一种基于繁忙交叉口转发模式的下行虚假数据检测方法

1.本发明属于智能交通领域，更具体地，涉及一种基于繁忙交叉口转发模式的下行虚假数据检测方法。


背景技术：

2.车联网是由车辆、道路和相关基础设施组成的交互式移动网络。它是移动互联网和传统物联网(iot)的融合。此外，还提出了将车辆连接到一切(v2x)的概念，例如车辆到车辆(v2v)和车辆到基础设施(v2i)。为了保证数据传输过程的安全，提出了许多数据保护的方案，但针对下行数据传输过程的数据保护方案较少。
3.在车联网中，如果合法的车辆变为恶意车辆，那么它就可以篡改正常数据，将虚假的下行数据发送给其它车辆，让其他它车辆相信一些虚假的信息，从而对车联网进行破坏，严重的甚至会危害到其他车辆成员的生命安全。而基于密码学的方法只能抵御一部分外部攻击，对于内部攻击既有合法身份的恶意车辆发起的攻击，基于密码学的技术难以检测，因此在数据下行的过程中，如何利用一些轻量化的方法检测虚假的下行数据并找出发送虚假数据的车辆是十分值得研究的问题。
4.此外，思科公司提出了一种新的计算概念，称为雾计算，它将云计算的计算、存储等功能从中心转移到网络的边缘，所有功能都更接近终端用户。在雾计算中，雾服务器部署在网络的边缘。每个雾服务器都是一个高度虚拟化的计算系统，类似于轻量级的服务器。雾服务器可以为用户提供数据存储、计算和无线(有线)通信。因此我们将雾计算体系结构引入到车联网中，在基于雾计算的车联网组合结构中，雾计算能够在数据源分析处理，避免大数据量、长距离通信可能引发的响应延迟，更加高效的对虚假数据以及恶意车辆进行检测。因此，我们提出了一种雾计算下基于繁忙交叉口转发模式的下行虚假数据检测方法。


技术实现要素：

5.本发明的目的在于克服上述现有技术中，检测延时高、准确度低的缺点，提供一种基于繁忙交叉口转发模式的下行虚假数据检测方法。
6.为实现上述目的，本发明采用以下技术方案予以实现：
7.第一部分是提出一种雾计算下基于繁忙交叉口转发模式的数据下行方案；第二部分是根据交叉口的交通需求量以及交叉口之间的距离选择出繁忙交叉口；第三部分是根据数据下行方案产生的网络拓扑结构选择出用于检测虚假数据的候选监督车辆；第四部分是根据候选监督车辆的历史轨迹计算车辆可靠性，并根据车辆可靠性选择出最终的监督车辆；第五部分是下行虚假数据检测，通过监督车辆与雾服务器之间的协作，找出发送虚假数据的恶意车辆。
8.作为优选的技术方案，所述雾计算下基于繁忙交叉口转发模式的数据下行方案是根据车辆的位置，将车辆分为根车辆和非根车辆，根车辆即为在繁忙交叉口范围内的车辆，其它为非根车辆，雾服务器将下行数据发送给所有的根车辆，再由根车辆在运动过程中转
发给邻近的非根车辆，非根车辆在接收到数据之后，继续向其他邻近非根车辆转发。每辆车可以转发给多个车辆，但只能接收唯一一辆车转发的数据，也就是形成以根车辆为根节点的树型拓扑结构。
9.作为优选的技术方案，所述繁忙交叉口的选择是根据交叉口的交通需求量大小以及交叉口之间的距离，选择出间隔一定距离并交通需求量相对较大的交叉口作为繁忙交叉口转发模式中的繁忙交叉口。
10.作为优选的技术方案，所述用于检测虚假数据的候选监督车辆的选择是根据车辆在网络拓扑中的位置以及车辆关键度选择出一定数量的候选监督车辆，其中候选监督车辆又根据在网络拓扑中的位置分为边缘候选监督车辆和中心候选监督车辆。
11.作为优选的技术方案，所述监督车辆的选择是根据候选监督车辆的历史轨迹相似度计算出车辆可靠性，并根据车辆可靠性的大小选择出一定数量的监督车辆。
12.作为优选的技术方案，所述下行虚假数据检测是在雾服务器将数据发送给监督车辆之后，监督车辆将从雾服务器接收到的数据与从其他车辆接受到的数据进行比对，并检测出数据的真实性，监督车辆在发现虚假数据之后，将消息上传给雾服务器，雾服务器根据网络拓扑结构通过恶意车辆搜索算法找出发送虚假数据的恶意车辆。
13.与现有技术相比，本发明具有以下有益效果：
14.(1)本发明将下行虚假数据检测方案部署在雾计算的架构下，通过雾服务器来下发下行数据，并选定监督车辆，然后由监督车辆与雾服务器一起协同检测出虚假数据，并找出发送虚假数据的恶意车辆，这样能够更加快速并且准确的对恶意行为做出检测，大大降低了恶意事故发生的可能。
15.(2)本发明通过基于繁忙交叉口转发模式的下行数据检测方法，将下行数据的传播方式从图型拓扑改变为树型拓扑，并通过监督车辆和恶意车辆搜索算法，提高了网络覆盖率和检测精度、增大了检测范围并减小了雾服务器的通信开销。
附图说明
16.图1是本发明实施例的一种下行虚假数据检测方法的流程图。
17.图2是本发明实施例的车联网在雾计算架构下的结构示意图。
18.图3是本发明实施例的根车辆的选择示意图。
具体实施方式
19.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
20.请参照图1，本发明实施例提供了一种恶意车辆检测方法，包括：
21.步骤1,提出一种雾计算下基于繁忙交叉口转发模式的数据下行方案；
22.具体来说本实施例根据繁忙交叉口以及车辆的位置，以所选繁忙交叉口为中心，50米为半径做一个圆形范围，将范围内的所有车辆设置为根车辆，其它车辆设置为非根车辆。一个城市路网中包含多个繁忙交叉口，雾服务器将数据发送给这些繁忙交叉口下的根车辆，再由根车辆在运动过程中转发给邻近的非根车辆，非根车辆在接收到数据之后，继续
向其他邻近非根车辆转发。每辆车可以转发给多个车辆，但只能接收唯一一辆车转发的数据，也就是形成以根车辆为根节点的树型拓扑结构。
23.步骤2,根据交叉口的交通需求量以及交叉口之间的距离选择出繁忙交叉口；
24.本实施例首先通过雾服务器收集各个道路的车辆信息，并通过格林希尔治模型计算出t时刻每个道路的交通流量，其公式如下：
[0025][0026]qt
＝v(ρ
t
)
t
ρ
t
[0027][0028]
其中v
t
和q
t
表示t时刻密度为ρ
t
时的平均速度和交通流量，ρm为阻塞密度，vf为自由流速度。
[0029]
得到每个路段的交通流量之后，根据交叉口周围路段的交通流量计算出交叉口的交通需求量公式如下：
[0030][0031]
其中nj表示ni的所有相邻路口，σ表示ni的所有相邻路口的数量。
[0032]
得到所有交叉口的交通需求量之后，再通过繁忙交叉口选择算法选择出繁忙交叉口，繁忙交叉口选择算法如下：
[0033]
s1：输入交叉口集合node＝{n1,n2,
…
,nn},其中n为交叉口的数量，输入交叉口t时刻的交通需求量集合设置繁忙交叉口的间距最小为x米。
[0034]
s2：在交叉口集合node中，选取交通需求量最大的交叉口maxn,将其从node集合中移出，并加入繁忙交叉口集合bn。
[0035]
s3：以交叉口maxn为中心，x为半径搜索范围内的所有交叉口节点，将其从node集合中移出，并加入普通交叉口集合normal。
[0036]
s4：重复s2到s3，直到集合node中没有节点。
[0037]
s5：输出繁忙交叉口集合bn。
[0038]
步骤3，根据数据下行方案产生的网络拓扑结构选择出用于检测虚假数据的候选监督车辆；
[0039]
本实施例将候选监督车辆分为中心候选监督车辆和边缘候选监督车辆。首先，在数据下行完成后，雾服务器获取所有树型网络拓扑结构，并得到树型网络拓扑的邻接矩阵a。在这里我们设置一个网络拓扑结构中所有车辆的集合为v＝{v1,v2,
…
,vm},其中m为车辆的数量，然后根据邻接矩阵求每个节点的出度d
out
(vi)，并将所有d
out
(vi)＝0的车辆设置为边缘候选监督车辆。然后，根据katz中心性ie(vi)，本实施例定义了数据下行的车辆关键度k
ε
(ni)，再根据数据下行的车辆关键度k
ε
(vi)的大小,将车辆关键度中最大的0.1m个车辆设置为中心候选监督车辆。所用公式如下：
[0040][0041][0042][0043]
其中，表示邻接矩阵a中的元素，表示vj的三跳邻居节点，的三跳邻居节点，β＝1,其中λ为a的特征值。
[0044]
步骤4，根据候选监督车辆的历史轨迹计算车辆可靠性，并根据车辆可靠性选择出最终的监督车辆；
[0045]
为了确保监督车辆自身的安全性，避免监督车辆与其它恶意车辆勾结并帮助恶意车辆传播虚假数据，本实施例通过雾服务器获取候选监督车辆以24小时为一个周期的历史交通轨迹，并根据车辆工作日历史交通轨迹的相似性计算出车辆可靠性。因为历史轨迹越相似的车辆，大多数有着固定的生活方式，这样的车辆相对于其它车辆来说更加可靠。因此车辆可靠性越高的车辆就越适合作为监督车辆。本实施例通过改进的豪斯多夫距离来计算车辆可靠性，因为豪斯多夫距离没有考虑两条线路的整体相似度，它只是关注了距离相对最远的一对点，可能会出现以偏概全的状况，当两个轨迹中大部分轨迹相似，但是只有一部分轨迹有偏差，这些偏差对整体相似度的影响是不大的，但是豪斯多夫距离会放大这一部分的偏差。本实施例的车辆可靠性计算方式如下：
[0046][0047][0048][0049]
其中rh(la,lb)表示轨迹la对于轨迹lb的轨迹相似性，rh(lb,la)表示轨迹lb对于轨迹la的轨迹相似性，min表示取最小值，||*||表示距离范式，rh(la,lb)表示车辆可靠性。
[0050]
步骤5，监督车辆与雾服务器协作找出发送虚假数据的恶意车辆；
[0051]
本实施例通过是在下行数据完成传输之后，雾服务器将数据发送给监督车辆，监督车辆将从雾服务器接收到的数据与从其他车辆接收到的数据进行对比，从而判断数据的真实性。监督车辆如果发现数据是虚假的，则将消息发送给雾服务器，雾服务器根据网络拓扑结构通过恶意车辆搜索算法找出发送虚假数据的恶意车辆。恶意车辆搜索法表示如下：
[0052]
s1:验证监督车辆的兄弟车辆数据的准确性，如果兄弟车辆的数据大多数都为假，则验证其父车辆的数据的准确性。
[0053]
s2：如果父车辆的数据为真，则确定父车辆为恶意车辆伪装的正常车辆，并结束搜索。
[0054]
s3：如果父车辆的数据也为假，则继续验证父车辆的兄弟车辆，如果兄弟车辆的数
据大多数为真，则确定父车辆为假，即为没有伪装的恶意车辆，并结束搜索。
[0055]
s4：如果父车辆的数据为假，且父车辆的兄弟车辆也大多数为假则继续验证父车辆的父车辆即重复s2-s4步。
[0056]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于繁忙交叉口转发模式的下行虚假数据检测方法，其特征在于，包括如下部分：第一部分是提出一种雾计算下基于繁忙交叉口转发模式的数据下行方案；第二部分是根据交叉口的交通需求量以及交叉口之间的距离选择出繁忙交叉口；第三部分是根据数据下行方案产生的网络拓扑结构选择出用于检测虚假数据的候选监督车辆；第四部分是根据候选监督车辆的历史轨迹计算车辆可靠性，并根据车辆可靠性选择出最终的监督车辆；第五部分是下行虚假数据检测，通过监督车辆与雾服务器之间的协作，找出发送虚假数据的恶意车辆。2.根据权利要求1所述的基于繁忙交叉口转发模式的下行虚假数据检测方法，其特征在于，所述雾计算下基于繁忙交叉口转发模式的数据下行方案是根据车辆的位置，将车辆分为根车辆和非根车辆，根车辆即为在繁忙交叉口范围内的车辆，其它为非根车辆，雾服务器将下行数据发送给所有的根车辆，再由根车辆在运动过程中转发给邻近的非根车辆，非根车辆在接收到数据之后，继续向其他邻近非根车辆转发，每辆车可以转发给多个车辆，但只能接收唯一一辆车转发的数据，也就是形成以根车辆为根节点的树型拓扑结构。3.根据权利要求1所述的基于繁忙交叉口转发模式的下行虚假数据检测方法，其特征在于，所述繁忙交叉口的选择是根据交叉口的交通需求量大小以及交叉口之间的距离，选择出间隔一定距离并交通需求量相对较大的交叉口作为繁忙交叉口转发模式中的繁忙交叉口。4.根据权利要求1所述的基于繁忙交叉口转发模式的下行虚假数据检测方法，其特征在于，所述用于检测虚假数据的候选监督车辆的选择是根据车辆在网络拓扑中的位置以及车辆关键度选择出一定数量的候选监督车辆，其中候选监督车辆又根据在网络拓扑中的位置分为边缘候选监督车辆和中心候选监督车辆。5.根据权利要求1所述的基于繁忙交叉口转发模式的下行虚假数据检测方法，其特征在于，所述监督车辆的选择是根据候选监督车辆的历史轨迹相似度计算出车辆可靠性，并根据车辆可靠性的大小选择出一定数量的监督车辆。6.根据权利要求1所述的基于繁忙交叉口转发模式的下行虚假数据检测方法，其特征在于，所述下行虚假数据检测是在雾服务器将数据发送给监督车辆之后，监督车辆将从雾服务器接收到的数据与从其他车辆接受到的数据进行比对，并检测出数据的真实性，监督车辆在发现虚假数据之后，将消息上传给雾服务器，雾服务器根据网络拓扑结构通过恶意车辆搜索算法找出发送虚假数据的恶意车辆。

技术总结
本发明属于智能交通领域，提供了一种基于繁忙交叉口转发模式的下行虚假数据检测方法。该方法包括五个部分，第一部分是提出一种雾计算下基于繁忙交叉口转发模式的数据下行方案。第二部分是根据交叉口的交通需求以及交叉口之间的距离选择出繁忙交叉口。第三部分是根据数据下行方案产生的网络拓扑结构选择出用于检测虚假数据的候选监督车辆。第四部分是根据候选监督车辆的历史轨迹计算车辆可靠性，并根据车辆可靠性选择出最终的监督车辆。第五部分是下行虚假数据检测，监督车辆将从雾服务器处接收到的数据与从其他车辆处接收到的数据进行对比，从而判断数据的真实性，并协助雾服务器找出发送虚假数据的恶意车辆。器找出发送虚假数据的恶意车辆。器找出发送虚假数据的恶意车辆。


技术研发人员：欧阳鑫 谷科
受保护的技术使用者：长沙理工大学
技术研发日：2023.03.08
技术公布日：2023/7/6