劉湘雯，石亞麗，馮霞

（1. 江蘇大學計算機科學與通信工程學院，江蘇 鎮(zhèn)江 212013；2. 安徽大學信息保障技術(shù)協(xié)同創(chuàng)新中心，安徽 合肥 230000）

基于弱分類器集成的車聯(lián)網(wǎng)虛假交通信息檢測

劉湘雯1，石亞麗1，馮霞2

（1. 江蘇大學計算機科學與通信工程學院，江蘇 鎮(zhèn)江 212013；2. 安徽大學信息保障技術(shù)協(xié)同創(chuàng)新中心，安徽 合肥 230000）

車聯(lián)網(wǎng)中車輛以自組織的方式相互報告交通信息，開放的網(wǎng)絡環(huán)境需要甄別消息，然而，要快速移動的車輛在短時間內(nèi)檢測出大量的交通警報信息是非常困難的。針對這一問題，提出一種基于弱分類器集成的虛假交通信息檢測方法。首先，擴充交通警報信息的有效特征，并設計分割規(guī)則，將信息的特征集劃分為多個特征子集；然后，根據(jù)子集特征的不同特性，使用對應的弱分類器分別進行處理。仿真實驗和性能分析表明，選用弱分類器集成方法檢測車聯(lián)網(wǎng)中的虛假交通信息減少了檢測時間，且由于綜合特征的應用，檢測率優(yōu)于僅使用部分特征的檢測結(jié)果。

車聯(lián)網(wǎng)；虛假信息檢測；弱分類器集成；BP神經(jīng)網(wǎng)絡

1 引言

隨著移動通信技術(shù)、物聯(lián)網(wǎng)和無線傳感網(wǎng)絡技術(shù)的廣泛應用，車聯(lián)網(wǎng)逐漸成為智能交通的有效途徑之一[1]。車聯(lián)網(wǎng)可為車輛提供交互通信功能，通過信息的共享和及時發(fā)布，在事故預警、保障交通安全以及為用戶提供舒適的駕駛環(huán)境等方面起到巨大的作用[2]。在交通安全應用中，車聯(lián)網(wǎng)中的車輛節(jié)點向鄰居車輛廣播交通信息，如車輛位置、速度、加速度等，提前告知道路狀況，從而降低交通阻塞帶來的時間和資源的浪費，提高交通安全[3]。然而，車聯(lián)網(wǎng)處于開放環(huán)境，無法排除惡作劇用戶、軟硬件損壞或惡意入侵情況的存在，已知的攻擊種類包括位置偽造[4]、信息的竊聽、篡改[5]、抑制[5]、重放[6]以及數(shù)據(jù)分組拘留[6]等攻擊方式，導致交通警報信息被修改、延遲、丟棄，甚至損害到車聯(lián)網(wǎng)應用帶來的效益，危害駕乘者的生命財產(chǎn)安全，造成更嚴重的交通事故。為此，檢測虛假信息以確保交通信息的真實性，成為車聯(lián)網(wǎng)安全駕駛的重要方面。

對車聯(lián)網(wǎng)中虛假警報信息的檢測方案主要有 2類。1)判斷節(jié)點是否異常。這類方案的基本假設為“異常節(jié)點發(fā)出的信息一定是虛假的”，通過節(jié)點間的信息交互實現(xiàn)對信息源節(jié)點的判斷。其優(yōu)點是檢測方法簡單，對處理器的計算能力要求低，適用于快速實時計算能力相對較低的車聯(lián)網(wǎng)環(huán)境，但此類方案對正常節(jié)點與惡意節(jié)點相對數(shù)量要求較高，只有當正常節(jié)點的數(shù)目多于異常節(jié)點時，才能充分發(fā)揮較好的性能；如果網(wǎng)絡中存在數(shù)量上相近或者局部占優(yōu)的惡意節(jié)點，會導致該方法整體失效，對消息的判斷準確率也大大降低[7]。如一個信任度較高的節(jié)點恰好發(fā)出了一條虛假信息。2)基于警報信息自身的特征進行虛假信息的分類研究[8]。這類方案輸入的警報信息特征越多，識別的效率越高，其缺點是識別算法復雜度較高，警報信息很多時，計算導致的時延往往會損害警報信息的時效性。更為重要的是，車聯(lián)網(wǎng)的應用往往在高密度或者高速度的交通場景下，出于對提前預報的需求，網(wǎng)絡信息的覆蓋范圍及網(wǎng)絡規(guī)模通常較大，每個節(jié)點都會接受并處理大量其他車輛發(fā)送的警報信息。通常而言，基于節(jié)點行為判斷的方案通信負荷會過大，而基于預警信息特征的方案，由于計算負荷較大，會導致較大的時延，從而降低車聯(lián)網(wǎng)所提供的交通信息預警效果。

本文提出一種基于弱分類器集成的虛假交通信息檢測方法。該方法首先擴充警報信息包含的特征值，如將發(fā)送者的特征（車輛信譽值、信息發(fā)送時車輛節(jié)點所在的位置等）作為消息分組的一部分；然后根據(jù)警報信息豐富的綜合特征，檢測預警信息的真假。為提高檢測效率，將綜合特征分割成若干特征子集，利用不同的弱分類器對部分特征子集并行處理，并將處理結(jié)果集成，根據(jù)警報事件的可信度進行二次判斷。方法的主要特點如下。

1)將豐富的節(jié)點特征包含在消息分組中，融合了節(jié)點信息和消息信息雙重特征，為檢測率的提高提供了足夠的信息特征。

2)新型分組雖然增加了單次分組傳輸?shù)耐ㄐ糯鷥r，但是減少了基于節(jié)點識別的通信次數(shù)，從而降低了檢測的整體通信代價。

3)采用多個弱分類器并行處理的方法，降低了計算代價，虛假警報檢測的時效性得到充分保證，同時還提高了檢測率。

2 相關(guān)工作

現(xiàn)有的關(guān)于車聯(lián)網(wǎng)虛假警報信息檢測方案主要分為對節(jié)點行為異常的判斷和對警報信息特征的分類研究。前者采用的主要方法有基于信任機制和基于投票機制2種；而后者的研究主要以數(shù)據(jù)為中心，集中在設計計算能力低且識別效果好的分類器以及通過各種渠道獲取豐富的警報信息特征上。

基于信任機制[8～11]的方法根據(jù)車輛信譽值的高低來判別該車輛是否提供虛假交通信息。Abdelaziz等[8]提出有效的信任模型，根據(jù)上一個轉(zhuǎn)發(fā)節(jié)點的觀點和接收消息的驗證延遲來檢測和撤銷不誠實的節(jié)點以及控制惡意數(shù)據(jù)，并引入同伴車輛的概念確定最短和最信任的路徑傳遞數(shù)據(jù)分組。Ding等[9]提出基于事件的信譽模型過濾虛假警報消息，該方法將遇到相同事件的所有車輛分為不同角色，采用動態(tài)的基于角色的信譽評估機制來決定交通信息是否可信。Zhang等[10]提出一種車聯(lián)網(wǎng)中基于信任模型的消息評估和傳播框架，該框架在消息傳播過程中，主動檢測惡意信息，使用一系列的信任度量指標，包括同伴車輛的信任關(guān)系、信任意見、基于經(jīng)驗的信任度、基于角色的信任度等，對同伴車輛節(jié)點間共享的信息質(zhì)量進行建模。Shaikh等[11]則針對不同節(jié)點發(fā)出的關(guān)于同一事件的消息，利用接收節(jié)點計算所有消息信任值，并接收信任值最大的那條消息為真實信息，實現(xiàn)對車輛網(wǎng)中具有匿名身份的車輛節(jié)點的信任管理。

基于投票機制[12,13]的方法中，Ostermaier等[12]提出基于信息中心評估危害信息的可信性的安全機制，該方法用4種投票機制來判斷當?shù)匚ｋU警告。Li等[13]提出一種基于不同交通場景的混合式入侵行為檢測機制，當車輛不在同一道路上行駛時，使用局部投票的VOTE方法進行入侵檢測。

上述方法以車輛節(jié)點為中心，對 RSU和信譽度高的節(jié)點的依賴程度大，導致虛假警報信息的檢測效率較低。因此，一部分研究者提出以數(shù)據(jù)為中心的基于警報信息特征的檢測方案。如 Kim等[14]利用豐富的互補信息來源構(gòu)建多源檢測模型，信息源包括加密認證、事件位置、當?shù)貍鞲衅?、其他車輛反應行為、RSU驗證、發(fā)送者的信任值。該模型結(jié)合各種不同來源的信息計算事件信任值，并根據(jù)事件距離接收者位置的遠近設置閾值，當事件信任值超過閾值時，OBU才會觸發(fā)警報通知駕駛者。Zhang等[15]則通過設計高效的分類器識別虛假信息，提出一種車聯(lián)網(wǎng)中基于增量學習的BP神經(jīng)網(wǎng)絡的虛假消息過濾器。為提高識別精度，該方法采用2層過濾機制——粗過濾和細過濾。粗過濾通過數(shù)字簽名、時間、地理位置以及 RSU對信息的支持這些特征來判斷消息的真實性；細過濾將車聯(lián)網(wǎng)交通信息中發(fā)送者與接收者之間的距離、事件與發(fā)送者之間的距離、發(fā)送者當前速度、發(fā)送者的信譽值等特征作為輸入量，由神經(jīng)網(wǎng)絡分類器給出是否為虛假信息的判斷。Zhang等[15]以信譽值作為輔助，首次提出使用BP神經(jīng)網(wǎng)絡直接對警報信息進行檢測，比以節(jié)點為中心的檢測方法針對性更強，并通過實驗驗證了該方法對虛假警報信息的過濾效果更好。

表1對上述幾種方法進行了歸納，比較其優(yōu)缺點并進行綜合分析。在此基礎(chǔ)上，提出一種基于弱分類器集成的虛假交通信息檢測方法，首先，增加警報信息中的節(jié)點特征，并對特征分類；然后，在基于信息特征檢測的方法中，用適合各類特征特點的弱分類器集成方法，實現(xiàn)更多特征、更低計算代價和更高檢測率的綜合性能。

3 模型與概念定義

3.1 系統(tǒng)模型與假設

本文采用典型的 VANET系統(tǒng)模型（如圖 1所示）。該系統(tǒng)模型主要包含3個實體：可信權(quán)威機構(gòu)（TA，trust authority）、固定在路邊的基礎(chǔ)設施（RSU，road-side unit）和配備在車輛上的車載單元（OBU，on-board unit）。各實體的主要功能如下。

1)TA：TA主要負責為網(wǎng)絡中的RSU和OBU發(fā)布密鑰信息。車輛發(fā)送的交通信息需要經(jīng)過密鑰簽名以實現(xiàn)對虛假信息發(fā)布者的認證，并防止真實信息被惡意車輛篡改。

圖1 VANET系統(tǒng)模型

2)RSU：RSU主要負責向其通信范圍內(nèi)的車輛發(fā)布信息，通常認為 RSU自主發(fā)布的信息是真實可信的，可以作為虛假信息檢測的依據(jù)。同時，RSU也負責對車輛和TA的信息進行存儲轉(zhuǎn)發(fā)。RSU還可以在空閑情況下，對接收的交通信息進行虛假檢測。

3)OBU：OBU主要負責發(fā)布交通信息，它可以通過V2V或V2I的方式進行通信。同時，OBU是虛假信息檢測的主要實體。

本文采用了與文獻[8]相似的安全假設。

假設1：車輛都配備GPS設備、前后向紅外線雷達（假設雷達掃描半徑為200 m）、紅外線信號接收設備、無線信號收發(fā)器以及各種傳感器，用于感知道路上的相關(guān)信息，且信息內(nèi)容不能被篡改。

表1 車聯(lián)網(wǎng)虛假信息檢測方法

假設 2：車聯(lián)網(wǎng)中大部分車輛發(fā)送的警報信息是可信的。

3.2 攻擊模型

惡意攻擊者針對車聯(lián)網(wǎng)中警報信息的攻擊方式主要有散布虛假信息和阻礙信息傳播[5,16]。

散布虛假信息是指攻擊者通過發(fā)布偽造的虛假信息，篡改真實信息，或者注入無效信息改變其他車輛駕駛行為。如當合法車輛收到虛假的前方擁堵的警報信息時，可能會改變行駛路線。

阻礙信息傳播是指攻擊者抑制、拘留警報信息，甚至發(fā)動選擇性傳遞攻擊。選擇性傳遞攻擊[16]能夠結(jié)合如蟲洞攻擊、女巫攻擊等一些針對路由發(fā)動的攻擊，發(fā)揮顯著的破壞作用。如惡意車輛將通過自身的交通事故警報丟棄，導致后方車輛不能接收到警報通知，使其沒有時間做出正確反應，甚至可能導致連環(huán)碰撞事件的發(fā)生。

本文主要針對散布虛假消息這一攻擊方式，采用弱分類器并行檢測技術(shù)，從分割為多個特征子集的警報信息中檢測出虛假信息。

3.3 信息特征定義

在實際交通環(huán)境中，車輛行駛安全會受車速、實時路況信息以及突發(fā)情況下駕駛員的操作反應等因素的影響[17]。將發(fā)送警報信息的車輛節(jié)點信息和事件信息相結(jié)合，共同作為警報信息的有效特征，有助于對虛假警報的檢測。因此，對警報信息分組的有效特征進行擴充，車輛節(jié)點向鄰居節(jié)點廣播的信息中包含事件特征信息和車輛自身狀態(tài)信息。表2列出交通警報信息分組中的有效特征，其中，特征名稱后面括號中的符號為該特征的簡稱。

表2 交通警報信息報文中的有效特征

1)Sender為發(fā)送者的類型。s為0表示警報信息由 RSU自主發(fā)布，認為該信息完全可信，可作為訓練數(shù)據(jù)；s為1表示信息由車輛節(jié)點發(fā)送。

2)Priority為交通警報信息的優(yōu)先級。不同的安全警報事件設置不同的p值。如碰撞警告設置為1、緊急車輛警告設置為2，p值越小優(yōu)先級越高。

3)Occur time和Occur site分別為事件發(fā)生的時間t0和地點l0。

4)Trans time、Trans site、Vehicle vel和 Vehicle acc分別為發(fā)送警報信息的時間ts、警報信息發(fā)送時發(fā)送車輛的位置ls、速度vs和加速度as。

5)Direction為車輛發(fā)送分組時的行駛方向ds。以正北方向為0度，通過對比車輛行駛與正北方向的夾角來判斷ds，一跳兩端節(jié)點車輛若同向行駛?cè)≈?，反向取值0。

6)Reputation為發(fā)送車輛的信譽值rs，主要根據(jù)車輛的歷史行為得到。若發(fā)現(xiàn)車輛存在攻擊行為，則降低rs。

7)Retransmit為警報信息轉(zhuǎn)發(fā)的次數(shù)n。某個警報信息的n值越大，該警報信息的可信度就越低。設定當n＞10時，不再轉(zhuǎn)發(fā)此警報信息。

3.4 特征分割規(guī)則

擴充警報信息的特征在提高虛假信息檢測精度的同時，也會增加檢測警報信息的算法復雜度，當接收到大量警報信息時，檢測警報的時延會破壞警報信息的時效性。因此，本文采取將警報信息中的有效特征分割到不同的集合中，分別同時進行檢測，以減少檢測時間。

具體做法為：根據(jù)警報信息的不同特征設計分割規(guī)則，建立事件緊急度、道路狀況、信息可信度3個特征子集，將耦合度較高的特征歸入對應的特征子集中。表3為分割后的特征子集和特征對應表。

表3 警報信息的特征分割

1)事件緊急度

主要和事件的優(yōu)先級、事件與接收者之間的距離有關(guān)，同時，事件發(fā)生時間也作為判斷事件緊急度的參考因素。因此，特征子集1中包含有t0、l0、p這3個特征。特征p有具體的值，而對于特征t0、l0由于不同車輛存在事件距離不同，反應時間等特殊因素，使t0、l0在可接受的范圍內(nèi)有一定的誤差。

2)道路狀況

主要與發(fā)送警報信息車輛的自身狀態(tài)信息有關(guān)。在特征子集 2中包含特征 ts、ls、vs、as、ds，該特征子集中的特征維數(shù)較多。

3)信息可信度

主要受發(fā)送警報信息的實體信譽值和警報信息轉(zhuǎn)發(fā)次數(shù)的影響。rs與自身的歷史行為有關(guān)并受其他車輛的評估，n與警報轉(zhuǎn)發(fā)的次數(shù)有關(guān)。

4 WCIT方法

WCIT方法在檢測警報信息是否為虛假信息時，主要根據(jù)警報信息中發(fā)送節(jié)點的特征值和事件的特征值（如表2所示）進行判斷。首先，信息收集模塊收集警報信息并分類；其次，預處理模塊提取警報信息的特征，并判斷待檢測信息的有效性和可信性；然后，虛假交通信息檢測模塊將特征分入不同的特征子集，并輸入到各自的弱分類器中進行訓練，得出檢測結(jié)果；最后，如果是有效警報信息，后期處理模塊完成預警處理等后續(xù)工作。圖2為基于弱分類器集成的虛假交通信息檢測方法框架。

圖2 基于弱分類器集成的虛假信息檢測方法框架

4.1 信息收集

信息收集模塊實現(xiàn)信息分類。通過傳感器探測，將RSU發(fā)布的警報作為訓練數(shù)據(jù)，將鄰居節(jié)點轉(zhuǎn)發(fā)的警報信息作為待檢測數(shù)據(jù)。當訓練數(shù)據(jù)由于其他原因不能使用或不足而無法訓練時，將隨機的待檢測信息作為訓練補充。警報信息可表示為Iis，表示由節(jié)點s發(fā)送的關(guān)于事件i的警報信息。信息收集模塊對確定事件的真實性具有決定性因素，本文方案假設的場景是高密度交通場景，為此可保證警報的事件擁有充足的來源。信息收集模塊流程如圖3所示。

圖3 信息收集模塊流程

4.2 預處理

預處理模塊的任務包括警報信息中有效特征的提取、警報信息的有效性檢測和信息的可信度判斷。

警報信息中有效特征的提取過程表示為

其中，F(xiàn)is(k)表示節(jié)點s發(fā)送的關(guān)于事件i的第k個警報信息的有效特征。

為了減少因檢測無效警報信息而造成的時間浪費，需要對警報信息的有效性進行判斷，將超過時間和空間范圍的信息舍棄。警報信息的時間有效性表示為

其中，t表示接收警報信息的時間，ts表示警報信息發(fā)送或轉(zhuǎn)發(fā)的時間。當式(2)成立時，對該警報信息進行虛假檢測，否則直接丟棄該信息。

判斷警報信息的空間有效性主要根據(jù)事件發(fā)生的位置l0是否在接收車輛的前方，如果事件發(fā)生在接收車輛的后方，接收車輛不考慮該警報，因為該事件不會對其產(chǎn)生影響。

計算信息的可信度則是作為后期處理模塊中判斷虛假警報信息的依據(jù)。由于車輛接收的警報信息可能經(jīng)過多跳轉(zhuǎn)發(fā)，經(jīng)過的轉(zhuǎn)發(fā)車輛越多，警報的真實性就越低。警報信息的可信度表示為

其中，μ為可信參數(shù)，rs為發(fā)送節(jié)點s的信譽值，ni為警報信息轉(zhuǎn)發(fā)的跳數(shù)。

圖4是待檢測警報信息的預處理流程。RSU發(fā)出的警報信息是真實可信的有效信息，作為訓練數(shù)據(jù)進行預處理時，只需完成特征信息的提取。

圖4 待檢測警報信息預處理流程

4.3 虛假交通信息檢測

虛假交通信息檢測模塊將預處理后的警報信息進行特征分割，將部分特征子集分別輸入到對應的弱分類器中，利用學習算法訓練得到警報信息的模式(w1,w2)并將其存儲在模式庫中。檢測警報信息時，將各子集檢測得到的結(jié)果集成，再與事件模式進行匹配，并結(jié)合信息可信度判斷出虛假警報。具體流程如圖5所示。

圖5 虛假信息檢測模塊流程

1)BP神經(jīng)網(wǎng)絡學習算法

由于 BP神經(jīng)網(wǎng)絡具有較強的非線性映射能力、高度學習和自適應能力，且具有良好的泛化和一定的容錯能力，因此，被用作警報信息的特征子集 1的分類方法。BP神經(jīng)網(wǎng)絡權(quán)值調(diào)整采用反向傳播的學習算法，它利用均方誤差和梯度下降法來實現(xiàn)對網(wǎng)絡連接權(quán)值的修正。為了加快收斂速度，防止陷入局部極小值，在此使用動量—自適應學習率調(diào)整BP算法加快檢測速度。動量—自適應學習率BP神經(jīng)網(wǎng)絡的權(quán)值修正可表示為

其中，w(k)為第 k步時的權(quán)值，D(k)為第 k步時的負梯度，η為動量因子，α為學習率。

2)支持向量機學習算法

支持向量機（SVM）對非線性和高維數(shù)據(jù)具有很好的識別能力和良好的泛化能力，因此，被用作對警報信息的特征子集2的分類方法。警報信息的特征子集2是五維的特征向量，通過SVM算法找到一個最優(yōu)分類超平面以最大間隔將真實數(shù)據(jù)與虛假數(shù)據(jù)分開。

最優(yōu)分類超平面問題可以表示為

其中，ξi為松弛變量，C為懲罰因子，w、b分別為權(quán)值和閾值。

4.4 后期處理

后期處理模塊需要根據(jù)警告信息完成預警處理、轉(zhuǎn)發(fā)有效信息和調(diào)整車輛信譽值。圖6是后期處理模塊流程。

預警處理是要在接收到有效的警報信息時，立即警告駕駛?cè)?，做好安全應急措施?/p>

轉(zhuǎn)發(fā)有效信息是指將有效警報信息發(fā)送給同向并在本車后方的車輛。

另外，還要根據(jù)車輛提供消息的真假，修改相關(guān)車輛的信譽值rs。如果車輛發(fā)送的是真實信息，則增加rs，否則減少rs，并發(fā)送修改后的rs給RSU，更新本地信譽值列表。

圖6 后期處理模塊流程

5 仿真實驗與性能分析

本文利用交通仿真軟件 VanetMobisim搭建道路仿真場景，模擬車輛的運動軌跡，獲取訓練和檢測所需的警報信息。在相同情況下，分別使用本文提出的WCIT方法和BPNN方法[15]對待檢測警報信息中的虛假信息進行檢測，并比較這2種方法在檢測開銷和檢測率方面的性能。此外，從理論上比較并分析WCIT方法和多源信息檢測過濾方法[14]的通信開銷，進而驗證本文方法的整體性能。

5.1 仿真環(huán)境與參數(shù)設置

本文在VanetMobiSim中搭建了一個1 000 m×1 000 m的二維城市環(huán)境，利用xml的配置文件進行宏觀和微觀模型參數(shù)的設置，車道設置為常見的雙向車道，選擇100個車輛節(jié)點按著道路隨機移動，每0.05 s對各個節(jié)點的位置進行模擬。仿真參數(shù)如表4所示。

表4 交通仿真參數(shù)配置

WCIT方法中根據(jù)特征子集1檢測虛假信息和BPNN方法中使用細過濾模塊檢測虛假信息都采用BP神經(jīng)網(wǎng)絡學習算法，對BP神經(jīng)網(wǎng)絡的相關(guān)設定如下。輸入神經(jīng)元數(shù)為3（如表3所示，特征子集1），輸出神經(jīng)元數(shù)為1（值為1或0，1表示有效信息，0表示虛假信息），隱層神經(jīng)元數(shù)為4，誤差精度0.000 1，激勵函數(shù)為訓練次數(shù) 300次，輸入數(shù)據(jù)在訓練和檢測之前都要進行歸一化處理。

此外，本文根據(jù)特征子集2檢測虛假信息時，采用SVM學習算法。建模前，先對特征子集2中的5個特征因子做歸一化處理，選擇最常用的徑向基核函數(shù)，隨機選取訓練集中80%的數(shù)據(jù)作為建模樣本，其余20%作為檢驗樣本，使用交叉檢驗的方法確定核參數(shù)g=0.28，懲罰因子C=100。

在實驗中，訓練數(shù)據(jù)分組包括10 000條有效信息和5 000條虛假信息，檢測數(shù)據(jù)分組包括3 000條有效信息和1 500條虛假信息。當選取不同數(shù)量的警報信息測試檢測開銷和檢測率時，待檢測警報信息中有效信息和虛假信息的比例設置約為 2∶1。本文方法根據(jù)特征子集1和特征子集2分別檢測虛假警報信息時，取兩者中檢測出的較大的虛假信息數(shù)量求檢測率。

5.2 結(jié)果分析

1)檢測開銷

檢測開銷主要衡量待檢測的警報信息進行檢測時所需的檢測時間。WCIT方法對警報信息的有效特征進行分割，多個特征子集同時進行虛假檢測，故警報信息的檢測開銷由需要較長檢測開銷的特征子集決定。WCIT方法和BPNN方法的檢測開銷對比如圖7所示。

圖7 BPNN與本文方法的檢測開銷對比

從圖7中可以看出，當檢測的警報信息數(shù)量不太多時，2種方法所需的檢測開銷差別不大。隨著需要檢測的警報信息數(shù)量的增加，BPNN方法所需的檢測時間逐漸變長，超過WCIT方法，時間開銷相比本文方法有越來越大的趨勢。這和BPNN方法采用2次過濾的方式有關(guān)。

2)檢測率

檢測率是指檢測系統(tǒng)能夠正確檢測出虛假警報信息的概率。檢測率越高，說明檢測方法的性能越好。

如圖8所示，隨著檢測的警報信息數(shù)目的增加，檢測率的值呈下降趨勢。由于使用了綜合特征，WCIT方法的檢測率優(yōu)于僅使用部分特征的BPNN方法。WCIT方法可以在高密度場景中快速地檢測出虛假警報且能夠保證較高的檢測率。

3)通信開銷

本文設置新型分組（如表2所示）為警報信息提供足夠的信息特征。Kim等[14]則采用多源信息檢測過濾方法，每個信息源發(fā)送的分組中，警報信息僅包含表2中的部分信息特征，要獲取所有信息特征，需接收多個信息源發(fā)送的事件消息。

表5舉例說明本文和文獻[14]的警報信息分組的發(fā)送情況。其中，警報數(shù)據(jù)由表2中的信息特征組成。假定警報數(shù)據(jù)中每個信息特征所占字節(jié)固定，√ 表示節(jié)點發(fā)送的分組中包含這項特征。節(jié)點1發(fā)送本文設置的新型分組，一次性發(fā)送的分組包含了所有信息特征。節(jié)點2和節(jié)點3作為文獻[14]中的2種信息源發(fā)送分組，每個分組包含部分信息特征。由表5可知，本文方法在一次分組發(fā)送中包含的信息特征在文獻[14]方法中需要通過 2次甚至多次分組發(fā)送才可獲得，由于每個信息源發(fā)送的分組中存在冗余特征，因而造成通信冗余。當需要檢測大量的警報信息時，和文獻[14]方法相比，本文方法減少了基于節(jié)點識別的通信次數(shù)，降低了檢測的整體通信代價。

圖8 BPNN與本文方法的檢測率對比

6 結(jié)束語

本文針對車聯(lián)網(wǎng)中需要快速檢測大量交通警報信息提高交通安全的問題，提出了一種基于弱分類器集成的虛假交通信息檢測方法。該方法擴充了消息分組的有效特征，并設計分割規(guī)則將警報信息的綜合特征劃分為多個特征子集；然后，使用適合的弱分類器分別處理；最后，將分類結(jié)果集成來判斷警報信息的真實性。實驗結(jié)果表明，使用弱分類器集成技術(shù)降低了檢測時間，且由于綜合特征的應用，使本文方案的檢測率高于使用部分特征的檢測方案。下一步工作，考慮在警報信息中設置更多事件周邊的基礎(chǔ)安全信息，如發(fā)送信息車輛的速度、加速度、方向及車輛上安裝的各種傳感器的感知信息，通過對這些人為不可更改的特征信息的分析來判定事件的真實性（如震動傳感器感知車輛附近是否具有震動，從而判定是否有事故發(fā)生等），從而減少目前檢測方法中依靠大量外部數(shù)據(jù)（如 RSU發(fā)送的信息，鄰居車輛發(fā)送的信息）來檢測信息的真實性而帶來的時間花費和對數(shù)據(jù)量的依賴性。

表5 警報信息分組發(fā)送情況

[1]BAIOCCHI A,CUOMO F,FELICE D M,et al. Vehicular ad-hoc networks sampling protocols for traffic monitoring and incident detection in intelligent transportation systems[J]. Transportation Research Part C: Emerging Technologies,2015,56: 177-194.

[2]常促宇,向勇,史美林. 車載自組網(wǎng)的現(xiàn)狀與發(fā)展[J]. 通信學報,2007,28(11): 116-126.CHANG C Y,XIANG Y,SHI M L. Present situation and development of vehicular ad hoc networks[J]. Journal on Communication,2007,28(11):116-126.

[3]ABUELELA M. A framework for incident detection and notification in vehicular ad-hoc networks[J]. Dissertations amp; Theses-Gradworks,2011.

[4]GROVER J,LAXMI V,GAUR M S. Attack models and infrastructure supported detection mechanisms for position forging attacks in vehicular ad hoc networks[J]. CSI Transactions on Ict,2013,1(3):261-279.

[5]RICHARD G E,MARTINE B,SAMUEL P,et al. VANET security surveys[J]. Computer Communications,2014,44:1-13.

[6]GROVER J,PRAJAPATI N K,LAXMI V,et al. Machine learning approach for multiple misbehavior detection in VANET[M]. Advances in Computing and Communications. Berlin Heidelberg: Springer,2011:644-653.

[7]ZHU W T,ZHOU J,DENG R H,et al. Detecting node replication attacks in wireless sensor networks: a survey[J]. Journal of Network and Computer Applications,2012,35(3): 1022-1034.

[8]ABDELAZIZ K C,LAGRAA N,LAKAS A. Trust model with delayed verification for message relay in VANETs[C]//The 2014 International Conference on Wireless Communications and Mobile Computing(IWCMC’14). c2014: 700-705.

[9]DING Q,LI X,JIANG M et al. Reputation-based trust model in vehicular ad hoc networks[C]//The 2010 International Conference on Wireless Communications and Signal Processing (WCSP’14),Suzhou.c2010: 1 - 6.

[10]ZHANG J,CHEN C,COHEN R. Trust modeling for message relay control and local action decision making in VANETs[J]. Security amp;Communication Networks,2013,6(6):1-14.

[11]SHAIKH R A,ALZAHRANI A S. Intrusion-aware trust model for vehicular ad hoc networks[J]. Security amp; Communication Networks,2014,7(11):1652–1669.

[12]OSTERMAIER B,DOTZER F,STRASSBERGER M. Enhancing the security of local danger warnings in VANETs-a simulative analysis of voting schemes[C]//The 2nd International Conference on Availability,Reliability and Security. c2007:422-431.

[13]李春彥,劉怡良,王良民. 車載自組網(wǎng)中基于交通場景的入侵行為檢測機制[J]. 山東大學學報,2014,44 (1): 29-34.LI C Y,LIU Y L,WANG L M. Intrusion detection scheme based on traffic scenarios in vehicular ad-hoc networks[J]. Journal of Shandong University,2014,44(1):29-34.

[14]KIM T H J,STUDER A,DUBEY R,et al. VANET alert endorsement using multi-source filters[C]//The 7th ACM International Workshop on Vehicular Ad Hoc Networks. c2010:51-60.

[15]ZHANG J Y,HUANG L X,XU M J,et al. An incremental BP neural network based spurious message filter for VANET[C]//The 2012 International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery(CyberC’12). Sanya,c2012: 360-367.

[16]LIM S,HUIE L. Hop-by-hop cooperative detection of selective forwarding attacks in energy harvesting wireless sensor networks[C]//The 2015 IEEE International Conference on Computing,Networking and Communications (ICNC’2015). c2015: 315-319.

[17]詹珂昕. 高速公路VANET預警信息傳播機制的研究[D]. 北京: 北京交通大學,2012.ZHAN K X. Propagation mechanism of highway safety warning message based on VANET[D]. Beijing: Beijing Jiaotong University,2012.

False traffic information detection based on weak classifiers integration in vehicular ad hoc networks

LIU Xiang-wen1,SHI Ya-li1,FENG Xia2

(1. School of Computer Science and Communication Engineering,Jiangsu University,Zhenjiang 212013,China;2. Information Assurance Technology Collaborative Innovation Center,Anhui University,Hefei 230000,China)

Vehicles report traffic information mutually by self-organized manner in vehicular ad hoc networks (VANET),and the message need to be identified in the open network environment. However,it is very difficult for fast moving vehicles to detect a lot of traffic alert information in a short time. To solve this problem,a false traffic message detection method was presented based on weak classifiers integration. Firstly,the effective features of traffic alert information was extended and segmentation rules were designed to divide the information feature set into multiple feature subsets,then the corresponding weak classifiers were used to process feature subsets respectively according to the different characteristics of the subsets’ features. Simulation experiments and performance analysis show that the selected weak classifiers integration method reduces the detection time,and because of the application of combined features,the detection rate is better than the test of using only some of the characteristics.

VANET,false information detection,weak classifiers integration,BP neural network

s:The National Natural Science Foundation of China (No.61472001),The Natural Science Foundation of Jiangsu Province (No.BK2011464),Blue Project of Jiangsu Province,Zhenjiang City Industrial Support Project(No.GY2013030)

TP393

A

2015-11-09；

2016-07-04

國家自然科學基金資助項目（No.61472001）；江蘇省自然科學基金資助項目（No.BK2011464）；江蘇省青藍工程基金資助項目；鎮(zhèn)江市工業(yè)支撐基金資助項目（No.GY2013030）

10.11959/j.issn.1000-436x.2016156

劉湘雯（1979-），女，江蘇宜興人，江蘇大學講師，主要研究方向為車聯(lián)網(wǎng)與大數(shù)據(jù)安全、隱私保護。

石亞麗（1992-），女，安徽蕪湖人，江蘇大學碩士生，主要研究方向為車聯(lián)網(wǎng)安全。

馮霞（1983-），女，江蘇揚中人，安徽大學博士生，主要研究方向為車聯(lián)網(wǎng)與交通大數(shù)據(jù)安全。