車載社交網絡中基于霧計算的信任評估算法

董文遠,丁任霜,黃文艷,張光華

1(河北科技大學 信息科學與工程學院,石家莊 050018)2(河北師范大學 數學與信息科學學院,石家莊 050024)

1 引 言

近年來,隨著新一代信息和通信技術(例如4G、5G)的發展,汽車保有量持續快速增長,一方面造成了車輛缺乏統一管理、數據安全等問題,另一方面使車輛進一步受人為因素影響[1,2].因而,人們對車輛有序運行、信息安全的需求越來越迫切.車載社交網絡(Vehicular Social Network VSN)應運而生,并成為政府、工業界與學術界共同關注的熱點問題.VSN是一類特殊的車載自組織網,既考慮車載用戶之間的人為因素,又包含車載用戶之間的通信,同時為車載用戶提供各種服務信息,但是也相應的存在安全問題[3-5].

對于VSN安全問題的研究主要集中在認證機制、隱私保護、安全通信協議、信任機制等[6,7].信任機制是解決VSN中其它安全問題的重要一環.信任機制通過計算車輛節點信任度,排除惡意車輛節點和自私車輛節點,幫助轉發車輛節點從多個下一跳車輛節點中選擇安全、有效、質優的車輛進行合作.然而,現有的信任機制忽略了信任可靠度,導致信任度不可靠時信任管理機制失效[8,9].

本文考慮到可靠度對信任機制帶來的影響,在VSN中,提出了一種基于霧計算的信任評估算法(Trust evaluation scheme of vehicle social network based on fog computing,TEVSNF),該算法在車載自組織網信任模型的基礎上增加了可靠度和人為因素,利用車輛交互時間、車輛相隔距離、車輛所在區域計算下一跳車輛節點全局信任的信任度和可靠度,并采取最高信任優選算法進行決策;最后,基于霧計算技術實現該信任評估算法.

本文的其余部分安排如下:第2節介紹相關的工作,第3節提出了一種基于可靠度的車載社交網絡信任評估算法,第4節利用霧計算技術實現該信任評估算法,第5節介紹了仿真實驗并探究了實驗結果,第6節對全文進行總結,并探討下一步工作.

2 相關工作

目前,車載自組織網的信任機制很多,大致可分為傳統車載自組織網的信任機制和車載社交網絡的信任機制兩種.在傳統車載自組織網的信任機制中,信任管理模型只考慮車輛節點之間的交互行為,復雜性低[10-15];在車載社交網絡的信任機制中,不僅考慮到車輛節點之間的交互行為,還考慮到人為因素,復雜性高,但評估出的信任度準確[16-21].

在傳統車載自組織網中,信任機制的研究較多,文獻[10]提出了一種新的信任計算和路由技術,該技術將車聯網中特定時間點的車輛數量劃分成多個網格,并在每個網格中放置一個可信的權限,這樣不僅能夠增強信任模型,還可以查找出惡意行為.文獻[11,12]提出了一種基于區塊鏈的車輛網絡信任管理機制,該機制利用區塊鏈去中心化方法有效的收集、計算和存儲信任值,提高信任模型的可靠性,保護車輛隱私.文獻[13]提出了一種基于證據組合的車輛抗攻擊協同信任管理方案,該方案將局部數據與外部證據相結合,在惡意節點比例較大的情況下抵御惡意攻擊、選擇性錯誤攻擊和實效性攻擊.文獻[14]提出了一種保護節點排名隱私的信任投票算法,該算法利用同態密碼系統隱藏車輛的反饋信息,防止惡意車輛提供超出節點范圍的反饋值,確保在惡意車輛存在的情況下正確計算可信度.文獻[15]提出了一種基于博弈論的信任模型,該模型引入時間衰減函數來提高信任評價的準確性和動態適應能力,進而激勵車輛提供高質量的服務.上述這些方案雖然在車載自組織網中建立了信任模型,但均沒有考慮到是人為因素和可靠度對信任模型的影響,分組投遞率較低.

在車載社交網絡中,一些學者們也做了相應研究.文獻[19]提出了一種基于信任的車載社交網絡架構(TACASHI),TACASHI將車載自組織網和在線社交網絡連接起來,以便根據司機和乘客的在線社交網絡檔案來評估車輛可信度,進而獲取更加可靠的信任模型.文獻[20]提出了一種基于云計算的車載社交網絡信任評估方案,該方案將車輛歷史信任、鄰居車輛信任和朋友車輛信任作為計算全局信任的依據,能夠較好的評估節點信譽值,促進車輛信息交互.文獻[21]在車載自組織網中提出了一種基于應用的混合信任管理系統,以保證信息的可信性,該系統由兩個模塊組成:電子郵件信任模塊和社交網絡信任模塊,通過這兩個模塊,車輛可以計算相應的信任值,并從鄰居車輛中查詢信任狀態.上述方案雖然考慮到人為因素對信任模型的影響,但并未提及信任數據的可靠度.

綜上所述,一方面是針對傳統車載自組織網而設計的信任模型;另一方面是針對車載社交網絡而設計的信任模型,均未考慮到可靠度對信任模型的影響.基于以上,為了提高車載信任模型的可靠度,促進車輛之間合作,在車載社交網絡信任模型的基礎上,提出了一種基于霧計算的信任評估算法.

3 信任評估算法的設計

為了準確地計算出下一跳車輛節點信任值,并提高交互成功率,信任評估算法的設計可分為兩個階段,如圖1所示.第一階段(信任評估),轉發車輛節點請求獲取下一跳車輛節點全局信任,之后霧節點存儲轉發車輛節點、下一跳車輛節點、推薦車輛節點和朋友車輛節點的歷史交互信息,考慮到時間衰減函數、距離衰減函數和區域影響函數對信任度和可靠度的影響,從歷史信任、直接信任、推薦信任和朋友信任四個方面進行分析,求出下一跳車輛節點的全局信任,并發送至轉發車輛節點.第二階段(信任決策),轉發車輛節點收到多個下一跳車輛節點全局信任后,利用最高信任優選算法選擇下一跳車輛節點進行交互.

圖1 信任評估算法的工作流程Fig.1 Working process of trust evaluation algorithm

在圖1中,信任度、可靠度的定義如下.

信任度信任度是指轉發車輛節點對下一跳車輛節點的交互能力預期判斷,信任度受交互相隔時間的影響,代表該節點對其他節點的交互能力的評價.信任度的取值范圍為[0,1]:0表示對其他節點絕對不信任,1表示對其他節點絕對信任.

可靠度可靠度是描述信任數據的可靠程度,可靠度受交互信任度相隔時間、交互車輛節點相隔距離、交互車輛節點所在區域、信任來源等因素的影響.可靠度的取值范圍為[0,1]:0代表信任數據評估絕對不可靠,1代表信任數據評估絕對可靠.

3.1 信任評估

本節中,為了確定下一跳車輛節點的信任值,需要定義一些符號,如表1所示.

3.1.1 數據存儲

在信任評估算法中,信任評估過程無論是計算歷史信任HT、直接信任DT、推薦信任RT還是朋友信任FT,均需車輛交互數據的參與,霧節點需要存儲3類數據.

1)歷史交互列表Hall,從中讀取歷史信任與直接信任計算所需的歷史數據,包含節點歷史信任度、節點歷史可靠度、交互節點信息、交互信任度信息、交互時間信息、交互次數等.

2)節點推薦列表Rall,從中讀取推薦信任與朋友信任計算所需的鄰居數據,包含交互節點信息、推薦節點信息、交互信任度、交互時間信息、交互次數等.

3)節點推薦可靠度列表SRall,從中讀取轉發節點對推薦節點的信任程度,包含推薦節點信息,推薦節點位置,推薦正確次數,推薦錯誤次數,推薦時間.

4)朋友節點可靠度列表FRall,從中讀取轉發節點對朋友節點的信任程度,包含朋友節點信息和朋友節點所在區域.

表1 符號的定義
Table 1 Define the symbol

符號含義n交互次數hti轉發車輛節點對下一跳車輛節點歷史信任度ti轉發車輛節點與下一跳車輛節點交互所處時間shti轉發車輛節點對下一跳車輛節點的可靠度rdti推薦車輛節點對下一跳車輛節點的信任度rsdti推薦車輛節點對下一跳車輛節點的可靠度sri推薦節點可靠度fdti朋友車輛節點對下一跳車輛節點的信任度fsdti朋友車輛節點隊下一跳車輛節點的可靠度fri朋友節點可靠度drrsi推薦信任中轉發車輛節點對下一跳車輛節點的可靠度dfrsi朋友信任中轉發車輛節點對下一跳車輛節點的可靠度IFL(m)與轉發車輛節點在同一區域的朋友節點列表EFL(m)與轉發車輛節點在不同區域的朋友節點列表

3.1.2 直接信任

直接信任為轉發車輛節點與下一跳車輛節點直接交互產生的信任值,受轉發車輛交互信息和交互相隔時間因素影響.

如算法1所示,轉發車輛節點對下一跳車輛節點的直接信任計算步驟如下.

步驟1.讀取轉發車輛節點對下一跳車輛節點的歷史信任度hti和發生時間ti.

步驟2.計算直接信任度DT.如果某一hti有較高的可靠度,說明參考價值高,應該提高該數據對DT的影響;反之,若hti的可靠度較低,說明參考價值低,應該降低該數據對DT的影響.歷史信任度hti具有時效性,隨著時間的延長,hti的可靠度降低,為了便于本文研究,令hti的可靠度shti=α(t-ti),α為時間影響函數,t代表當前時間,ti代表記錄hti發生的時間.

綜上,可求出DT的計算公式,如公式(1)所示.

(1)

假定轉發車輛節點對下一跳車輛節點不存在歷史信任值時DT取0.5.

步驟3.計算直接信任度的可靠度SDT.如果直接信任度DT和歷史信任度hti的離散度較低,說明節點信任度穩定,DT與當前節點真實信任度預計偏差較小,即DT擁有較高的可靠度;反之,如果DT和hti的離散度較大,DT與節點真實信任值存在較大的偏差,所以DT結論不可靠,

綜上所述,直接信任的可靠度與歷史信任度的離散度有關,直接信任的可靠度計算方法見公式(2).

(2)

當沒有歷史信任度時取值0.表示歷史記錄不可靠.

算法1.直接信任評估

1 Inputs:hti(F),ti(F)

2 Outputs:DT,SDT

3 Fortido

4 Calculateshti;

5 End for

6 Forhtido

7 CalculateDT;

8 End for

9 Forshtido

10 CalculateSDT

11 End for

12 End

3.1.3 推薦信任

推薦信任為車載社交網絡中推薦車輛節點提供給轉發車輛節點的信任值,受兩個方面影響,一是推薦車輛節點對下一跳車輛節點的信任度和可靠度,二是轉發車輛節點對推薦車輛節點的可靠度,與推薦車輛節點到轉發車輛節點的距離有關.

區域內推薦車輛節點在選擇上必須滿足兩個條件:

①轉發車輛節點與推薦車輛節點曾經發生交互;

②轉發車輛節點與下一跳車輛節點曾經發生交互;當區域內推薦車輛節點不足時,選擇區域外滿足①和②條件的車輛節點.

如算法2所示,轉發車輛節點A對下一跳車輛節點B的推薦信任計算步驟如下.

步驟1.獲取推薦車輛節點關于下一跳車輛節點的直接信任度DT和可靠度SDT.利用3.1.2節中直接信任的計算方法計算出每個推薦車輛節點的DT與SDT.將處理后的數據序列記為推薦直接信任度序列RDT和推薦直接信任可靠度序列RSDT.令序列RDT={rdt1,rdt2,…,rdtk}為推薦車輛節點的直接信任度序列,RSDT={rsdt1,rsdt2,…,rsdtk}為推薦車輛節點的直接信任可靠度序列.

步驟2.計算轉發車輛節點對推薦車輛節點的可靠度序列SR={sr1,sr2,…,srk}.在推薦信任中,轉發車輛節點對推薦車輛節點的可靠度受距離因素影響,距離越遠可靠度越低,距離越近可靠度越高,推薦車輛節點的可靠度srk=β(d-dk),β為距離影響函數,d代表轉發節點所在位置,di為推薦車輛節點所在位置.

步驟3.計算推薦車輛節點的綜合可靠度序列

DRRS={drrs1,drrs2,…,drrsk}.轉發車輛節點需要從兩個方面計算rdtk的可靠度:1)推薦車輛節點對rdtk的可靠度rsdtk;2)轉發車輛節點對推薦車輛節點的可靠度srk.綜上,本文使用drrsk=rsdtk×srk表達轉發車輛節點F對rdtk的綜合可靠度.

步驟4.計算推薦信任度RT.如果推薦車輛節點的直接信任度rdtk對應的綜合可靠度drrsk較高,說明轉發車輛節點認為推薦車輛節點可靠且rdtk比較準確,所以rdtk參考價值高,應該提高rdtk對RT的影響;反之,若rdtk對應的綜合可靠度較低,說明轉發車輛節點認為推薦車輛節點不可靠或rdtk不準確,則降低rdtk對RT的影響.

綜上,可求出推薦信任度RT的計算方法,如公式(3)所示,rn為推薦車輛節點數量.

(3)

步驟5.計算推薦信任可靠度SRT.考慮到社交網路中眾多車輛節點公認的結果更加可靠,眾多車輛節點存在分歧的結果不可靠.當推薦信任的離散度較低,說明RT的結論是眾多車輛節點公認的結果,擁有較高的可靠度;反之,推薦信任的離散度較高,說明推薦車輛節點對下一跳車輛節點的信任度存在較大分歧,RT的結果不可靠,

綜上所述,推薦信任的可靠度計算方法如公式(4)所示.

(4)

算法2.推薦信任評估

1 Inputs:IRL(F),ERL(F),SRall

2 Outputs:RT,SRT

3 If rn in the region is sufficient

4 For allk∈IRL(F) do

5 Calculaterdtkandrsdtk;

6 Forsrkandrsdtkdo

7 Calculatedrrsk;

8 Forddrskdo

9 CalculateRT;

10 ForRTandrdtkdo

11 CalculateSRT;

12 End for

13 End for

14 End for

15 End for

16 Else

17 For allk∈{IRL(F)∪ERL(F)} do

18 Repeat 5 to 15;

19 End for

20 End

3.1.4 朋友信任

朋友信任為車載用戶中朋友車輛節點提供的信任度,朋友車輛節點由于朋友車輛節點數量少且分布在不同的區域,為此,引入區域影響函數來提高朋友信任的可靠度.

1)朋友車輛節點

朋友車輛節點為車輛駕駛員在社會關系中朋友所處的車輛節點.在車載社交網絡中,利用字典編輯法確認朋友車輛節點,主要考慮兩個方面:1)與轉發車輛節點相遇頻數fm,2)與轉發車輛節點相遇時間長短tm.如表2和表3所示,fmax代表相遇次數多,fmin代表相遇次數少,tmax代表相遇時間長,tmix代表相遇時間短.

從表2中可知N=N1和N=N2時,fm最大,于是優選出方案N1和N2.其次,從表3中進行優選,選出N=N1時,tm最大,因此,N2是選中的朋友車輛節點.

2)朋友信任計算

如算法3所示,轉發車輛節點和下一跳車輛節點之間朋友信任計算步驟如下.

步驟1.獲取朋友車輛節點關于下一跳車輛節點的直接信任度和可靠度.與3.1.3節中推薦信任的步驟1類似,可求出朋友車輛節點的直接信任序列FDT和可靠度序列FSDT,記FDT={fdt1,fdt2,…,fdtm}和FSDT={fsdt1,fsdt2,…,fsdtm}.

步驟2.從FRall中獲取不同區域內朋友車輛節點的可靠度frm.在朋友信任中,可靠度frm與區域影響函數χ有關,距離該區域越遠的朋友車輛節點可靠度越低.轉發車輛節點從ERm中讀取不同區域內朋友車輛節點的可靠度frm,FR={fr1,fr2,…,frm}為朋友車輛節點的可靠度序列.

表2 節點屬性
Table 2 Node property

屬性N1N2N3N4fmfmaxfmaxfminfmintmtmaxtmintmaxtmin

步驟3.計算朋友車輛節點的綜合可靠度序列

DFRS={dfrs1,dfrs2,…,dfrsm}.轉發車輛節點需要從兩個方面考慮fdtm的可靠度:1)朋友車輛節點關于fdtm的可靠度fdtm;2)轉發車輛節點對不同區域內朋友車輛節點的可靠度frm.綜上,本文使用dfrsm=fsdtm×frm表達轉發車輛節點F對fdtm的可靠度.

表3 方案優選
Table 3 Scheme optimization

屬性N1N2tmtmaxtmin

步驟4.計算朋友信任度FT.如果朋友車輛節點m的直接信任度fdtm對應的綜合可靠度dfrsm較高,說明轉發車輛節點認為fdtm可靠,所以應該提高fdtm對FT的影響;反之,則降低fdtm對FT的影響.

綜上,可求出朋友信任度FT的計算方法,如公式(5)所示.

(5)

步驟5.計算朋友信任可靠度SFT.同3.1.3中推薦信任的步驟五,可求出朋友信任的可靠度計算方法,如公式(6)所示,fn為朋友節點數量.

(6)

算法3.朋友信任評估

1 Inputs:IFL(F),EFL(F),FRall

2 Outputs:FT,SFT

3 For allm∈{IFL(F)∪EFL(F)} do

4 Calculatefdtmandfsdtm;

5 For allFRallandfsdtmdo

6 Calculatedfrsm;

7 For alldfrsmdo

8 CalculateFT;

9 For allFTandfdtmdo

10 CalculateSFT;

11 End for

12 End for

13 End for

14 End for

15 End

3.1.5 歷史信任

為了增加對下一跳車輛節點的正確評估,需要考慮下一跳車輛節點自身的信任度與可靠度,從Hall中獲取下一跳車輛節點的歷史信任度HT和歷史信任可靠度SHT.

3.1.6 全局信任

如算法4所示,車輛節點的全局信任由直接信任、推薦信任、朋友信任和歷史信任構成.全局信任定義見公式(7).

GT=ωDT+ξFT+ΨRT+ζHT

(7)

其中ω代表直接信任權重,ξ代表推薦信任權重,Ψ代表朋友信任權重,ζ代表歷史信任權重.由公式(8-11)計算得到.

(8)

(9)

(10)

(11)

在車載社交網絡中,人類往往認為車輛的直接信任最可靠,其次是朋友信任、歷史信任和推薦信任.但在實際過程中,轉發車輛節點與下一跳車輛節點交互過少可能導致直接信任度更加不可靠,無法準確確定權重.本文從直接信任可靠度、朋友信任可靠度、推薦信任可靠度和歷史信任可靠度四個方面考慮權重.可靠度越大,全局信任中占有比重就越大.

算法4.全局信任評估

1 Inputs:DT、FT、RT、HT、SDT、SFT、SRT、SHT

2 Outputs:GT

3 ForSDT、SFT、SRTandSHTdo

4 Calculateω、ξ、ψandζ;

5GT=ωDT+ξFT+ψRT+ζHT;

6 andω+ξ+ψ+ζ=1;

7 End for

8 End

3.2 信任決策

為了提高交互的成功率,促進車輛節點之間的合作.轉發車輛節點在進行信息轉發前,根據全局信任GT從多個下一跳車輛節點中選擇一個下一跳車輛節點進行信息交互.

針對多個下一跳車輛節點,目前存在兩種決策算法:

1)最高信任優選算法;

2)基于信任度的隨機算法.一些學者認為最高優選算法中信任度最高的節點容易陷入“被選擇—獲得信任—又被選中”的死循環和承受較大的訪問壓力,因此選用基于信任度的隨機算法進行決策.

然而,由于車載社交網絡中節點的高移動性和區域化,同一區域內信任度最高的節點時刻發生變化,不存在信任度最高的節點陷入“被選擇—獲得信任—又被選中”的死循環和承受較大的訪問壓力的問題.同時,信任度高的節點較為可靠、穩定和安全,因此本文選擇最高信任優選算法,從下一跳車輛節點中選擇全局信任度最高的車輛節點進行交互,如算法5所示.

算法5.最高信任優選算法

1 Inputs:GT

2 Outputs:IN

3 For allgti∈GTdo

4 CalculateIN=maxnode(gti);

5 If(number(IN)>1)

6 Interact with theIN;

7 Else

8 select n min(IN);

9 End if

10 End for

11 End

4 信任評估算法的實現

4.1 通用社交網絡架構

具體來說,基于云計算的通用社交網絡架構是一個三級信任管理機制,主要包括云計算層(CCL)、霧計算層(FCL)和車載終端層(VTL),不同的層次有不同的職責,也有其特殊的功能,各層之間相互聯系,相互合作.下面將對通用社交網絡架構進行詳細介紹[22-24],如圖2所示.

圖2 通用社交網絡架構Fig.2 Universal social networking architecture

云計算層云計算層主要由中央服務器構成,與全局信任評估機制相關聯,具有強大的計算和存儲能力,主要是維護VSN中所有認證車輛的信息,制定合理的信息傳遞方案,并為霧計算層與車載終端層的交互提供信息服務.

霧計算層霧計算層由性能較弱、具有存儲和計算能力的霧節點構成,可以直接與覆蓋區域內的RSU相連接.霧節點作為RSU站點,一方面將RSU收集的車輛信息進行分析、處理、過濾,及時應對緊急事件,在選擇性的把一部分信息發送給其他霧節點或云計算層.另一方面,它們可以將云計算層的數據或車載終端層上傳的數據緩存在本地,盡可能地將計算任務在本地處理.在VSN中引入霧節點可以協助云計算層完成信任評估,實現數據實時共享,降低了云計算層的壓力,提高了傳輸效率.

車載終端層車載終端層由車載網絡中的RSU和車載終端構成.RSU負責收集區域內的車輛信息(包括車輛歷史交互信息、推薦節點信息、節點推薦可靠度信息、車輛信息、車流量信息等),并將這些信息發送給區域內的車輛和霧節點.車載終端接入網絡后,可以快速獲取霧節點所提供的服務,大大降低了時延.

4.2 算法實現

為了實現第3節中的信任評估算法,在通用社交網絡架構的基礎上,本節提出了基于霧計算的車載社交網絡架構(Vehicle social network architecture based on fog computing,FC-SIOV).

根據通用社交網絡架構,本節將對FC-SIOV的實現過程進行說明,主要包括四個部分:

1)車輛單元;

2)RSU;

3)霧節點;

4)中央云服務器.

車輛單元作為車載社交網絡中的基本元素,負責向RSU提供個人信息和采取相應的方案.RSU收集區域內的車輛信息,為霧節點提供本地服務.霧節點是一個基本站,與RSU和車輛相連,專注于數據收集與信息處理.中央云服務器主要是分析和存儲霧節點提供的數據結果.

圖3 VSN中信任評估算法的實現過程Fig.3 Implementation of trust evaluation algorithm in VSN

如圖3所示.在步驟1中,轉發車輛節點向霧節點發送一個獲取下一跳車輛節點信任值的請求.從而,霧節點開始收集相關信息并計算.其中,步驟2-步驟4為直接信任度和可靠度的評估過程,霧節點與RSU進行交互,獲取轉發車輛節點與下一跳車輛節點的Hall.步驟5-步驟9為推薦信任度和可靠度的評估過程,當區域內推薦車輛節點充足,霧節點根據RSU發送的信息直接求解推薦信任度和可靠度(步驟5-步驟6),否則,需從中央云服務器中獲取區域外的推薦節點信息在做運算(步驟7-步驟8).步驟10-步驟15為朋友信任度和可靠度的評估過程,包括區域內朋友車輛節點(步驟10-步驟11)和區域外朋友車輛節點(步驟12-步驟14).步驟16-步驟17為下一跳車輛節點歷史信任度和可靠度的獲取過程.步驟18,霧節點根據DT、FT、RT、HT、SDT、SFT、SRT、SHT計算出下一跳車輛節點的全局信任GT.最后,將求解的GT發送給轉發車輛節點進行決策(步驟19-步驟20)并轉發給中央云服務器進行更新.

5 實驗分析

5.1 仿真模型

本文使用NS-2仿真模擬器建立模型,模擬車聯網中車輛節點的信息轉發過程.設置四組實驗,A組采用TEVSNF模型,B組采用基于云計算的信任評估模型,C組采用無VVM的基于云計算的信任評估模型,D組未采用任何模型.以此來驗證TEVSNF模型的性能.

表4 參數設置
Table 4 Set the parameters

主要參數參數值路徑損耗模型Two Ray Ground路由協議AODV通信協議IEEE 802.11p惡意攻擊方式黑洞攻擊、協同黑洞攻擊車輛類型正常車輛、自私車輛、惡意車輛、朋友車輛區域2000?2000(m?m)車輛信息傳輸范圍100(m)車輛運行速度0-40(m/s)車載數量(0,100)車輛移動方式隨機移動

實驗共設置了1個云服務器中心、3個霧節點,10個RSU節點,100個車輛節點.RSU節點將2000*2000(m*m)的區域劃分為10個小區域.100個車輛節點中包括82個正常車輛節點、10個朋友車輛節點、5個自私車輛節點和3個惡意車輛節點.將仿真時間依次設置為50s、100s、150s、200s、250s、300s,其他實驗主要參數設置見表4.

5.2 性能分析

在車輛速度變化的情況下,本文將4組實驗從端到端傳輸時延、誤檢率、分組投遞率和開銷四個方面分析驗證TEVSNF模型.端到端傳輸時延反映了數據分組從發送節點傳遞到目的節點所用時間,誤檢率反映了檢測機制將惡意節點檢測為正常節點的概率,分組投遞率反映了目的節點成功接收的數據分組比例,網絡開銷反映了車載自組織網中消耗的能量.下一步將討論實驗的結果.

5.2.1 端到端傳輸時延

圖4顯示了在車輛速度提高時,TEVSNF與文獻[15]模型及文獻[20]模型的端到端傳輸時延測試結果.由圖4可知,隨著車輛速度的不斷提高,TEVSNF與對照模型在端到端傳輸時延上均有所上升.但是,TEVSNF引入了霧計算技術,不依賴處于中心位置的遠程服務器,支持車載社交網絡的高移動性,在數據包傳遞的過程中,加快了處理數據的進程,從而在端到端傳輸時延上始終要低于其他模型.

圖4 端到端傳輸時延隨車輛節點速度的變化情況Fig.4 Change of End-to-end transmission delay with the speed of vehicle node velocity

5.2.2 誤檢率

圖5顯示了在車輛速度不斷增大的情況下,TEVSNF與文獻[15]模型及文獻[20]模型的誤檢率測試.由圖5可知,隨著車輛速度的不斷增大,TEVSNF與文獻[15]模型及文獻[20]模型呈現誤檢率上升的趨勢.與其他三種信任模型相比,TEVSNF引入信任度、可靠度、時間衰減函數、距離衰減函數和區域影響函數,提高了全局信任的準確性,從而降低了在檢測惡意節點時因信任值不準確所造成的誤差,保持誤檢率最低.

圖5 誤檢率隨車輛節點速度的變化情況Fig.5 Change of malicious node error detection rate with the vehicle node velocity

5.2.3 分組投遞率

圖6顯示了TEVSNF與文獻[15]模型及文獻[20]模型在車輛速度不斷增加時,目的車輛節點成功接收的數據分組比例.由圖6可知,隨著車輛速度的不斷增加,TEVSNF與文獻[15]模型及文獻[20]模型均呈現分組投遞率下降的態勢,無VVM的文獻[20]模型下降幅度最大,其次為有VVM的文獻[20]模型和文獻[15]模型,TEVSNF下降幅度最小.相較于其他模型,TEVSNF采取最高信任優選算法,從下一跳車輛節點中選擇全局信任最高的車輛節點進行數據包傳遞,降低了自私節點和惡意節點對信息交互的影響,維持較高的分組投遞率.

5.2.4 網絡開銷

圖7是TEVSNF與另外兩種信任模型的網絡開銷對比圖.可以看出,隨著車輛速度的增加,TEVSNF、文獻[15]和文獻[20]的信任模型開銷逐漸增加,而TEVSNF采用的信任模型開銷明顯大于文獻[15]和文獻[20]中的方法.因為,TEVSNF隨著速度的增加,車輛位置變化更加明顯,需要更多的霧節點提供服務,從而在車載社交網絡中消耗了更大的開銷.

圖6 分組投遞率隨車輛節點速度的變化情況Fig.6 Change of packet delivery rate with the vehicle node velocity

圖7 網絡開銷隨車輛節點速度的變化情況Fig.7 Change of network overhead with the vehicle node velocity

6 結 語

在車載自組織網中,為了提高車載社交網絡中信任模型的可靠度,促進車輛之間進行信息交互,提出了基于霧計算的信任評估算法.考慮到可靠度對信任模型造成的影響,本算法從時間、距離、區域三個方面計算下一跳車輛節點的直接信任、推薦信任、朋友信任、歷史信任和全局信任,并與最高信任優選算法相結合,從而以較安全的交互行為將信息發送到目的車輛,最后,利用FC-SIOV實現該信任評估算法,此外,從端到端傳輸時延、分組投遞率、誤檢率和網絡開銷四個方面驗證了TEVSNF的可行性與有效性.下一步工作將在此方案的基礎上引入車主心理因素,進一步優化信任評估模型,并分析區塊鏈和霧計算技術在去中心化方面對本模型的影響.