一种车联网中虚假交通信息的识别方法
【技术领域】
[0001] 本发明涉及车联网技术，具体涉及一种车联网中虚假交通信息的识别方法。
【背景技术】
[0002] 车联网作为物联网技术在智能交通的重要应用，可为车辆提供交互通信功能，通 过信息的共享和及时发布，在事故预警、保障交通安全以及为用户提供舒适的驾驶环境等 方面起到巨大的作用。
[0003] 在交通安全应用中，车联网中的车辆节点向邻居车辆广播警报信息，如车辆位置、 加速度和速度等，提前告知道路状况，相关信息的提前预告可以辅助驾驶提高驾驶安全。然 而，车联网处于开放环境，无法排除恶作剧用户、软硬件损坏或者恶意入侵情况的存在，已 知的针对警报信息的攻击包括伪造、篡改、抑制、重放、数据包拘留等攻击方式，导致交通警 报信息被修改、延迟、丢弃，降低车辆辅助驾驶的效用，甚至会导致严重的交通事故。为此， 检测虚假信息确保交通信息的真实性，成为车联网安全驾驶的重要方面。
[0004] 现有关于车联网虚假警报信息识别方案主要分为两类，一类是对节点行为是否异 常进行判断，主要方法有基于信任机制和基于投票机制两类；另一类是基于警报信息自身 的特征识别虚假信息，主要集中在设计计算能力低且识别效果好的分类器，以及通过各种 渠道获取丰富的警报信息特征上。
[0005] Ding等人提出了一个基于事件的信誉模型过滤虚假警报消息，该方案将遇到相同 事件的所有车辆分为不同角色，利用依赖角色的动态信誉评估机制来决定交通信息是否可 信，但是容易受到恶意节点的信任值影响。Li等人提出了一种基于不同交通场景的混合式 入侵行为检测机制，当车辆不在同一道路上行驶时，使用基于局部投票的VOTE方法进行入 侵检测，但是该方案是基于投票机制的，往往会受到车联网中恶意节点比例的影响。Zhang 等人提出了一种车联网中基于增量学习的BP神经网络的虚假消息过滤器，但是该方案中 的粗糙过滤往往不能达到满意的检测率需要进行精细过滤，这会增加检测的时间开销。
【发明内容】
[0006] 发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种车联网中虚 假交通信息的识别方法。
[0007] 技术方案：本发明所述的一种车联网中虚假交通信息的识别方法，对警报信息中 包含的特征进行扩充，设计分割规则，然后将警报信息的综合特征划分为三类特征子集，根 据特征子集的特性选择不同的弱分类器分别处理，并利用警报信息的可信度作为判断警报 真实性依据，具体包括以下步骤：
[0008] (1)信息收集：通过传感器探测警报信息，接收RSU广播警报信息以及接收邻居节 点转发的警报信息，并将RSU广播的警报信息作为训练数据，将邻居节点转发的警报信息 作为检测数据；
[0009] (2)预处理，具体过程为：将步骤（1)中所获取的警报信息通过特征提取法提取所 有特征，并将所有特征以统一格式存储，特征提取公式为：
[0010] FeaiGO=FaiGO) (1)
[0011] 其中，FeaiGO表示事件i的第k个警报信息中的有效特征，IiGO表示事件i的 第k个警报信息；
[0012] (3)分割特征，根据步骤（2)所得特征之间的关联性将警报信息的综合特征划分 为三类特征子集，并对三类特征子集的特性进行分析；
[0013] (4)虚假信息检测，包括以下过程：弱分类器训练、弱分类器检测和警报信息判 定；最后再进行后期处理：检测结果执行相应的行为，若警报信息为真实警报，立即警告驾 乘人员并转发该警报信息，否则丢弃该警报信息；同时，修改相关车辆的信誉值，如果车辆 发送的是真实信息，则增加其信誉值，否则减少其信誉值，并将修改后的信誉值发送给当地 ESU0
[0014] 进一步的，所述步骤（3)中三类特征子集具体为：
[0015] 与事件紧急程度相关的特征子集I = Itci, Itl, 〇 }，由于观察者的反应时间差异以 及车辆与事件距离的不同，使得IcrItl在可接受的范围内有一定的误差，而BP神经网络具有 高度学习和自适应能力，且具有良好的泛化和一定容错能力，适合特征子集1的特性，所以 选用BP神经网络对特征子集1分类；
[0016] 与事件可信度相关的特征子集2 = {rep，TLL}，其特征rep和TLL与事件的可信度 有关，该子集可作为可信度对警报信息进行再次判断；
[0017] 与道路状况相关的特征子集3 = {t，l，v，a，d}，该特征子集中的特征维数较多，而 支持向量机（SVM)对非线性和高维数据具有很好的识别能力，并且具有良好的泛化能力， 适合特征子集3对高维度分类的需求，所以选用支持向量机（SVM)对特征子集3分类。
[0018] 其中，U Itl分别为警报事件发生的时间和位置，σ为警报事件的优先级，rep为发 送警报信息的车辆的信誉值，TTL为警报信息转发的次数，t，1分别为警报信息发送时的时 间和位置，v，a分别为发送车辆的速度和加速度，d为发送车辆的行驶方向。
[0019] 进一步的，所述步骤（4)中弱分类器训练的具体过程为：
[0020] 将训练集的特征子集1输入到BP神经网络中，通过均方差和梯度下降法来实现对 网络连接权值的修正，将训练集的特征子集3输入到SVM中，通过引入拉格朗日乘子求解最 优分类超平面以最大间隔将真实信息与虚假信息分开；
[0021] w (k+1) = w (k) + a (k) (1- η ) D (k) + η D (k) (2)；
[0022]
【主权项】
1. 一种车联网中虚假交通信息的识别方法，其特征在于：对警报信息中包含的特征进 行扩充，设计分割规则，然后将警报信息的综合特征划分为三类特征子集，根据特征子集的 特性选择不同的弱分类器分别处理，并利用警报信息的可信度作为判断警报真实性的依 据，具体包括以下步骤： (1) 信息收集：通过传感器探测警报信息，接收RSU广播警报信息以及接收邻居节点转 发的警报信息，并将RSU广播的警报信息作为训练数据，将邻居节点转发的警报信息作为 检测数据； (2) 预处理，具体过程为：将步骤（1)中所获取的警报信息通过特征提取法提取所有特 征，并将所有特征以统一格式存储，特征提取公式为： FeaiQO = F(IiQO) (D 其中，FeaiGO表示事件i的第k个警报信息中的有效特征，IiGO表示事件i的第k个 警报信息； (3) 分割特征，根据步骤（2)所得特征之间的关联性将警报信息的综合特征划分为三 类特征子集，并对三类特征子集的特性进行分析； (4) 虚假信息检测，包括以下过程：弱分类器训练、弱分类器检测和警报信息判定； 最后再进行后期处理：根据检测结果执行相应的行为，若警报信息为真实警报，立即警 告驾乘人员并转发该警报信息，否则丢弃该警报信息；同时，修改相关车辆的信誉值，如果 车辆发送的是真实信息，则增加其信誉值，否则减少其信誉值，并将修改后的信誉值发送给 当地RSU。
2. 根据权利要求1所述的车联网中虚假交通信息的识别方法，其特征在于：所述步骤 (3) 中三类特征子集具体为： 与事件紧急程度相关的特征子集I = Itci, Itl, 〇 }，选用BP神经网络对特征子集1分类， 其中，^ ^分别为警报事件发生的时间和位置，σ为警报事件的优先级； 与事件可信度相关的特征子集2 = {rep，TLL}，其特征rep和TLL与事件的可信度有 关，该子集可作为可信度对警报信息进行再次判断，其中，rep为发送警报信息的车辆的信 誉值，TTL为警报信息转发的次数； 与道路状况相关的特征子集3 = {t, 1，V，a, d}，选用支持向量机对特征子集3分类，其 中，t，1分别为警报信息发送时的时间和位置，v，a分别为发送车辆的速度和加速度，d为发 送车辆的行驶方向。
3. 根据权利要求1所述的车辆网中虚假交通信息的识别方法，其特征在于：所述步骤 (4) 中弱分类器训练的具体过程为： 将训练集的特征子集1输入到BP神经网络中，通过均方差和梯度下降法来实现对网络 连接权值的修正，将训练集的特征子集3输入到SVM中，通过引入拉格朗日乘子求解最优分 类超平面以最大间隔将真实信息与虚假信息分开； w (k+1) = w (k) + a (k) (1- η ) D (k) + η D (k) (2)；
上述公式（2)为神经网络动量BP算法的权值修正，公式（3)为最优分类超平面的目标 函数，w (k)为第k步时的权值，D (k)为第k步时的负梯度，η为动量因子，a (k)为第k步 时的学习率，Ci为松弛变量，C为惩罚因子，φ()为目标函数；通过公式（2)和（3)可得到 特征子集1和特征子集3的权值^和w 3，并将两个权值集成得到警报事件的模式。
4. 根据权利要求1所述的车辆网中虚假交通信息的识别方法，其特征在于：所述步骤 (4)中弱分类器检测的具体过程为：将待检测的警报信息的特征子集1输入BP神经网络得 到待检测警报的特征子集1的权值1;将待检测的警报信息的特征子集3输入SVM得到 待检测警报的特征子集3的权值w' 3，将各个弱分类器检测得到的权值集成并与警报事件 的模式进行模式匹配，判断待检测的警报信息的真实性。
5. 根据权利要求1所述的车辆网中虚假交通信息的识别方法，其特征在于：所述步骤 (4)警报信息判定的具体过程为：根据特征子集2中包含的特征rep和TLL计算出警报信 息的可信度，并作为判断警报信息真实性的依据，将检测的结果根据警报信息的可信度作 最终判定； 其中，警报信息的可信度计算公式为： δ,. , Trui = μ - (4) ηι 其中μ为可信参数，为车辆j的信誉值，n i为警报信息转发的跳数。
【专利摘要】本发明公开一种车联网中虚假交通信息的识别方法，对警报信息中的特征进行扩充，设计分割规则将信息的综合特征划分为多个特征子集，根据特征子集的不同特性，使用不同的弱分类器分别处理各个特征子集，并将子集检测结果集成，利用警报信息的可信度作为判断警报信息真实性的依据。本发明能够快速又精准地检测出虚假信息，具有广阔的应用前景。
【IPC分类】G06N3-02, G06K9-62
【公开号】CN104732237
【申请号】CN201510129183
【发明人】石亚丽, 王良民, 陈龙, 刘怡良, 李星, 邬海琴, 陈向益
【申请人】江苏大学
【公开日】2015年6月24日
【申请日】2015年3月23日