基于車輛行駛模型的Sybil攻擊檢測算法

陶 敏， 關勝利， 崔鵬飛

（1.中國南方電網超高壓輸電公司廣州局，廣州510003；2.廣州高瀾節能技術股份有限公司，廣州510663）

0 引 言

作為現代社會最重要的基礎設施，交通系統的效率影響了居民生活質量。隨著交通流量的增加以及道路車輛數的激增，交通事故頻繁發生［1-2］。如何有效地提高道路安全是交通系統亟待解決的問題。

車聯網（Vehicular Ad hoc Networks，VANET）已成為智能交通系統（Intelligent Transportation System，ITS）的重要組成部分［3］。VANET利用車輛間（Vehicle-to-Vehicle，V2 V）和車輛與路邊設施（Road Side Unit，RSU）通信，提高道路行駛安全。

多數VANET應用均涉及到行駛安全。在VANET內實施相應的安全機制顯得尤為重要。由于車輛的快速移動及無線通信的特性，相比于傳統網絡，VANETs容易遭受各類攻擊。為確保VANET的安全，研究人員提出各類安全機制。多數安全機制來自IEEE或ETSI推薦的標準。

IEEE 1609.2標準［4］為車載環境（Vehicular Environment，VE）設備的無線接入定義了安全消息格式。與IEEE標準不同，ETSI標準并沒有將安全設備定義成管理平臺［5］的子函數。ETSI TS 102 941標準［6］定義了信任管理和隱私管理機制，利用這些機制支持或者實現ITS系統的安全。

通常，這些安全機制可基于3種模式構建：加密算法、公鑰基礎設施和安全認證。這些安全機制能夠實現車載通信環境中消息的認證和完整性。車載網絡容易遭受Sybil攻擊［7］。一個惡意節點同時使用不同的假名，就容易發生Sybil攻擊。每個假名偽裝成一個虛擬節點（Virtual Node，VN）。

在車載網絡中，Sybil攻擊對網絡層和應用層均有影響。由于網絡層采用了CSMA/CA機制，多個虛擬節點間的連接，過多地占用信道資源。在應用層，虛擬節點也參以與其他ITS設備的通信。在這種環境下，當惡意節點同時使用多個假名時，這些假名產生的虛擬節點通過向良性節點廣播虛假安全消息，發起攻擊。一些安全機制采用了投票機制［8］。惡意節點利用產生多個虛擬節點進行惡意投票。

基于車輛行駛模型的Sybil攻擊檢測（Driving Pattern based Sybil AttackDetection，VDP-SAD）算法?？紤]到虛擬節點不得不避開良性節點捕獲的位置，這些虛擬節點的行駛模型可能是雜亂的，不穩定的。尤其是在動態的車載環境，它們的行駛模型極不穩定、不成形的。因此，VDP-SAD算法通過評估車輛行駛模型的相似性，檢測Sybil攻擊。

1 系統模型

1.1 網絡模型

車聯網主要由車輛、路邊單位（Road-Side Units，RSU）構建，如圖1所示。每輛車上安裝一個車載診斷系統（On-Boart Diagnostic，OBD）［9］。利用OBD，車輛能夠與其他車輛、RSU進行通信。每輛車中的OBD具有防攻擊設備（Tamper Proof Device，TPD），存儲相關的數據。在VANET中，車輛通過交互Beacon包與其鄰居節點交互信息，獲取鄰居車輛的信息。車輛在一跳通信范圍內以周期T=100 ms廣播Beacon包，其主要包含車輛的身份，位置，速度和加速度。

圖1 系統模型示意圖

在道路邊上部署RSU。這些RSU為車輛提供服務。每個RSU采用短程無線通信技術（Dedicated Short Range Communications，DSRC）協議［10］與其覆蓋范圍內的車輛通信。

1.2 Sybil攻擊模型

若一輛車在一段時間內使用幾個假名，從OBD和RSU角度，每一個假名都是一輛車。原因在于：每個有效的假名都擁有它自己的密鑰對。因此，一輛車輛利用它的不同假名虛構多個身份（虛擬節點），進而發起Sybil攻擊。

通常，車聯網中的Sybil攻擊有兩個過程：虛擬節點產生過程和攻擊發起過程。依據ETSI的標準，在虛擬節點產生過程中，虛擬節點利用協作感知消息（Cooperative Awareness Messages，CAM）使OBD和RSU［11-12］知曉自己；在攻擊發起過程中，虛擬節點利用集中環境認知消息（Decentralized Environmental Notification Message，DENM）向RSU報告虛假的道路信息。

如圖2所示，Vm是惡意節點，Vb為良心節點，Vυ是由Vm利用它的假名產生的虛擬節點。依據ETSI標準，Vυ通過傳輸CAM使系統內的其他車輛和RSU知曉自己，再通過傳輸DENM向RSU報告虛假的道路消息。

圖2 Sybil節點的攻擊模型

VDP-SAD算法就是聚集于虛擬節點產生過程，其先檢測虛擬節點，再排除這些虛擬節點。

2 VDP-SAD算法

當車密度很高時，車輛行駛模型存在很明顯的相似性。VDP-SAD算法利用行駛模型的特征值表述車輛行駛模型，構建行駛模型矩陣，計算每個行駛模型矩陣的特征值，檢測Sybil攻擊節點。

2.1 車輛行駛模型矩陣

VDP-SAD算法引用行駛模型矩陣（Driving Pattern Matrix，DPM）表述車輛在一段時間內的行駛模型，并利用DPM的特征值估計相似性。

因此，車輛?i在時間段( t1，tn)區間的DPM可表示為：

2.2 特征值

若矩陣Mi滿足式（2），則矩陣Mi有一個特征矢量x和相應的特征值λ：

在時間段( t1，tn)內，對于任意車輛?i的DPM的Mi，先構建矩陣·Mi，其滿足式（3）：

2.3 Sybil攻擊檢測

遵循特征值快速下降的事實。VDP-SAD算法以降序對特征值進行排序［13］。取排序后的前5個值，并利用這5個特征值表述分類器內的原始DPM的特性。

從5個特征值中選擇2個最大的特征值，這2個特征值分別表示：

將車輛?i在一段時間內的行駛模型表述成二維平面上一個點，這2個特征值是這個點的坐標。

用兩個矢量νi、νj分別表述車輛?i、?j的行駛模型，其中這2個矢量的明氏距離（Minkowski Distance，MD）為：

在測量明氏距離過程中，常將q取1或2。若q=1，則MD為曼哈頓距離；若q=2，則MD就為歐式距離。

矩陣的特征值是一組非負的實數?？烧J為矩陣相似性與特征值相似性之間存在正相關性。利用曼哈頓距離評估特征值間的相似性，檢測Sybil攻擊。

系統內存在N輛車，便可形成N個矢量νi，且i=1，2，…，N。用這N個矢量νi構成N行2列矩陣：

計算矩陣S第1行的矢量νi與中值矩陣e=的MD距離。令νi表示矩陣S的i行，其表示車輛?i的行駛模型。如果νi與MD距離d νi，( )e大于預定的閾值dth，則車輛?i被判定為惡意節點。

2.4 Sybil攻擊的檢測流程

算法1給出檢測Sybil攻擊的流程。

收集N輛車的Beacon消息，并構建在( t1，tn)時間內每輛車的DPM。計算車輛?i的DPM Mi的特征值，如算法1 step2所示。依據式（5）計算2個最大的特征值，并構建矢量νi。

3 性能分析

3.1 仿真環境

在Windows 7操作系統、8 GB內存，core i7 CPU的PC上進行實驗仿真。采用交通仿真軟件SUMO（Simulation of Urban Mobility）1.2.0進行仿真。SUMO是一個開源、微觀、多模態交通仿真模擬軟件，集成了車輛行駛規律，車輛駕駛行為、駕駛習慣、路徑選擇等內容，可以產生逼真的交通仿真場景。

采用都市交通場景，仿真場景為Manhatan Grid4×4。道路長為1 km，每條道路為雙向2車道，具體的仿真參數見表1。

算法1 檢測Sybil攻擊輸入：Beacons from vehicles輸出：ID of malicious nodes Step1：for i=1 to N do for t=1 to n do Construct the DPM for each vehicle within n seconds Get Mi end for Step2：Calculate the eigenvalues of Mi Step3：Calculate the vector of→νi Step4：Construct matrix S and compute→e end for Step5：for i=1 to N do Calculate the MD d（vi，ei）between vi and ei if d（vi，ei）＞dth Output the IDs of maliciousnodes end if end for

表1 仿真參數

3.2 VDP-SAD算法檢測Sybil攻擊性能

分析VDP-SAD算法在不同的車流量密度環境下，檢測Sybil攻擊的準確率，簡稱為檢測準確率，等于檢測的Sybil攻擊節點數與總的Sybil節點數之比。引用變量ρ，其表示Sybil攻擊節點的百分比。

圖3給出了ρ=1%、5%，10%、15%和20%環境下的VDP-SAD算法的檢測準確率。由圖3可知，Sybil攻擊節點的百分率ρ的增加，使檢測攻擊節點的準確性下降。原因在于：百分率ρ越大，網絡內存在的Sybil攻擊節點數越多，這就加大了檢測Sybil攻擊節點的難度。

圖3 檢測率隨ρ的變化情況

車流量密度的增加不利于提高對Sybil攻擊節點檢測的準確率。例如，當ρ=15%時，車輛數N=400的檢測準確率為99.7%，當車輛數增加至N=800，檢測準確率降低至94.71%。

圖4給出了ρ=10%時的接受者操作特征（Receiver Operating Characteristic，ROC）。ROC也反映了檢測Sybil攻擊節點的準確性。ROC曲線上的每個點反映了2個指標：真陽性率（True Positive Rate，TPR）和虛警率（False Positive Rate，FPR）。FPR表示將良性節點誤判為惡意節點的概率。

圖4 ROC曲線

由圖4可知，VDP-SAD算法具有低的FPR和高的TPR。在所有情況上，VDP-SAD算法能夠檢測90%以上的Sybil攻擊節點。此外，車流量密度對ROC曲線存在一定影響。原因在于：車流量密度越大，降低了車與車之間的距離，使車與車之間的行駛模型更相似，這也有利于檢測Sybil攻擊節點。

3.3 Sybil攻擊性能的對比分析

選擇文獻［14］中提出的SRSUIM算法和文獻［15］中的GSF算法作為參照，對比SRSUIM算法、GSF算法和VDP-SAD算法的檢測性能。采用攻擊檢測率、誤檢率和漏檢率3個指標評估檢測Sybil攻擊節點的性能［16］。其中檢測率等于檢測的Sybil攻擊節點數與總的Sybil攻擊節點數；誤檢率等于將Sybil攻擊節點數誤判為良性節點數與總的良性節點數之比；漏檢率等未能識別的Sybil攻擊節點數與總的Sybil攻擊節點數之比。圖5所示為SRSUIM、GSF和VDP-SAD算法的檢測率、誤檢率和漏檢率性能。

圖5 SRSUIM、GSF和VDP-SAD算法的性能

由圖5可知，相比于SRSUIM算法和GSF算法，VDP-SAD算法在檢測率、誤檢率和漏檢率性能存在優勢。SRSUIM算法是通過節點影響力分析檢測Sybil攻擊節點；GSF算法是引用社交關系檢測Sybil攻擊節點。給合檢測率、誤檢率和漏檢率3個指標可得到結論，本文提出的VDP-SAD算法具有較好的檢測性能。

4 結 語

針對車聯網中的Sybil攻擊問題，提出了基于車輛行駛模型的Sybil攻擊檢測VDP-SAD算法。VDP-SAD算法利用車輛行駛模型的相似性，檢測車聯網中Sybil攻擊節點。利用車輛的移動信息構建車輛行駛矩陣，計算這些矩陣的特征值，然后利用特征值表述車輛行駛模型的相似性。仿真結果表明，VDP-SAD算法檢測Sybil攻擊節點的準確率保持在90%。

考慮智能的攻擊節點，提高檢測算法的有效性和拓展性。這些智能攻擊節點通過偽裝合理行為，進而逃避檢測。