陶 敏,周 雄
(1.中国南方电网超高压输电公司广州局,广东 广州 510003 2.广州高澜节能技术股份有限公司,广东 广州 510003)
作为协同智能交通系统的重要元素,车联网(Vehicular Ad Hoc Networks, VANETs)[1-2]的相关应用得到广泛开发。多数的基于VANETs的应用是以车间通信为基础。此外,这些应用属于辅助决策系统。因此,最终的决策是由人来完成,但是决策系统并不知晓人的忠诚度。
例如,文献[3]提出EYES系统。EYES[3]是一个辅助决策系统,其帮助驾驶员做出正确决策。由于车间通信是基于无线网络标准,其容易遭受网络攻击。此外,人(驾驶员)也存在是否忠诚问题。因此,系统的设计必须考虑到通信实体的安全和终端用户的忠诚度,进而满足系统所需的通信信任[4]。
目前,研究人员提出了不同的保证车间通信安全的策略。这些策略可分为基于加密的[5],基于信任的[6]和两种混合的。然而,这些策略并没有考虑到人为因素。
此外,车辆社会网络(Vehicular Social Networks, VSNs)是社交意识网络的分支。VSNs充分利用车间通信,交互、共享信息,协同决策,形成了一个临时社交网络。此外,车辆的社会属性也是分布式车载云[7]的基础。
随着5G技术的应用,人几乎可以在任何时间和地点获取网络服务。为此,本文利用基于5G技术接入的在线社交网络(Online Social Networks, OSNs),通过考虑人为因素,基于人为因素的车辆信任估计算法(Human factor consideration-based trust evaluation, HFTE)。HFTE算法充分考虑人为因素,估计车辆信任。仿真结果表明,提出的HFTE算法有效地提高对不忠诚节点的检测率。
本文旨在通过考虑人为因素,估计车间信任。而人属社会网络,而车属VANETs。为此,先简述OSN内的信任估计,随后,分析VANETs的信任估计。
基于OSNs的逻辑结构,图1概述了OSN的信任估计结构。通常,OSNs的信任估计可分为三个阶段:(1)收集信任信息; (2) 信任估计;(3)信任值分发。
图1 OSNs内的信任估计
社会信任是通过个人文档信息,并利用标量估计方式进行推导的[8-9]。一旦完成社会信任估计,就直接向终端用户提供社会信任估计值。
任何网络内的信任估计都继承了该网络特性。因此,由于车载网络的分布特性,每辆车只能局部地评估邻居节点的信任值。因此,要么以标量方式,依据交互消息所携带的意见计算信任值,要么通过位于同一个区域内车辆的簇类协作计算信任值。
图2 车载网络与OSN的信任计算策略
与车载网络不同,OSN内信任估计需要有信宿或者第三方的信任机构,由它去估计不同人的信任值。信宿既能以集中方式计算信任,也能以分布方式计算信任。图2将车载网络和OSN内信任计算策略。
网络模型主要由信任实体(Trusted Authority, TA)、路由设施(Road Side Unit, RSU)、车辆以及社会网络平台构成。其中TA属实体的最高层,社会网络平台和RSU均以有线链路连接TA。而车辆与车辆、车辆与RSU、车辆与社会网络平台均以无线链路连通。
TA的网络结构主要由四层构成:接入、网络、传输以及应用层,应用层主要包括道路事故、车辆跟踪以及用户文档分析。
社会网络平台主要由社交平台、网站构成。例如,Internet,Facebook,Google。它们是OSN的载体。通过分析用户在这些平台的足迹,能够获取用户的个人爱好、社会网络关系等信息。作为车辆接入TA的中间设备,RSU负责收集车辆信息,并将这些信息传输至TA。
令Td(i,j)表示由车辆ϑi评估的车辆ϑj的直接信任值,其定义如式(1)所示:
(1)
车辆ϑi在评估车辆ϑj的信任时,除了自己与车辆ϑj的直接接触外,还可以考虑邻居节点的推荐信任值。假定车辆ϑk是车辆ϑi的邻居节点。令RVk(i,j)表示车辆ϑk向车辆ϑi推荐的关于车辆ϑj的信任值,其定义如式(2)所示:
RVk(i,j)=[Td(i,k)×Re(k,j)]1/2
(2)
其中Td(i,k)表示车辆ϑi与车辆ϑk的直接信任。而Re(k,j)表示车辆ϑk推荐的车辆ϑj的信任值。
可能有多个邻居节点向车辆ϑi推荐的关于车辆ϑj的信任值。假定有n辆车推荐。而车辆ϑi依据所推荐的信任值,可依据式(3)最终获取关于车辆ϑj的推荐信任值:
(3)
当车辆进入RSU的通信范围,车辆就将它所获取车辆ϑj的信任值传输至RSU。随后,RSU就结合所有车辆的所报告信息,建立车辆ϑj的准全局的信任评估。
依据式(4),RSU通过融合所有其他车辆报告的关于车辆ϑj的信任值,可获取关于车辆ϑj的信任:
(4)
其中m表示估计过车辆ϑj的信任值的车辆数。而Tr(i,j)表示车辆ϑi对车辆ϑj的全局信任值。
TA在最终决策车辆ϑi对车辆ϑj的信任估计值时,不仅考虑RSU的推荐信任值,还考虑VANETs应用业务对时延敏感性。若有一个RSU参与评估,或者业务对时延敏感,则:
Tr(i,j)=[Td(i,j)RV(i,j)]1/2
(5)
若有一个RSU参与评估计,且交互的业务是部分时延敏感,则用式(6)计算Tr(i,j):
Tr(i,j)=[Td(i,j)RV(j)]1/2
(6)
若有一个RSU参与,但交互的业务并非时延敏感的,而是时延-容忍的,则可用式(7)计算Tr(i,j):
(7)
其中B表示参与评估车辆ϑj的RSU数。
通过式(5)或式(6)或式(7)获取车辆ϑj的信任值Tr(i,j)。如算法1所示。
对于决策者而言,希望Tr(i,j)≥0.6或者Tr(i,j)≤0.4,原因在于:这两种情况较清晰地表明车辆ϑj性质(可信任或不可信任)。但是,若0.4≤Tr(i,j)≤0.6时,就属于模糊状态。在这种情况下,就考虑人为因素,进一步确认车辆ϑj的信任值。
依据Advogato模型的信任估计,驾驶员的身份可分为优(good)、妥协的(compromised),坏的(bad)三类。如图3所示,其中supersink为超级信宿,由它收集网络内所有信息,属于管理中心此外,Advogato模型是真实社会网络数据集,其收集了人在社会网络的行为轨迹。
图3 节点分类
在这种模糊情况下,考虑人为因素对车辆ϑj的信任值进行调整。令HHF(j)表示受人为因素影响的信任值。当节点是good时,HHF(j)=0.1。而节点是compromised,HHF(j)=0。当节点是bad,HHF(j)=-0.1。这些取值可依据应用类型或者流量类型进行调整。最后,依据式(8)对Tr(i,j)进行调整。
Tr(i,j)=Tr(i,j)+HHF(j), if 0.4≤Tr(i,j)≤0.6
(8)
图4显示了基于人为因素的信任值修正过程。先通过算法1估计车辆ϑj的信任值,再考虑人为因素的影响,并结合Advogato模型,对信任值进行调整。
图4 信任值的修正示意图
利用NS-2.35软件建立仿真平台,分析HFTE算法的性能。引用文献[10]提供的数据库。该数据库有131828个用户(节点),有841372个边(忠诚的或恶意的)。仿真中,分别考虑有10%、20节点属于不忠诚节点。
考虑VANETs网络环境,引用Citymob 移动产生器[11]产生流量。并考虑4km2的城市地图,并随机分布4个RSUs。具体的仿真参数如表1所示。
表2 仿真参数
先分析人为因素对信任的影响。然后,再分析检测不忠诚节点的性能。每次仿真独立重复15次,取平均值作为最终的实验数据。
图5显示所有节点(车辆)的信任值的分布情况。其中图5(a)显示未考虑OSNs的人为因素影响下的车辆信任值的分布,相应地,图6(b)显示了考虑人为因素影响下的车辆信任值的分布。
从图5(a)可知,在未考虑OSNs的人为因素影响下,尽管多数节点是可信任的,但也存在多数节点正在模糊状态。即多数节点的信任值处于0.4≤Tr(i,j)≤0.6,这种模糊状态很容易导致错误决策。
然而,当考虑人为因素的影响,模糊状态得到有效改善。从图5(b)可知,车辆的信任值要不Tr(i,j)≥0.6,要不Tr(i,j)≤0.4。这有利于做正确的决策。
图5 信任值的分布
图6显示了HFTE算法的在10%、20%的不忠诚节点的检测性能,其中(a)为未考虑人为因素环境;(b)考虑人为因素环境。
图6 不忠诚节点的检测率
从图6(a)可知,在10%不忠诚节点环境下,平均检测率大于90%,但是波动范围较大。对比图6(a)与图6(b)可知,考虑人为因素提高了对不忠诚节点的检测率。例如,在10%不忠诚节点环境下,通过考虑人为因素,将平均检测率从90%提高至96%。即使在20%的不忠诚节点环境,平均检测率也提高至93%。
考虑VANETs的安全应用,提出基于人为因素的车辆信任估计算法HFTE。HFTE算法结合了Advogato信任指标,并利用OSN估计车辆驾驶员的信任。仿真结果表明,HFTE算法有效地提高了对不忠诚节点的检测率。仿真数据表明,通过考虑人为因素,可提高车辆信任估计的准确性。