區(qū)塊鏈輔助的VANET中車輛聲譽(yù)管理方法

張海波，卞 霞，徐勇軍，向晟町，賀曉帆

(1.重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶 400065；2.移動(dòng)通信教育部工程研究中心，重慶 400065；3.武漢大學(xué) 電子信息學(xué)院，湖北 武漢 430000)

隨著傳感網(wǎng)絡(luò)、無線接入、人工智能以及自動(dòng)駕駛等技術(shù)的蓬勃發(fā)展，車載自組網(wǎng)(Vehicular Ad-hoc NETworks，VANET)已經(jīng)成為智能交通系統(tǒng)(Intelligent Transport System，ITS)的基石[1]。車輛借助專用短程通信技術(shù)(Dedicated Short Range Communication，DSRC)、蜂窩技術(shù)等進(jìn)行車與路邊單元(Vehicle to Infrastructure，V2I)通信以及車對(duì)車(Vehicle to Vehicle，V2V)通信，在一定的區(qū)域內(nèi)形成車載自組網(wǎng)[2]。VANET可以服務(wù)于實(shí)時(shí)定位、流媒體視頻、事故警報(bào)等業(yè)務(wù)，這些業(yè)務(wù)不僅提高了交通效率、道路安全性，而且?guī)砹烁玫鸟{駛體驗(yàn)。然而，在車載自組網(wǎng)交互過程中仍然存在部分惡意車輛[3-4]制造惡意行為。其中有些是因?yàn)檐囕d傳感器出現(xiàn)故障，導(dǎo)致發(fā)布了錯(cuò)誤信息；還有些車主考慮個(gè)人私利，在車載自組網(wǎng)中廣播錯(cuò)誤交通信息。這些惡意行為會(huì)導(dǎo)致通信延遲、交通擁堵、隱私信息泄露等問題，嚴(yán)重時(shí)可能威脅人們的生命財(cái)產(chǎn)安全。因此，高效識(shí)別車載自組網(wǎng)中的虛假信息和不可靠車輛節(jié)點(diǎn)，成了車載自組網(wǎng)中的重要研究?jī)?nèi)容[5]。

對(duì)于識(shí)別虛假信息和惡意車輛，許多研究人員提出了不同的解決方案[6，18-22]。大多數(shù)方案基于傳統(tǒng)密碼學(xué)，其中每臺(tái)車輛擁有密鑰對(duì)和數(shù)字簽名。這些方案提供了相對(duì)的車載自組網(wǎng)安全保障，能夠抵抗外部攻擊，可以保護(hù)消息的完整性等。但是如果消息是不可靠的，那么這些信息在車載自組網(wǎng)中的傳播仍然存在安全隱患[7-8]。對(duì)此，研究人員提出數(shù)據(jù)信任，即在利用所接受到的消息之前，先對(duì)消息進(jìn)行驗(yàn)證[9]。文獻(xiàn)[10]提出一種以數(shù)據(jù)為中心的信任框架，其中車輛可以通過使用數(shù)據(jù)融合技術(shù)(如多數(shù)投票或貝葉斯推理等)對(duì)收集到的不同證據(jù)進(jìn)行計(jì)算，局部地評(píng)估從其他車輛接收的每條信息的可信度。文獻(xiàn)[11]通過雷達(dá)測(cè)量前車報(bào)告信息，提出了使用車載雷達(dá)的車輛簇內(nèi)局部虛假數(shù)據(jù)檢測(cè)方案。但是由于雷達(dá)監(jiān)測(cè)射程有限，車輛對(duì)于虛假消息的監(jiān)測(cè)不能滿足當(dāng)前車載自組網(wǎng)通信過程中的安全需求。于是，直接對(duì)消息發(fā)出節(jié)點(diǎn)的聲譽(yù)值進(jìn)行判斷成了一種替代的解決辦法。研究人員使用各種信任模型對(duì)車載自組網(wǎng)中車輛節(jié)點(diǎn)的聲譽(yù)進(jìn)行評(píng)估[12]，通過消息源的可靠性來判斷消息內(nèi)容的可靠性。文獻(xiàn)[13]將鏈接分析的技術(shù)引入車載自組網(wǎng)的信任計(jì)算中，利用PageRank算法設(shè)計(jì)了全局車輛信譽(yù)計(jì)算算法，能夠有效應(yīng)對(duì)某些類型的外部攻擊。文獻(xiàn)[14]提出在電子控制單元和通信模塊之間安裝防火墻來檢查消息情況，以此來抵抗中間人攻擊。文獻(xiàn)[15]利用集中式服務(wù)器管理并確定每個(gè)車輛的信任級(jí)別，車輛向集中式服務(wù)器查詢其他車輛的聲譽(yù)分?jǐn)?shù)來判斷消息可信度。這些信任方案在一定的場(chǎng)景中能夠有效保證車載自組網(wǎng)的安全通信。但是集中式的信任模型可能會(huì)面臨單點(diǎn)故障和網(wǎng)絡(luò)擁塞等問題。

近年來，區(qū)塊鏈的不斷發(fā)展為分布式數(shù)據(jù)存儲(chǔ)和管理帶來了新的思路[16-17]，基于區(qū)塊鏈的信任管理系統(tǒng)在學(xué)術(shù)界引起廣泛關(guān)注。文獻(xiàn)[18]提出基于區(qū)塊鏈的匿名聲譽(yù)系統(tǒng)，使用公鑰作為通信中的假名，利用直接交互來評(píng)估信譽(yù)。文獻(xiàn)[19]首先提出一種基于區(qū)塊鏈的分布式車聯(lián)網(wǎng)信任管理系統(tǒng)，其中車輛使用貝葉斯推理模型來驗(yàn)證從相鄰車輛接收到的信息，然后生成評(píng)級(jí)并上傳到路邊單元(Road Side Unit，RSU)。上述方案引入?yún)^(qū)塊鏈技術(shù)使得VANET信任數(shù)據(jù)庫得以分布式存儲(chǔ)，有效地避免了信任管理系統(tǒng)可能面臨的單點(diǎn)故障等問題。

在信任管理方面，文獻(xiàn)[20]提出一種主觀邏輯信任模型，利用β分布預(yù)測(cè)事物結(jié)果可信的概率。文獻(xiàn)[21]對(duì)于主觀邏輯信任模型進(jìn)行改進(jìn)，建立了三值主觀邏輯信任模型(Three Valued Subjective Logic，3VSL)。模型中將事件的不確定性區(qū)分為先驗(yàn)不確定性和后驗(yàn)不確定性，并用狄利克雷-分類分布模擬事件的結(jié)果，利用貝葉斯推理得出信任關(guān)系在不同實(shí)體之間的傳播規(guī)律。由主觀邏輯模型演變出來的其他模型在信任管理方面應(yīng)用廣泛。如文獻(xiàn)[22]提出一種三權(quán)重主觀邏輯模型，考慮了交互頻率以及路徑相似性，可以更加精確地計(jì)算車輛的信任度。

綜合上述討論，許多方案將區(qū)塊鏈技術(shù)應(yīng)用在車載自組網(wǎng)中，實(shí)現(xiàn)了信任數(shù)據(jù)庫的分布式存儲(chǔ)。但是大多數(shù)方案沒有考慮區(qū)塊鏈網(wǎng)絡(luò)的廣播延時(shí)如何適應(yīng)車載自組網(wǎng)對(duì)于時(shí)延的高要求。此外，利用“主觀邏輯”信任模型時(shí)，大多數(shù)文獻(xiàn)考慮的是如何計(jì)算，而沒有在一開始考慮對(duì)兩車之間無用的交互信息進(jìn)行過濾。因此，筆者借助區(qū)塊鏈技術(shù)和3VSL模型建立了車輛間分布式聲譽(yù)管理系統(tǒng)。具體工作如下：

(1) 在RSU間建立區(qū)塊鏈網(wǎng)絡(luò)。利用區(qū)塊鏈的去中心化、不可篡改及可追溯的特性，實(shí)現(xiàn)了車載自組網(wǎng)信任數(shù)據(jù)庫的安全分布式存儲(chǔ)。

(2) 基于車輛歷史交互記錄使用3VSL來評(píng)估車輛的聲譽(yù)值。在模型中考慮車輛歷史周期聲譽(yù)值、反饋方聲譽(yù)值以及交互頻率等因素，使車輛聲譽(yù)計(jì)算更加準(zhǔn)確。采用周期化方式來更新車輛聲譽(yù)值，緩解了由于區(qū)塊鏈廣播時(shí)延帶來的實(shí)時(shí)性問題。

(3) 在計(jì)算兩車之間信任關(guān)系時(shí)，區(qū)塊鏈上記載的是雙方車輛上一周期結(jié)束時(shí)刻的聲譽(yù)值。為了更準(zhǔn)確表達(dá)兩車之間的信任關(guān)系，提出基于深度優(yōu)先搜索(Depth First Search，DFS)算法的路徑搜索算法，利用信任傳播的衰減與融合準(zhǔn)則，計(jì)算從上一周期結(jié)束到當(dāng)前時(shí)刻兩車之間的信任關(guān)系，從而提高了兩車之間信任關(guān)系計(jì)算的準(zhǔn)確性。

1 問題建立

1.1 系統(tǒng)模型

筆者構(gòu)建了區(qū)塊鏈輔助的分布式車輛聲譽(yù)管理系統(tǒng)。系統(tǒng)模型如圖1所示，主要包括道路兩側(cè)部署的RSU以及各種類型的車輛單元。

(1) 路邊單元(RSU)：相對(duì)車輛來說，RSU具有較強(qiáng)的計(jì)算和存儲(chǔ)資源，同時(shí)也擁有充足的能量供應(yīng)，因此選擇RSU作為區(qū)塊鏈網(wǎng)絡(luò)的節(jié)點(diǎn)。另外，RSU還需收集其通信范圍內(nèi)的車輛間交易記錄以及反饋評(píng)級(jí)數(shù)據(jù)，并且根據(jù)車輛行為在每周期結(jié)束時(shí)更新車輛的聲譽(yù)值，然后將結(jié)果打包成區(qū)塊添加進(jìn)區(qū)塊鏈網(wǎng)絡(luò)供全局車輛和其他主體查詢使用。

(2) 車輛單元：車輛配備了智能車載單元(On Board Unit，OBU)，使其具有感知、計(jì)算和存儲(chǔ)等功能。車輛負(fù)責(zé)向RSU上傳自身的交互記錄、反饋評(píng)級(jí)等信息。筆者將警車、救護(hù)車等視為特級(jí)車輛，計(jì)算時(shí)賦予更大的權(quán)重。

(3) 區(qū)塊鏈：區(qū)塊鏈由RSU維護(hù)，在接收到RSU節(jié)點(diǎn)打包上交的區(qū)塊之后，區(qū)塊鏈網(wǎng)絡(luò)將區(qū)塊廣播到全網(wǎng)分布式存儲(chǔ)，方便各地的車輛或其他用戶檢驗(yàn)查詢使用。區(qū)塊鏈主要記錄的內(nèi)容為車輛間交互記錄以及車輛的聲譽(yù)值。

1.2 攻擊模型

系統(tǒng)中可能存在惡意車輛和受損的RSU，這可能嚴(yán)重干擾聲譽(yù)管理系統(tǒng)的運(yùn)行。筆者從惡意車輛和受損RSU兩個(gè)角度考慮攻擊模型。

(1) 4種類型的惡意車輛

① 發(fā)布虛假消息攻擊：攻擊者可能故意廣播虛假消息。比如在道路暢通時(shí)廣播道路阻塞消息，擾亂其他車輛行駛路線。

② 惡言攻擊：攻擊者可能給予其他車輛相反的評(píng)價(jià)反饋。比如，一個(gè)良好的車輛廣播了一條真實(shí)的道路消息，攻擊者卻向RSU反饋一條負(fù)面評(píng)價(jià)。

③ On-off攻擊：所謂On-off攻擊就是攻擊者在一段時(shí)間內(nèi)表現(xiàn)良好用來提升自身的聲譽(yù)值，到一定值之后，產(chǎn)生影響更惡劣的攻擊。

④ 群組偽裝攻擊：惡意車輛形成一個(gè)組，給組內(nèi)車輛較高反饋評(píng)價(jià)以提高它們的聲譽(yù)值，同時(shí)對(duì)其他車輛實(shí)行惡言攻擊等。

(2) 受損RSU

RSU數(shù)量較多且沿道路分布，設(shè)備分散在戶外，容易受到惡意者的攻擊，導(dǎo)致RSU內(nèi)部數(shù)據(jù)被篡改等問題。由于同時(shí)攻擊RSU存在較高的成本以及技術(shù)難度，大部分RSU不會(huì)同時(shí)受到攻擊。此外，基站會(huì)定期對(duì)RSU進(jìn)行安全性檢查，受損的RSU不會(huì)長(zhǎng)時(shí)間被攻擊者控制?；谏鲜鍪聦?shí)，筆者假設(shè)系統(tǒng)中只會(huì)有小部分RSU在一小段時(shí)間內(nèi)遭受攻擊。

2 車載自組網(wǎng)聲譽(yù)管理系統(tǒng)設(shè)計(jì)

2.1 三值主觀邏輯信任模型

(1)

(2)

利用期望來表示兩者之間的信任關(guān)系更加直觀，也是筆者采取的信任表達(dá)方式。

此外在3VSL中，遇到串行拓?fù)浜筒⑿型負(fù)浣Y(jié)構(gòu)時(shí)，節(jié)點(diǎn)間證據(jù)向量按照?qǐng)D2及圖3所示方式傳遞。

對(duì)于圖2的拓?fù)潢P(guān)系，Δ表示證據(jù)向量傳遞過程中的衰減操作。

(3)

(4)

詳細(xì)的推理過程見參考文獻(xiàn)[20]。對(duì)于圖3的拓?fù)洌C據(jù)向量按照如下規(guī)則融合，Θ表示融合操作：

(5)

(6)

節(jié)2.2.2具體計(jì)算兩車之間的信任關(guān)系時(shí)，將用到上述衰減操作和融合操作。

2.2 車聯(lián)網(wǎng)中的信任關(guān)系與聲譽(yù)管理系統(tǒng)

2.2.1 聲譽(yù)管理系統(tǒng)

文中的聲譽(yù)管理系統(tǒng)建立在RSU構(gòu)建的區(qū)塊鏈網(wǎng)絡(luò)基礎(chǔ)之上，如圖4所示。聲譽(yù)管理系統(tǒng)主要包括5個(gè)步驟：① 車輛上傳交互記錄及反饋信息；② RSU驗(yàn)證消息真實(shí)性；③ 周期性計(jì)算車輛聲譽(yù)值；④ RSU之間進(jìn)行分布式共識(shí)，更新區(qū)塊；⑤ 在所有RSU上分布式存儲(chǔ)車輛聲譽(yù)值，形成分布式的聲譽(yù)數(shù)據(jù)庫。

(1) 上傳交互記錄及反饋信息

以車輛之間的協(xié)作感知消息(Cooperative Awareness Message，CAM)為例，接收方在接收CAM消息之后向附近RSU提供一個(gè)客觀反饋評(píng)價(jià)。評(píng)價(jià)為1或0，表示接收方對(duì)于發(fā)送方消息的認(rèn)可或不認(rèn)可。同時(shí)存在一個(gè)中間狀態(tài)，用來存儲(chǔ)不確定的評(píng)價(jià)結(jié)果。上傳的數(shù)據(jù)為

(7)

其中，Ci是i車的身份信息，Tstamp是i車上傳信息時(shí)候的時(shí)間戳。aij是i車對(duì)j車的固有信任因子，如果j車是普通車輛，則aij設(shè)為0.5[23]；如果j車是特級(jí)車輛，如警車、救護(hù)車、消防車等，則aij設(shè)為0.8。

(2) 驗(yàn)證消息

RSU收到車輛的反饋消息之后，首先驗(yàn)證消息發(fā)出者的身份信息Ci；如果身份信息有效，則存儲(chǔ)交互記錄。

(3) 計(jì)算車輛聲譽(yù)值

時(shí)間累積至一個(gè)周期之后，每個(gè)RSU負(fù)責(zé)計(jì)算其覆蓋范圍內(nèi)車輛的聲譽(yù)值。假設(shè)車輛在當(dāng)前周期內(nèi)經(jīng)過的RSU為Rlist={r1，r2，…}，當(dāng)前RSU向列表中的RSU查詢車輛vi在當(dāng)前周期內(nèi)的行為表現(xiàn)。用式(2)可以得到任意兩輛存在直接交互的車輛之間的信任意見期望值，將一個(gè)周期內(nèi)車輛與其余車輛的直接交互證據(jù)作為本周期該車輛聲譽(yù)更新的基礎(chǔ)。

(8)

(9)

式(8)和式(9)考慮了當(dāng)前周期的交互，但一個(gè)周期的時(shí)間較短，不足以反映車輛的真實(shí)聲譽(yù)值。此外，有些惡意攻擊者會(huì)發(fā)起On-off攻擊，在一定時(shí)間段內(nèi)表現(xiàn)良好提高自己的聲譽(yù)值，然后實(shí)行惡意攻擊，在聲譽(yù)值降低到一定程度又開始表現(xiàn)良好，如此產(chǎn)生更惡劣的影響。因此，僅考慮當(dāng)前周期內(nèi)的交互反饋信息無法抑制這種行為?？紤]到歷史交互信息對(duì)車輛聲譽(yù)值的影響，引入動(dòng)態(tài)衰減因子λ來調(diào)節(jié)歷史信息的權(quán)重，做到聲譽(yù)值“難得易失”的原則：

(10)

(11)

(4) RSU之間實(shí)現(xiàn)分布式共識(shí)，更新區(qū)塊

根據(jù)式(11)計(jì)算出最終的車輛聲譽(yù)值，將結(jié)果放入?yún)^(qū)塊鏈的資源池。RSU之間使用(Delegated Proof of Stake，DPoS)共識(shí)算法選出區(qū)塊更新者，來打包資源池中的交易，形成新的區(qū)塊。

(5) 分布式存儲(chǔ)

將新的區(qū)塊廣播出去，在RSU之間分布式存儲(chǔ)。每個(gè)RSU利用新的區(qū)塊更新自身的車輛聲譽(yù)數(shù)據(jù)庫，以給路邊車輛提供更好的服務(wù)。

2.2.2 車輛間信任關(guān)系

車輛在行駛過程中可能收到來自另一輛車的消息或者協(xié)作請(qǐng)求等，此時(shí)車輛要判斷自身與另一輛車之間的信任關(guān)系。車輛先向RSU查詢對(duì)方車輛上一周期結(jié)束時(shí)刻的聲譽(yù)值，然后查找兩輛車之間最近的直接與間接交互記錄，結(jié)合這兩個(gè)參數(shù)最終得出兩車之間的信任關(guān)系?？紤]多跳間信任關(guān)系時(shí)，文獻(xiàn)[23]給出了基于3VSL的AssessTrust(AT)算法，將復(fù)雜的網(wǎng)絡(luò)遞歸拆解成圖2和圖3的結(jié)構(gòu)，計(jì)算兩個(gè)用戶之間的信任關(guān)系。該算法具有較高的精確度，但是該算法存在大量重復(fù)子問題，會(huì)產(chǎn)生較大的時(shí)間和空間浪費(fèi)。其后，文獻(xiàn)[25]基于寬度優(yōu)先搜索(Breadth First Search，BFS)提出OpinionWalk(OW)算法來計(jì)算兩個(gè)用戶之間的信任關(guān)系，解決了AT算法中的重復(fù)子問題。OW算法將信任關(guān)系的計(jì)算過程轉(zhuǎn)化為類似矩陣乘法的運(yùn)算，首先將拓?fù)鋱D表示為直接意見的鄰接矩陣：

(12)

i車輛對(duì)于其他所有用戶的意見表示為

(13)

(14)

然而針對(duì)VANET場(chǎng)景，車輛的高度動(dòng)態(tài)性使得車輛間交互關(guān)系網(wǎng)絡(luò)復(fù)雜性增大。兩車之間的信任路徑可能很長(zhǎng)，信任路徑的選擇會(huì)直接影響信任值的計(jì)算。信任路徑越長(zhǎng)，傳播中產(chǎn)生的不確定性就更多。此外，有些車輛自身聲譽(yù)值很低，將其融入信任路徑當(dāng)中則會(huì)帶來一定的誤導(dǎo)性。因此筆者在OW算法的基礎(chǔ)上，設(shè)計(jì)了基于深度優(yōu)先搜索的信任路徑搜索算法。在篩選過的信任路徑上使用OW算法來計(jì)算兩車之間的信任關(guān)系。具體算法流程如算法1所示。

算法1信任路徑搜索算法。

輸入：信任拓?fù)渚仃嘒、源車輛vs、目標(biāo)車輛vt。

① path←vs，paths=[] ∥定義路徑path，路徑集paths

② trust_path_search_algo(G，path)：

③ if(len(path)=6)： ∥如果信任長(zhǎng)度達(dá)到6跳

④ if path[-1]=vt：paths←path ∥如果最后一個(gè)節(jié)點(diǎn)是目標(biāo)節(jié)點(diǎn)，添加進(jìn)路徑集

⑤ end if

⑥ if path[-1]=vt：paths←path∥如果path中的最后一個(gè)節(jié)點(diǎn)是目標(biāo)節(jié)點(diǎn)，添加進(jìn)路徑集

⑦ Else：

⑧ for node=G.nodes：

⑨ if Rep(node)≥threshold： ∥節(jié)點(diǎn)信譽(yù)值檢測(cè)

⑩ path←node

輸出：源車輛與目標(biāo)車輛之間的信任路徑。

(15)

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證筆者提出方法的有效性，在OMNet++仿真平臺(tái)上利用veins框架[26]搭建了仿真環(huán)境。圖5是仿真過程中使用的部分城市地圖。

表1 部分仿真參數(shù)表

基于對(duì)車輛本身聲譽(yù)值以及車輛行為的控制，在不同的場(chǎng)景設(shè)置下模擬了V2V交互過程。實(shí)驗(yàn)參數(shù)如表1所示。

3.1 算法有效性驗(yàn)證

在VANET場(chǎng)景中部署198輛普通車輛以及2輛特級(jí)車輛。在其中設(shè)置40輛可能存在惡意行為的汽車，車輛在行駛過程中不知道彼此是良好還是惡意車輛。在仿真場(chǎng)景中模擬了不同的交通事件，比如路口堵塞、道路故障等。設(shè)置良好的車輛會(huì)廣播真實(shí)交通信息，惡意車輛會(huì)廣播虛假交通信息。車輛在接受到其他車輛廣播的消息之后，會(huì)先與自身傳感器感知到的消息進(jìn)行對(duì)比，然后對(duì)發(fā)出消息的車輛進(jìn)行客觀評(píng)價(jià)，即0或1反饋。如果所收到的消息不在自身的感知范圍之內(nèi)，則觸發(fā)計(jì)算兩車之間信任關(guān)系的程序。根據(jù)式(15)計(jì)算的兩車間信任值來給予反饋，信任值大于0.5，反饋1；反之，為0。

在5個(gè)周期內(nèi)觀察一輛初始聲譽(yù)值為0.6的惡意車輛的聲譽(yù)值變化，并對(duì)比了3VSL算法[28]以及主觀邏輯信任模型[20]。

如圖6所示，取0.5作為判斷車輛良好/惡意的閾值點(diǎn)[21]。觀察了在上一周期聲譽(yù)和交互頻率權(quán)重取值不同時(shí)的聲譽(yù)值變化，當(dāng)γ1=0.5，γ2=0.5時(shí)，RSU能夠更快檢測(cè)出惡意車輛，并且系統(tǒng)性能表現(xiàn)較為穩(wěn)定。故接下來的仿真取γ1=0.5，γ2=0.5。此外，由于筆者在RSU更新聲譽(yù)的時(shí)候引入了衰減因子，當(dāng)車輛發(fā)生惡意行為時(shí)，其聲譽(yù)值迅速下降。而3VSL和SL算法沒有給歷史交易劃分權(quán)重，所以聲譽(yù)值下降緩慢。

在不同的應(yīng)用場(chǎng)景下，VANET中的惡意車輛比例可能不同。對(duì)于系統(tǒng)中存在不同比例的惡意車輛，分別觀察了其惡意車輛檢測(cè)率，如圖7所示。當(dāng)系統(tǒng)中只含有10%的惡意車輛時(shí)，筆者提出的算法能夠完全找出存在的惡意車輛；當(dāng)系統(tǒng)中含有20%的惡意車輛，筆者提出的算法能夠在第2個(gè)周期查找出惡意車輛；當(dāng)惡意車達(dá)到50%時(shí)，由于良好車輛數(shù)量變少，良好車輛的反饋所占比例也減少，所以很難檢測(cè)出所有的惡意車輛。但是在實(shí)際情況中，一般不會(huì)出現(xiàn)一半車輛用戶都是惡意的情況。對(duì)于接下來的仿真對(duì)比，結(jié)合現(xiàn)實(shí)情況，筆者取惡意車輛占比20%的情況為例。

RSU作為整個(gè)聲譽(yù)管理系統(tǒng)的主要負(fù)責(zé)者，每隔一個(gè)周期便更新其覆蓋范圍內(nèi)的車輛聲譽(yù)值，并存儲(chǔ)至區(qū)塊鏈網(wǎng)絡(luò)。筆者利用與上述同樣的參數(shù)設(shè)置，觀察到的系統(tǒng)內(nèi)惡意車輛檢測(cè)率如圖8所示。對(duì)于惡意車輛的檢測(cè)，文中算法在第2周期的惡意車輛檢測(cè)率可以達(dá)到100%并收斂，而3VSL和SL算法的惡意車輛檢測(cè)率分別在第3周期和第4周期達(dá)到100%。

由于車輛行為的多變性，車輛產(chǎn)生惡意行為的比例是不確定的。設(shè)置車輛以不同比例產(chǎn)生惡意行為，觀察在不同算法下每輛車的聲譽(yù)值，結(jié)果如圖9所示。仿真結(jié)果表明，車輛產(chǎn)生惡意行為的概率越大，其聲譽(yù)值越低。在車輛惡意行為比例達(dá)到20%時(shí)，筆者提出算法中所有惡意車輛的聲譽(yù)值低于0.5，表示已經(jīng)能被識(shí)別。而對(duì)于其它兩個(gè)算法，在車輛發(fā)生惡意行為的比例達(dá)到約50%時(shí)才能被識(shí)別。

3.2 搜索算法效果驗(yàn)證

為了說明引入路徑搜索算法不會(huì)造成信息的丟失，設(shè)計(jì)了如下仿真：先選取150組車，每組2輛，將其直接交互的記錄作為這兩輛車之間的真實(shí)信任關(guān)系，然后刪除直接交互，用路徑搜索算法獲取的路徑來計(jì)算間接信任。用Ed、Ei表示兩車之間的直接信任和間接信任關(guān)系，直接信任與間接信任之間的誤差表示如下：

(16)

由圖10可以看出，90%的車輛的直接信任與間接信任的誤差在10%之間，說明間接信任值與直接信任值較為相似。故在計(jì)算兩車之間信任關(guān)系時(shí)，用直接信任加上篩選過的間接信任，可以較準(zhǔn)確地得到兩車間的信任關(guān)系。

3.3 攻擊模型下的系統(tǒng)性能

為了驗(yàn)證聲譽(yù)管理系統(tǒng)的抗攻擊性能，設(shè)計(jì)仿真實(shí)驗(yàn)?zāi)M了兩種惡意攻擊行為。

首先是群組偽裝攻擊，在模擬群組偽裝攻擊時(shí)，包含了惡言攻擊的情況。在系統(tǒng)中設(shè)置160輛表現(xiàn)誠(chéng)實(shí)的車輛，設(shè)置40輛表現(xiàn)為惡意的車輛團(tuán)體。團(tuán)體中的車輛會(huì)先偽裝成良好車輛，以提高自身的聲譽(yù)值，之后開始實(shí)施惡意行為。惡意團(tuán)體中的成員互相串通，給予彼此良好的反饋以維護(hù)彼此的聲譽(yù)值，對(duì)于團(tuán)體之外的成員，不論對(duì)方行為性質(zhì)，均給予惡意反饋。如圖11所示，筆者提出算法的惡意車輛檢測(cè)率能夠較快達(dá)到100%。而另外兩種算法較容易受到群組攻擊的影響，檢測(cè)率上升緩慢。

其次是On-off攻擊，利用和群組串通攻擊下一樣的車輛設(shè)置。其中，設(shè)置惡意車輛行為為每隔一個(gè)周期切換一次“良好”或“惡意”的狀態(tài)，在6個(gè)周期內(nèi)觀察40輛惡意車輛的平均聲譽(yù)變化，如圖12所示。筆者提出的算法針對(duì)On-off攻擊時(shí)能夠較快檢測(cè)出惡意車輛，原因是惡意車輛的評(píng)價(jià)在信任更新時(shí)所占權(quán)重越來越小，衰減因子的存在抑制了聲譽(yù)值的快速上升，導(dǎo)致惡意車輛難以“偽裝”自身，最終被RSU檢測(cè)出來。而另外兩種算法在惡意車輛“扮演”良好車輛角色時(shí)，其聲譽(yù)值快速上升，較難檢測(cè)出惡意車輛。

4 結(jié)束語

針對(duì)V2V及V2I通信過程中可能產(chǎn)生的車輛信任問題，筆者提出了基于改進(jìn)的三值主觀邏輯算法的車輛間聲譽(yù)管理系統(tǒng)，利用區(qū)塊鏈技術(shù)保證了在不同區(qū)域內(nèi)的RSU信息的一致性、安全性和可追溯性。在計(jì)算兩車之間的信任關(guān)系時(shí)，設(shè)計(jì)了基于DFS的信任路徑搜索算法，提高了信任計(jì)算結(jié)果的精確度。仿真結(jié)果表明，聲譽(yù)管理系統(tǒng)在發(fā)現(xiàn)惡意車輛上具有較高的效率，同時(shí)系統(tǒng)具備一定的抗攻擊性。