利用社会网络分析法优化车联网安全信息传播

汪颖、刘泽良

（江西九江学院，九江 332005）

0 引言

随着车联网技术的迅速发展，车辆自动通信系统（VANETs）在提高道路安全和效率方面发挥着越来越重要的作用。在VANETs 中，安全信息的及时有效传播对于防止交通事故和提高道路使用效率至关重要。然而，现有的安全信息传播方法面临着诸多挑战，如动态变化的网络拓扑、车辆密度不均等问题。

VANETs 的安全信息主要有周期性beacon 信息和事件驱动型的紧急信息两类（图1）[1]。周期性beacon 信息就是车辆周期性地将自身的车辆状态信息，包括位置、行驶方向和速度等。传播至周围车辆，致使邻近车辆间能够共享彼此的beacon 信息，从而对道路上潜在的危险情况做出预判。而事件驱动型的紧急信息是指由于驾驶人员的疏忽或者意外等因素导致产生的紧急事件消息，如行人突然出现、紧急制动等，用于告知后方跟随车辆[2]。这类信息具有突发性，并且对信息传输有苛刻的时延要求。

图1 VANETs 的安全信息传播

此外，车辆分布不均匀并随时空变化，给安全信息的传播提出挑战。

近年来，社会网络分析作为一种强大的分析工具，在许多领域展现出了优化信息传播的潜力。本研究旨在探索社会网络分析方法在优化VANETs 安全信息传播中的应用，通过挖掘和建模车辆用户的社会特征，开发出新的车辆移动模型和安全信息传播机制。这种方法的创新之处在于它结合了社会网络分析的理论和车联网的实际需求，旨在提出一种更加高效、动态的安全信息传播策略。

1 研究方法

本研究专注于分析车辆用户社会特征，包括交互模式和社会关系，及其对信息传播的影响，并基于这些分析构建了一个详尽的车辆移动模型。该模型展示了不同社会属性的车辆在网络中的移动和信息传播方式。研究进一步开发了一个安全信息传播模型，考虑车辆密度和分布，优化信息在动态车辆网络中的传播。此方法提供了一种精细化、适应性强的信息传播策略，以改善VANETs 中的信息流通。研究还深入探讨了数据收集和分析，利用数据挖掘技术识别社会特征，并结合车辆移动数据构建复杂模型，以预测和优化信息传播路径。这些方法和模型旨在为车联网中安全信息的有效管理提供深入见解和策略。

2 解决方案

2.1 基于社会网络的VANETs 数据挖掘与建模

此阶段将深入利用高级数据挖掘技术来分析车辆用户在社会网络中的互动数据，目标是识别网络中关键的节点及有显著影响的社会群体。这不仅涉及到数据的收集和处理，还包括对数据的复杂分析，以揭示用户之间的关系和互动模式。

基于车辆用户的常遍历区域以及车辆用户的历史移动数据，并结合数字道路地图，建立隐含车辆用户的移动规律的车辆移动模型。首先，利用车辆用户的常遍历区域，可得到车辆用户的Mobidrive 模型（图2）。基于车辆用户在时间内的空间移动数据，描述车辆用户的常遍历区域以及这些区域的连线，其中宽的灰线描述了车辆移动特定位置的频繁程度，越宽频率越高。从图2可知，车辆用户活动范围较固定，因此车辆用户移动轨迹在空间上可以看成常遍历区域之间的规律性移动[3]。

图2 Mobidrive 模型

Mobidrive 模型反映了车辆用户的移动空间特征，与车载设备记录的车辆历史行驶数据进行融合，建立具有时间特征的车辆移动模型。一旦建立了车辆移动模型，当车辆起动时，车载设备利用决策树学习节点的移动规律，提高对车辆移动的预测的准确度，这有利于车间信息的传播。

2.2 建立包含社会特征的车辆移动模型

基于社会网络的信息传播技术研究遵循车辆移动规律，利用车辆间的相遇、移动方向以及车辆用户的社会度量值，研制安全信息传播技术，有利于提高安全信息传播性能。

在社会网络场景中，车辆用户往往以群组的方式聚类，呈现社群性。提出基于社会网络的社群的安全信息传播模式，并结合车辆移动轨迹的预测，提高安全信息的传播效率，降低端到端的传输时延，满足安全信息传播的时延要求。

基于安全信息传播的连续、实时性的要求，考虑到车辆疏密分布的动态性，特别是在车辆稀疏分布环境下，车间的通信连通率不能保证，但VANETs 的安全应用要求安全信息接近100%准时可靠送达率。在极度稀疏分布下，安全问题不是很突出。需要关注的情况是在中度稀疏分布时，车间的通信连通困难，但又存在安全问题。据此，仅依靠以IEEE802.11P 协议的车间通信是无法满足安全信息的不间断和快速传播[4]，借助于新一代移动通信网络LTE-Advanced，充分利用其大容量、高速率和低时延的传输特性。

因此，研究基于LTE-Advanced 协作的社群的安全信息传播，每个社群将本群内的信息传输至LTE-Advanced 基站，并通过基站实现社群与社群之间信息的交互（图3）。依据车辆区域位置以及社会关系，将车辆划分不同的社群，每个社群产生一个社长，由社长收集社群内其他车辆的安全信息，然后传输到LTEAdvanced 基站。LTE-Advanced 基站负责社群之间的通信。图3中的红色车辆表示每个社群的社长。

图3 基于社群的LTE 协作式车联网结构

这个模型不仅仅追踪车辆的物理移动轨迹，还深入考察社会联系如何影响车辆的移动决策和路径选择。例如，车辆如何基于社交联系选择特定的路线，或如何在特定的社交群体中传递信息。此外，该模型还将探索社会网络中节点的作用，识别哪些社会因素对车辆移动和信息传播有显著影响，比如信任关系、社会影响力等。通过模拟不同社会网络结构下的车辆移动和信息流动，可以更准确地预测信息在VANETs 中的传播路径。

2.3 设计基于社会网络的安全信息传播机制

从VANETs 安全应用对信息量和信息时延的要求，建立对VANETs 安全信息传播模型。从实际出发，VANETs 的安全信息有周期性beacon 信息和事件驱动型的紧急信息两类。由于车辆分布的疏密随时空变化的极不相同，导致安全信息的通信时延的不确定性，而这是VANETs 安全应用不可接受的。严限时延是VANETs 安全信息传播的基本要求，这个机制综合考虑了车辆的社交关系和移动模式，旨在优化信息的传输路径，提升传播速度和效率。特别针对高密度和动态变化的网络环境，该机制确保在各种交通状况下，关键的安全信息能够迅速而广泛地被传播。这种策略不仅加快了信息的流通，还提高了系统在紧急情况下的反应速度和准确性，从而显著增强了整个车联网系统的安全性和稳定性[5]。通过这样的机制，能够确保重要的安全信息在关键时刻能够有效地传达给目标接收者，极大地提高了车联网通信策略的智能性和响应性。

3 方案实施

首先，高级数据挖掘和网络分析工具，如Python 的NetworkX 库和社会网络分析软件Gephi，将被用于处理和分析车辆社会网络数据。这些工具能够揭示网络中的结构和模式，帮助理解车辆之间的互动关系。同时，大数据平台如Apache Hadoop 或Spark 将被用于处理和分析庞大的车辆数据集，以支持复杂的数据处理任务，确保数据分析的效率和准确性。这些技术的综合应用将为模型的验证提供坚实的数据基础。

对于仿真设置，关键在于建立一个反映真实世界条件的虚拟VANETs 环境。使用如SUMO 这样的交通模拟软件可以创建详细的车辆移动场景，生成车辆的实时移动数据。此数据随后通过如NS3 这样的网络仿真平台进行处理，模拟车辆之间以及车辆与基础设施之间的网络通信过程。通过这种仿真环境，可以在控制的条件下模拟不同的交通流和网络状态，测试并评估安全信息传播模型在各种情境下的表现，为模型的进一步优化和调整提供依据。

4 结果与讨论

为了深入评估基于社会网络分析的车辆移动模型及其在安全信息传播中的应用效果，本研究采用了仿真测试的方法。在此过程中，我们设定了不同的车辆密度和社会网络结构的场景，以评估提出的信息传播机制相比于传统机制在效率和准确性方面的表现（表1）。

表1 社会网络分析的安全信息传播机制与传统安全信息传播机制性能对比

从表1 中可以看出，在所有车辆密度情况下，基于社会网络分析的安全信息传播机制（SNAM）都显示出比传统安全信息传播机制（TSIM）更高的信息传达率和更低的平均传播延迟。这说明，考虑车辆的社会特征和网络位置可以显著提高安全信息在VANETs 中的传播效率和速度。

4.1 信息传达率的提高

信息传达率的提高主要归因于SNAM 能够识别和利用网络中的关键节点（即高度连接的节点或具有高社会资本的车辆），通过这些节点快速传播信息，从而提高整个网络的覆盖率。

4.2 平均传播延迟的降低

平均传播延迟的降低是因为SNAM 通过优化信息传播路径，减少了信息在传播过程中的跳数。此外，SNAM 能够根据网络的实时状态调整传播策略，有效应对网络拓扑的动态变化，从而减少信息传播的时间。

这些结果验证了基于社会网络分析的方法在优化VANETs 中安全信息传播方面的有效性，表明了考虑车辆社会特征在设计信息传播机制时的重要性。未来的工作可以进一步探索不同社会网络结构对信息传播策略的影响，以及如何将这些策略应用于实际的车联网系统中，以提高道路安全和效率。

5 结束语

本研究成功地实施了一种基于社会网络分析的创新方法，旨在优化VANETs 中安全信息的传播。通过开发一个结合车辆社会特征的新型车辆移动模型和信息传播机制，展示了在车联网环境中考虑社会网络因素的重要性及其带来的潜在优势。研究结果明确表明，社会网络分析的引入不仅显著提升了安全信息传播的效率，还增强了VANETs 的整体安全性和网络稳定性。