區塊鏈輔助的VANET中車輛聲譽管理方法

張海波，卞 霞，徐勇軍，向晟町，賀曉帆

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

隨著傳感網絡、無線接入、人工智能以及自動駕駛等技術的蓬勃發展，車載自組網(Vehicular Ad-hoc NETworks，VANET)已經成為智能交通系統(Intelligent Transport System，ITS)的基石[1]。車輛借助專用短程通信技術(Dedicated Short Range Communication，DSRC)、蜂窩技術等進行車與路邊單元(Vehicle to Infrastructure，V2I)通信以及車對車(Vehicle to Vehicle，V2V)通信，在一定的區域內形成車載自組網[2]。VANET可以服務于實時定位、流媒體視頻、事故警報等業務，這些業務不僅提高了交通效率、道路安全性，而且帶來了更好的駕駛體驗。然而，在車載自組網交互過程中仍然存在部分惡意車輛[3-4]制造惡意行為。其中有些是因為車載傳感器出現故障，導致發布了錯誤信息；還有些車主考慮個人私利，在車載自組網中廣播錯誤交通信息。這些惡意行為會導致通信延遲、交通擁堵、隱私信息泄露等問題，嚴重時可能威脅人們的生命財產安全。因此，高效識別車載自組網中的虛假信息和不可靠車輛節點，成了車載自組網中的重要研究內容[5]。

對于識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]。大多數方案基于傳統密碼學，其中每臺車輛擁有密鑰對和數字簽名。這些方案提供了相對的車載自組網安全保障，能夠抵抗外部攻擊，可以保護消息的完整性等。但是如果消息是不可靠的，那么這些信息在車載自組網中的傳播仍然存在安全隱患[7-8]。對此，研究人員提出數據信任，即在利用所接受到的消息之前，先對消息進行驗證[9]。文獻[10]提出一種以數據為中心的信任框架，其中車輛可以通過使用數據融合技術(如多數投票或貝葉斯推理等)對收集到的不同證據進行計算，局部地評估從其他車輛接收的每條信息的可信度。文獻[11]通過雷達測量前車報告信息，提出了使用車載雷達的車輛簇內局部虛假數據檢測方案。但是由于雷達監測射程有限，車輛對于虛假消息的監測不能滿足當前車載自組網通信過程中的安全需求。于是，直接對消息發出節點的聲譽值進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車載自組網中車輛節點的聲譽進行評估[12]，通過消息源的可靠性來判斷消息內容的可靠性。文獻[13]將鏈接分析的技術引入車載自組網的信任計算中，利用PageRank算法設計了全局車輛信譽計算算法，能夠有效應對某些類型的外部攻擊。文獻[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[15]利用集中式服務器管理并確定每個車輛的信任級別，車輛向集中式服務器查詢其他車輛的聲譽分數來判斷消息可信度。這些信任方案在一定的場景中能夠有效保證車載自組網的安全通信。但是集中式的信任模型可能會面臨單點故障和網絡擁塞等問題。

近年來，區塊鏈的不斷發展為分布式數據存儲和管理帶來了新的思路[16-17]，基于區塊鏈的信任管理系統在學術界引起廣泛關注。文獻[18]提出基于區塊鏈的匿名聲譽系統，使用公鑰作為通信中的假名，利用直接交互來評估信譽。文獻[19]首先提出一種基于區塊鏈的分布式車聯網信任管理系統，其中車輛使用貝葉斯推理模型來驗證從相鄰車輛接收到的信息，然后生成評級并上傳到路邊單元(Road Side Unit，RSU)。上述方案引入區塊鏈技術使得VANET信任數據庫得以分布式存儲，有效地避免了信任管理系統可能面臨的單點故障等問題。

在信任管理方面，文獻[20]提出一種主觀邏輯信任模型，利用β分布預測事物結果可信的概率。文獻[21]對于主觀邏輯信任模型進行改進，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分為先驗不確定性和后驗不確定性，并用狄利克雷-分類分布模擬事件的結果，利用貝葉斯推理得出信任關系在不同實體之間的傳播規律。由主觀邏輯模型演變出來的其他模型在信任管理方面應用廣泛。如文獻[22]提出一種三權重主觀邏輯模型，考慮了交互頻率以及路徑相似性，可以更加精確地計算車輛的信任度。

綜合上述討論，許多方案將區塊鏈技術應用在車載自組網中，實現了信任數據庫的分布式存儲。但是大多數方案沒有考慮區塊鏈網絡的廣播延時如何適應車載自組網對于時延的高要求。此外，利用“主觀邏輯”信任模型時，大多數文獻考慮的是如何計算，而沒有在一開始考慮對兩車之間無用的交互信息進行過濾。因此，筆者借助區塊鏈技術和3VSL模型建立了車輛間分布式聲譽管理系統。具體工作如下：

(1) 在RSU間建立區塊鏈網絡。利用區塊鏈的去中心化、不可篡改及可追溯的特性，實現了車載自組網信任數據庫的安全分布式存儲。

(2) 基于車輛歷史交互記錄使用3VSL來評估車輛的聲譽值。在模型中考慮車輛歷史周期聲譽值、反饋方聲譽值以及交互頻率等因素，使車輛聲譽計算更加準確。采用周期化方式來更新車輛聲譽值，緩解了由于區塊鏈廣播時延帶來的實時性問題。

(3) 在計算兩車之間信任關系時，區塊鏈上記載的是雙方車輛上一周期結束時刻的聲譽值。為了更準確表達兩車之間的信任關系，提出基于深度優先搜索(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則，計算從上一周期結束到當前時刻兩車之間的信任關系，從而提高了兩車之間信任關系計算的準確性。

1 問題建立

1.1 系統模型

筆者構建了區塊鏈輔助的分布式車輛聲譽管理系統。系統模型如圖1所示，主要包括道路兩側部署的RSU以及各種類型的車輛單元。

(1) 路邊單元(RSU)：相對車輛來說，RSU具有較強的計算和存儲資源，同時也擁有充足的能量供應，因此選擇RSU作為區塊鏈網絡的節點。另外，RSU還需收集其通信范圍內的車輛間交易記錄以及反饋評級數據，并且根據車輛行為在每周期結束時更新車輛的聲譽值，然后將結果打包成區塊添加進區塊鏈網絡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、計算和存儲等功能。車輛負責向RSU上傳自身的交互記錄、反饋評級等信息。筆者將警車、救護車等視為特級車輛，計算時賦予更大的權重。

(3) 區塊鏈：區塊鏈由RSU維護，在接收到RSU節點打包上交的區塊之后，區塊鏈網絡將區塊廣播到全網分布式存儲，方便各地的車輛或其他用戶檢驗查詢使用。區塊鏈主要記錄的內容為車輛間交互記錄以及車輛的聲譽值。

1.2 攻擊模型

系統中可能存在惡意車輛和受損的RSU，這可能嚴重干擾聲譽管理系統的運行。筆者從惡意車輛和受損RSU兩個角度考慮攻擊模型。

(1) 4種類型的惡意車輛

① 發布虛假消息攻擊：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價反饋。比如，一個良好的車輛廣播了一條真實的道路消息，攻擊者卻向RSU反饋一條負面評價。

③ On-off攻擊：所謂On-off攻擊就是攻擊者在一段時間內表現良好用來提升自身的聲譽值，到一定值之后，產生影響更惡劣的攻擊。

④ 群組偽裝攻擊：惡意車輛形成一個組，給組內車輛較高反饋評價以提高它們的聲譽值，同時對其他車輛實行惡言攻擊等。

(2) 受損RSU

RSU數量較多且沿道路分布，設備分散在戶外，容易受到惡意者的攻擊，導致RSU內部數據被篡改等問題。由于同時攻擊RSU存在較高的成本以及技術難度，大部分RSU不會同時受到攻擊。此外，基站會定期對RSU進行安全性檢查，受損的RSU不會長時間被攻擊者控制。基于上述事實，筆者假設系統中只會有小部分RSU在一小段時間內遭受攻擊。

2 車載自組網聲譽管理系統設計

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系更加直觀，也是筆者采取的信任表達方式。

此外在3VSL中，遇到串行拓撲和并行拓撲結構時，節點間證據向量按照圖2及圖3所示方式傳遞。

對于圖2的拓撲關系，Δ表示證據向量傳遞過程中的衰減操作。

(3)

(4)

詳細的推理過程見參考文獻[20]。對于圖3的拓撲，證據向量按照如下規則融合，Θ表示融合操作：

(5)

(6)

節2.2.2具體計算兩車之間的信任關系時，將用到上述衰減操作和融合操作。

2.2 車聯網中的信任關系與聲譽管理系統

2.2.1 聲譽管理系統

文中的聲譽管理系統建立在RSU構建的區塊鏈網絡基礎之上，如圖4所示。聲譽管理系統主要包括5個步驟：① 車輛上傳交互記錄及反饋信息；② RSU驗證消息真實性；③ 周期性計算車輛聲譽值；④ RSU之間進行分布式共識，更新區塊；⑤ 在所有RSU上分布式存儲車輛聲譽值，形成分布式的聲譽數據庫。

(1) 上傳交互記錄及反饋信息

以車輛之間的協作感知消息(Cooperative Awareness Message，CAM)為例，接收方在接收CAM消息之后向附近RSU提供一個客觀反饋評價。評價為1或0，表示接收方對于發送方消息的認可或不認可。同時存在一個中間狀態，用來存儲不確定的評價結果。上傳的數據為

(7)

其中，Ci是i車的身份信息，Tstamp是i車上傳信息時候的時間戳。aij是i車對j車的固有信任因子，如果j車是普通車輛，則aij設為0.5[23]；如果j車是特級車輛，如警車、救護車、消防車等，則aij設為0.8。

(2) 驗證消息

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

(3) 計算車輛聲譽值

時間累積至一個周期之后，每個RSU負責計算其覆蓋范圍內車輛的聲譽值。假設車輛在當前周期內經過的RSU為Rlist={r1，r2，…}，當前RSU向列表中的RSU查詢車輛vi在當前周期內的行為表現。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，將一個周期內車輛與其余車輛的直接交互證據作為本周期該車輛聲譽更新的基礎。

(8)

(9)

式(8)和式(9)考慮了當前周期的交互，但一個周期的時間較短，不足以反映車輛的真實聲譽值。此外，有些惡意攻擊者會發起On-off攻擊，在一定時間段內表現良好提高自己的聲譽值，然后實行惡意攻擊，在聲譽值降低到一定程度又開始表現良好，如此產生更惡劣的影響。因此，僅考慮當前周期內的交互反饋信息無法抑制這種行為。考慮到歷史交互信息對車輛聲譽值的影響，引入動態衰減因子λ來調節歷史信息的權重，做到聲譽值“難得易失”的原則：

(10)

(11)

(4) RSU之間實現分布式共識，更新區塊

根據式(11)計算出最終的車輛聲譽值，將結果放入區塊鏈的資源池。RSU之間使用(Delegated Proof of Stake，DPoS)共識算法選出區塊更新者，來打包資源池中的交易，形成新的區塊。

(5) 分布式存儲

將新的區塊廣播出去，在RSU之間分布式存儲。每個RSU利用新的區塊更新自身的車輛聲譽數據庫，以給路邊車輛提供更好的服務。

2.2.2 車輛間信任關系

車輛在行駛過程中可能收到來自另一輛車的消息或者協作請求等，此時車輛要判斷自身與另一輛車之間的信任關系。車輛先向RSU查詢對方車輛上一周期結束時刻的聲譽值，然后查找兩輛車之間最近的直接與間接交互記錄，結合這兩個參數最終得出兩車之間的信任關系。考慮多跳間信任關系時，文獻[23]給出了基于3VSL的AssessTrust(AT)算法，將復雜的網絡遞歸拆解成圖2和圖3的結構，計算兩個用戶之間的信任關系。該算法具有較高的精確度，但是該算法存在大量重復子問題，會產生較大的時間和空間浪費。其后，文獻[25]基于寬度優先搜索(Breadth First Search，BFS)提出OpinionWalk(OW)算法來計算兩個用戶之間的信任關系，解決了AT算法中的重復子問題。OW算法將信任關系的計算過程轉化為類似矩陣乘法的運算，首先將拓撲圖表示為直接意見的鄰接矩陣：

(12)

i車輛對于其他所有用戶的意見表示為

(13)

(14)

然而針對VANET場景，車輛的高度動態性使得車輛間交互關系網絡復雜性增大。兩車之間的信任路徑可能很長，信任路徑的選擇會直接影響信任值的計算。信任路徑越長，傳播中產生的不確定性就更多。此外，有些車輛自身聲譽值很低，將其融入信任路徑當中則會帶來一定的誤導性。因此筆者在OW算法的基礎上，設計了基于深度優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算法來計算兩車之間的信任關系。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：信任拓撲矩陣G、源車輛vs、目標車輛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)： ∥如果信任長度達到6跳

④ if path[-1]=vt：paths←path ∥如果最后一個節點是目標節點，添加進路徑集

⑤ end if

⑥ if path[-1]=vt：paths←path∥如果path中的最后一個節點是目標節點，添加進路徑集

⑦ Else：

⑧ for node=G.nodes：

⑨ if Rep(node)≥threshold： ∥節點信譽值檢測

⑩ path←node

輸出：源車輛與目標車輛之間的信任路徑。

(15)

3 實驗結果與分析

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

表1 部分仿真參數表

基于對車輛本身聲譽值以及車輛行為的控制，在不同的場景設置下模擬了V2V交互過程。實驗參數如表1所示。

3.1 算法有效性驗證

在VANET場景中部署198輛普通車輛以及2輛特級車輛。在其中設置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。在仿真場景中模擬了不同的交通事件，比如路口堵塞、道路故障等。設置良好的車輛會廣播真實交通信息，惡意車輛會廣播虛假交通信息。車輛在接受到其他車輛廣播的消息之后，會先與自身傳感器感知到的消息進行對比，然后對發出消息的車輛進行客觀評價，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，則觸發計算兩車之間信任關系的程序。根據式(15)計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個周期內觀察一輛初始聲譽值為0.6的惡意車輛的聲譽值變化，并對比了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[21]。觀察了在上一周期聲譽和交互頻率權重取值不同時的聲譽值變化，當γ1=0.5，γ2=0.5時，RSU能夠更快檢測出惡意車輛，并且系統性能表現較為穩定。故接下來的仿真取γ1=0.5，γ2=0.5。此外，由于筆者在RSU更新聲譽的時候引入了衰減因子，當車輛發生惡意行為時，其聲譽值迅速下降。而3VSL和SL算法沒有給歷史交易劃分權重，所以聲譽值下降緩慢。

在不同的應用場景下，VANET中的惡意車輛比例可能不同。對于系統中存在不同比例的惡意車輛，分別觀察了其惡意車輛檢測率，如圖7所示。當系統中只含有10%的惡意車輛時，筆者提出的算法能夠完全找出存在的惡意車輛；當系統中含有20%的惡意車輛，筆者提出的算法能夠在第2個周期查找出惡意車輛；當惡意車達到50%時，由于良好車輛數量變少，良好車輛的反饋所占比例也減少，所以很難檢測出所有的惡意車輛。但是在實際情況中，一般不會出現一半車輛用戶都是惡意的情況。對于接下來的仿真對比，結合現實情況，筆者取惡意車輛占比20%的情況為例。

RSU作為整個聲譽管理系統的主要負責者，每隔一個周期便更新其覆蓋范圍內的車輛聲譽值，并存儲至區塊鏈網絡。筆者利用與上述同樣的參數設置，觀察到的系統內惡意車輛檢測率如圖8所示。對于惡意車輛的檢測，文中算法在第2周期的惡意車輛檢測率可以達到100%并收斂，而3VSL和SL算法的惡意車輛檢測率分別在第3周期和第4周期達到100%。

由于車輛行為的多變性，車輛產生惡意行為的比例是不確定的。設置車輛以不同比例產生惡意行為，觀察在不同算法下每輛車的聲譽值，結果如圖9所示。仿真結果表明，車輛產生惡意行為的概率越大，其聲譽值越低。在車輛惡意行為比例達到20%時，筆者提出算法中所有惡意車輛的聲譽值低于0.5，表示已經能被識別。而對于其它兩個算法，在車輛發生惡意行為的比例達到約50%時才能被識別。

3.2 搜索算法效果驗證

為了說明引入路徑搜索算法不會造成信息的丟失，設計了如下仿真：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信任關系，然后刪除直接交互，用路徑搜索算法獲取的路徑來計算間接信任。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。故在計算兩車之間信任關系時，用直接信任加上篩選過的間接信任，可以較準確地得到兩車間的信任關系。

3.3 攻擊模型下的系統性能

為了驗證聲譽管理系統的抗攻擊性能，設計仿真實驗模擬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，包含了惡言攻擊的情況。在系統中設置160輛表現誠實的車輛，設置40輛表現為惡意的車輛團體。團體中的車輛會先偽裝成良好車輛，以提高自身的聲譽值，之后開始實施惡意行為。惡意團體中的成員互相串通，給予彼此良好的反饋以維護彼此的聲譽值，對于團體之外的成員，不論對方行為性質，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率能夠較快達到100%。而另外兩種算法較容易受到群組攻擊的影響，檢測率上升緩慢。

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

4 結束語

針對V2V及V2I通信過程中可能產生的車輛信任問題，筆者提出了基于改進的三值主觀邏輯算法的車輛間聲譽管理系統，利用區塊鏈技術保證了在不同區域內的RSU信息的一致性、安全性和可追溯性。在計算兩車之間的信任關系時，設計了基于DFS的信任路徑搜索算法，提高了信任計算結果的精確度。仿真結果表明，聲譽管理系統在發現惡意車輛上具有較高的效率，同時系統具備一定的抗攻擊性。