC车辆在路比率的提高而增大。图3进一步显示了交通流密度稳定下，携病毒车行驶速度与感染病毒车辆数量之间的变化关系。

图3 不同速度下的感染病毒车辆比例

从图3可以看出，在其它影响因素(CACC车辆在路比率、通信范围和交通密度)相同的情况下，由于仿真过程中携病毒车每次行驶时间相同，携病毒车行驶速度越快则意味着行驶过的距离越长，因此感染概率越大。

分别取不同通信范围对应感染概率的最大值对病毒传播过程进行仿真，仿真结果如图4所示。

从图4可以看出，病毒传播过程可分为增长阶段、爆发阶段和免疫阶段。起初道路上绝大部分CACC车辆处于易感染状态，携病毒车辆和免疫车辆的数量接近于零。随着病毒信息的扩散，病毒传播过程由增长阶段变为爆发阶段。同时，在CACC车辆安全防御机制作用下，已感染病毒车辆以0.1的免疫概率变为免疫车辆，免疫车数量逐渐增多，最后病毒传播达到免疫阶段。对不同通信范围条件下的病毒传播过程进行对比分析可以看出，CACC车辆通信范围越大，病毒感染概率的最大值越大，病毒传播各阶段的波动范围越大。

(2)仿真场景二

在CACC车辆通信范围固定情况下，如 r取500 m，在不同的道路环境中，交通流密度取不同值，单位时间内CACC车辆病毒感染概率随CACC车辆在路比率和病毒车行驶速度变化的结果，如图5所示。

从图5可以看出，随着交通流密度的逐渐增大

图4 交通流密度稳定环境下车联网病毒传播过程

图5 不同交通密度环境下CACC车辆病毒感染概率

病毒感染概率的最大值逐渐减小，究其原因是由于交通流密度的增大会加大CACC车辆间信号传输受到的干扰，导致信息传输效率下降，因此感染概率降低。但随着交通流密度的变化，病毒感染概率的波动很小。结合场景一的图2仿真结果可以看出，不论在何种条件下，当CACC车辆在路比率增长至35%后，由于车辆间基本实现了完全通信，此时的病毒感染的概率将不再受CACC车辆在路比率影响。图6进一步显示了车辆通信范围固定下，病毒车行驶速度与感染病毒车辆数量之间的变化关系。从图6可以看出，经历同样的传播时间，病毒感染概率越大，感染病毒车辆比例越高，波动范围越大。因此，可以通过降低病毒感染概率控制病毒信息传播范围，保障CACC车辆信息传播安全性。

分别取不同交通密度环境对应感染概率的最大值，对病毒传播过程进行仿真，仿真结果如图7所示。

图6 不同速度下的感染病毒车辆比例

图7 车辆通信范围固定下车联网病毒传播过程

从图7仿真结果可以看出，病毒传播过程同样分为3个阶段，但在CACC车辆通信范围固定的条件下，在不同的交通密度环境中，病毒传播增长过程均较为平缓，没有出现如图4中的大规模增长和波动。综合仿真场景一、二可以看出，与交通流密度的变化相比，CACC车辆通信范围的变化对病毒传播的影响更为剧烈。

3 结论

(1)CACC车辆通信范围、携病毒车行驶距离与CACC车辆病毒感染概率呈正相关关系，而交通流密度的增大则会降低病毒感染概率。

(2)CACC车辆在路比率在一定范围内与CACC车辆病毒感染概率呈正相关关系，当CACC车辆在路比率增长至35%后，单位时间内病毒感染概率将不再随CACC车辆在路比率的提高而增大。

(3)车联网环境下的病毒传播过程可分为增长阶段、爆发阶段和免疫阶段。若CACC车辆病毒感染概率越高，则病毒传播迎来爆发阶段所需的时间越短，病毒传播达到免疫阶段免疫状态车辆所占的比例越高。

(4)与交通流密度的变化相比，CACC车辆通信范围的变化对病毒传播的影响更为剧烈，可通过降低CACC车辆病毒感染概率有效控制病毒传播范围。