车联网中基于社会网络的车辆信任估计方案

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)

0 引 言

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。

1 背景及相关工作

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。

1.1 OSN内的信任

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。

1.2 车载网络内的信任计算

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。

2 网络模型

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。

3 HFTE算法

3.1 直接信任

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)

3.2 推荐信任

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)

3.3 来自RSUs信任估计

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。

3.4 TA的信任决策

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。

3.5 基于人为因素的信任值的修正

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

4 性能分析

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。

4.1 人为因素对信任的影响

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

4.2 不忠诚节点的检测性能

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%。

5 结 语

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。