一种面向车联网的节点信任评估方法与流程

本发明涉及车联网安全技术领域，具体为一种面向车联网的节点信任评估方法。

背景技术：

车联网的安全涉及车辆节点隐私保护、可信路由、节点信任等多个方面。车辆节点的信任度是车联网进行可信信息传输的前提和基础，车辆节点的可信研究也是车联网安全研究领域的热点。《面向VANET的声誉模型研究》(发表于《小型微型计算机系统》2013,34(2):233-237)中提出了一种节点声誉评估模型，对车辆节点的声誉进行量化计算评估，该模型是假设存在一个中心证书管理机构和若干权威节点的前提下进行计算，但是现实的车联网具有网络结构分布式、开放式的特点，网络拓扑呈现动态变化，因此这种模型在真实车联网中难以实现。

技术实现要素：

针对现有技术中存在的问题，本发明提供一种面向车联网的节点信任评估方法，依据车联网分布式结构的特点，对节点的信任度进行获取，方法简单，客观全面，能够有效提高整个车联网的转发率。

本发明是通过以下技术方案来实现：

一种面向车联网的节点信任评估方法，包括如下步骤，

步骤1，在面向车联网中，计算发送节点i对目标节点j的直接可信程度；根据节点i对目标节点j历史通信记录，依据C-F模型得到不确定性推理规则；根据不确定性推理规则得到节点i对目标节点j的直接信任度；

步骤2，计算目标节点j的间接信任度；

2.1通过发送节点i向邻居节点u发送请求数据包，请求邻居节点u对目标节点j的可信程度进行反馈；

2.2邻居节点u收到该请求数据包，如果与目标节点j有过通信交互行为，则邻居节点u依据步骤1计算其对目标节点j的直接信任度r_u,j，并发送回复数据包，否则将丢弃该请求数据包；

2.3建立数据集合D1，将所有回复数据包中包含的邻居节点u对目标节点j的直接信任度r_u,j放入数据集合D1中；

2.4对数据集合D1进行过滤得到数据集合D2，对数据集合D2中的数据应用模糊C-means算法，最终获得数据集合D3；

2.5采用C-F模型，对数据集合D3进行计算，获得目标节点j的间接信任度；

步骤3，计算目标节点j的全局信任度；依据已获得的对目标节点j的直接信任度和间接信任度，采用C-F模型对目标节点j的可信程度进行全面评估，获取其全局信任度。

优选的，C-F模型为基于不确定性推理的信任度计算C-F模型，应用C-F模型表示车联网节点信任度的产生式规则如下：

CF(H)＝CF(H，E)×｛0，CF(E)｝；

其中，证据E表示发送节点i对目标节点的通信行为进行了直接观测，H表示依据证据E得出的结论；CF(E)表示证据E的可信度，CF(H)表示结论的可信度，CF(H,E)表示该规则的可信程度。

进一步，步骤1中，依据C-F模型得到不确定性推理规则如下式：

其中，E_i,j表示节点i对目标节点j的行为直接观测，n_i,j表示节点i与目标节点j通信行为的历史次数，a_i,j表示目标节点j的合作行为次数。

进一步，步骤1中，不确定性推理规则，计算节点i对目标节点j的直接信任度DB_i,j如下：

进一步，2.4中，对数据集合D1进行过滤得到数据集合D2时，设置阈值Y，检测D1中的数据，如果r_u,j大于Y，则将r_u,j放入数据集合D2中，否则将r_u,j丢弃。

进一步，2.5中，采用C-F模型，对数据集合D3进行计算，获得目标节点j的间接信任度如下：

其中，IB_i,j表示节点i对目标节点j的间接信任度，p表示数据集合D3中r_u,j大于0的个数，q表示r_u,j小于或者等于0的个数。

进一步，步骤3中获取的目标节点j的全局信任度如下：

R_i，j＝DB_i，j×α+IB_i，j×β；

其中，R_i,j为节点i对目标节点j的全局信任度，α和β为权重参数，且α+β＝1。

进一步，能够依据网络现状对权重参数α和β进行调整。

与现有技术相比，本发明具有以下有益的技术效果：

本发明所述方法基于不确定性理论，建立了一种评估车辆网中车辆节点全局可信度的评估方法，采用C-F模型分别对车联网中车辆节点的直接信任度和推荐信任度进行计算，提高了节点信任度评估的准确性；同时为了避免摒弃恶意或自私节点的不客观反馈产生的推荐信任度失真问题，采用模糊C-means算法对推荐信任度信息进行过滤。该方法细粒度评估了车联网中车辆节点的可信度，有效提高了节点信任度评估的准确率。

附图说明

图1为本发明实例中所述算法的流程框图。

图2为本发明实例中进行验证时的网络吞吐量比较示意图。

图3为本发明实例中进行验证时的网络转发率比较示意图。

具体实施方式

下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

本发明一种面向车联网的节点信任评估方法，如图1所示，具体包括如下步骤，

步骤一：建立基于不确定性推理的信任度计算C-F模型。

本方法采用确定性理论进行信任度评估计算。该理论是Shortliffe等人提出的一种不确定性推理模型，具有简单、直观以及计算复杂度呈线性等特点。确定性理论采用可信度作为不确定性测度。采用可信度描述的不确定性推理的方法被称为C-F模型(Certainty Factors)。

应用C-F模型进行节点的直接信任度计算；应用C-F模型表示车联网节点信任度的产生式规则如下：

CF(H)＝CF(H，E)×{0，CF(E)}；

其中，证据E表示发送节点i对目标节点的通信行为进行了直接观测，H表示依据证据E得出的结论。CF(E)表示证据E的可信度，CF(H)表示结论的可信度，CF(H,E)表示该规则的可信程度。

步骤二：发送节点i对目标节点j的直接可信程度评估计算。

发送节点i为了获取目标节点j的直接信任度，首先根据历史通信记录，计算该目标节点的直接信任度。

依据建立的C-F模型得到不确定性推理规则如下式：

其中，E_i,j表示节点i对目标节点j的行为直接观测，n_i,j表示节点i与目标节点j通信行为的历史次数，a_i,j表示目标节点j的合作行为次数。

依据该不确定性推理规则，可以计算节点i对目标节点j的直接信任度DB_i,j如下：

步骤三：计算目标节点j的间接信任度。

(1)发送节点i向其邻居节点发送请求包，请求邻居节点对目标节点j的可信程度进行反馈。

(2)邻居节点u收到该请求数据包，如果与目标节点j有过通信交互行为，则邻居节点依据步骤二计算其对目标节点j的直接信任度r_u,j，并发送回复数据包，否则将丢弃该请求数据包。

(3)建立数据集合D1，将所有回复数据包中包含的邻居节点对目标节点j的直接信任度r_u,j放入D1中。

(4)为了摒弃恶意或自私节点的不客观反馈，设置阈值Y，检测D1中的数据，如果r_u,j大于Y，则将r_u,j放入数据集合D2中，否则将r_u,j丢弃。

(5)对D2中的数据应用模糊C-means算法，最终获得数据集合D3。

(6)采用C-F模型，对数据集合D3进行计算，获得间接信任度：

其中，IB_i,j表示节点i对目标节点j的间接信任度，p表示数据集合D3中r_u,j大于0的个数，q表示r_u,j小于或者等于0的个数。

步骤四：计算目标节点j的全局信任度。依据已获得的对目标节点j的直接信任度和间接信任度的评估，采用CF模型对目标节点j的可信程度进行全面评估，获取其全局信任度，计算过程如下：

R_i，j＝DB_i，j×α+IB_i，j×β；

其中，R_i,j为节点i对目标节点j的全局信任度，α和β为权重参数，并设置α+β＝1。在实验中，可以依据网络现状对权重参数进行调整。

本发明依据车联网分布式结构的特点，建立分布式的信任评估机制，采用直接信任度和间接信任度相结合的方法进行不确定性推理，获取节点的信任度。为了验证方法的有效性，采用NS-2建立实验模拟环境，车辆节点个数为280个，实验模拟区域2500m×2000m，传输范围为180m，车辆速度为40-65km/h，模拟时长为300分钟。图2中在恶意或自私节点分别占10％、25％、40％时，网络的吞吐量基本保持平衡状态，表明该方法用于路径选择后，能有效选取信任度高的节点，避免了恶意节点的影响。图3表明，采用全局信任度计算，网络的转发率最高，因为全局信任度相对单独的直接或间接信任度计算更全面客观的评价节点的可信度，评价结果更为准确，可以有效规避选取恶意节点转发数据包，因此提高了包的转发率。