劉伎昭，董躍鈞

(中原工學(xué)院 計(jì)算機(jī)學(xué)院，河南 鄭州 450007)

0 引 言

車聯(lián)網(wǎng)使用專用短距離通信技術(shù)(dedicated short-range communications，DSRC)和5G技術(shù)，實(shí)現(xiàn)車-車之間、車-路邊基礎(chǔ)設(shè)施之間和車-后臺(tái)管理中心之間的自組織、多跳無(wú)線通信，通過(guò)GPS、雷達(dá)、攝像頭等車載傳感器感知車輛運(yùn)動(dòng)狀態(tài)和道路環(huán)境信息，實(shí)現(xiàn)交通安全、智能導(dǎo)航等豐富的上層應(yīng)用[1]。

車聯(lián)網(wǎng)使用緊急消息廣播機(jī)制實(shí)現(xiàn)交通安全類應(yīng)用[2]。車輛在行駛過(guò)程中通過(guò)車載傳感器感知異常事件的發(fā)生，如濕滑路面、交通事故、交通擁堵等，產(chǎn)生緊急消息并通過(guò)無(wú)線信道廣播至周邊車輛，提醒駕駛員及時(shí)做出反應(yīng)。由于車聯(lián)網(wǎng)具有自組織、無(wú)中心的架構(gòu)，任意車輛節(jié)點(diǎn)均可以發(fā)送此類消息，并且現(xiàn)場(chǎng)通常沒(méi)有可信第三方對(duì)消息真實(shí)性進(jìn)行驗(yàn)證，給網(wǎng)絡(luò)帶來(lái)安全隱患：出于自私性或者惡意攻擊的目的，具有合法網(wǎng)絡(luò)身份的內(nèi)部敵手可以偽造緊急消息，聲稱虛假的交通事故或擁堵事件。由于內(nèi)部敵手通常擁有CA(certificate authority)分發(fā)的密鑰、證書等安全參數(shù)，能夠?yàn)榘l(fā)出的消息產(chǎn)生合法簽名，接收到緊急消息的車輛無(wú)法通過(guò)簽名評(píng)價(jià)消息的真實(shí)性，因此可能受到虛假消息的誤導(dǎo)，做出緊急避讓、繞行等動(dòng)作，影響正常的交通秩序，甚至導(dǎo)致交通事故?，F(xiàn)有的虛假消息檢測(cè)方法可以分為節(jié)點(diǎn)為中心的方案[3]和數(shù)據(jù)為中心的方案[4]。節(jié)點(diǎn)為中心的方案通過(guò)收集、記錄和評(píng)價(jià)每個(gè)車輛節(jié)點(diǎn)的歷史行為，使用聲譽(yù)或者信任值量化車輛節(jié)點(diǎn)可信的程度。如Chen等[5]提出了隱私保護(hù)的聲譽(yù)機(jī)制，根據(jù)發(fā)送者的聲譽(yù)值確定是否接受緊急消息。數(shù)據(jù)為中心的方案不記錄車輛節(jié)點(diǎn)的歷史行為，而是評(píng)價(jià)數(shù)據(jù)本身的可信程度。Zaidi等[6]提出了基于統(tǒng)計(jì)的入侵檢測(cè)系統(tǒng)，根據(jù)交通流理論建立交通模型，檢測(cè)攻擊者發(fā)送的虛假消息。

基于交通流理論的研究顯示，道路交通具有較強(qiáng)的空間相關(guān)性[7]，發(fā)生交通事故等異常事件時(shí)，部分車道被事故車輛堵塞，來(lái)自于上游的交通流合并到未堵塞的車道，局部道路容量下降，造成上、下游區(qū)域車輛動(dòng)態(tài)的異常變化：上游車輛采取減速、變道等避讓動(dòng)作，下游區(qū)域車輛密度降低、速度增加，從而導(dǎo)致局部區(qū)域交通參數(shù)(車輛速度、相對(duì)速度、時(shí)距等)統(tǒng)計(jì)規(guī)律的變化，這種變化可以用來(lái)推斷真實(shí)的交通狀態(tài)，檢測(cè)虛假的緊急消息。本文提出一種基于空間推理的虛假消息檢測(cè)方法，針對(duì)收到的緊急消息，利用上、下游車輛節(jié)點(diǎn)作為觀測(cè)者，采集車載傳感器數(shù)據(jù)并計(jì)算交通參數(shù)，基于決策樹算法建立空間推理模型，對(duì)交通參數(shù)進(jìn)行分類，評(píng)價(jià)真實(shí)的交通狀態(tài)，推斷告警消息聲稱的緊急事件是否真實(shí)發(fā)生。使用仿真實(shí)驗(yàn)評(píng)價(jià)了本文方法的準(zhǔn)確性，結(jié)果顯示該方法的檢測(cè)率和誤檢率獲得了顯著提升。

1 系統(tǒng)模型

1.1 網(wǎng)絡(luò)模型

車聯(lián)網(wǎng)由車輛節(jié)點(diǎn)、路邊基礎(chǔ)設(shè)施(road side unit，RSU)、后臺(tái)管理中心(如認(rèn)證中心CA)組成。車輛節(jié)點(diǎn)通過(guò)車載傳感器獲取自身以及前、后方鄰近車輛的位置、方向、距離、速度等信息，感知異常交通事件(如交通事故、不良路面、擁堵等)并廣播緊急消息通知相關(guān)車輛。一個(gè)交通事故告警的場(chǎng)景如圖1所示，車輛發(fā)送一條告警消息m=(p,t,e,sigpid)聲稱發(fā)生交通事故并造成一個(gè)車道堵塞，其中p和t為事故發(fā)生的位置和時(shí)間，e是事件類型，sigpid是車輛使用假名pid對(duì)消息的簽名。位于位置p上、下游的車輛稱為觀測(cè)車輛，利用車載傳感器的數(shù)據(jù)對(duì)位置p的交通狀態(tài)進(jìn)行推斷，評(píng)價(jià)事件e的真實(shí)性，檢測(cè)發(fā)送虛假消息的攻擊者。

圖1 網(wǎng)絡(luò)模型

1.2 敵手模型

車聯(lián)網(wǎng)中內(nèi)部敵手注入偽造的緊急消息，發(fā)起虛假消息攻擊。假設(shè)內(nèi)部敵手擁有CA分發(fā)的假名、證書等安全參數(shù)，能夠?yàn)橄⑸珊戏ê灻?。假設(shè)攻擊現(xiàn)場(chǎng)存在合謀的敵手，合謀敵手具有完全的虛假消息檢測(cè)的知識(shí)，通過(guò)閾下信道進(jìn)行通信協(xié)調(diào)各自的攻擊行為，在檢測(cè)過(guò)程中注入虛假數(shù)據(jù)，使檢測(cè)系統(tǒng)產(chǎn)生錯(cuò)誤的結(jié)果。

2 基于決策樹的空間推理

如圖2所示，虛假消息檢測(cè)過(guò)程由3個(gè)主要部分組成：①證據(jù)采集：觀測(cè)車輛從車載傳感器采集數(shù)據(jù)，計(jì)算交通參數(shù)；②證據(jù)交換：觀測(cè)車輛之間進(jìn)行通信，交換證據(jù)并計(jì)算交通參數(shù)的統(tǒng)計(jì)數(shù)值；③空間推理，基于決策樹算法建立推理模型，將交通參數(shù)統(tǒng)計(jì)值作為輸入，推斷目的位置的真實(shí)交通狀態(tài)，報(bào)告檢測(cè)到的攻擊。

圖2 算法流程

2.1 證據(jù)采集

當(dāng)前檢測(cè)車輛記為vi，從車載傳感器采集數(shù)據(jù)，獲取鄰近車輛的相對(duì)位置及實(shí)時(shí)速度，并計(jì)算如下參數(shù)：

車輛間距：vi與前方車輛vi-1之間的距離，記為sd。

車輛相對(duì)速度：vi與前方車輛vi-1實(shí)時(shí)速度的差值，記為rs。

車輛時(shí)距：車輛間距sd與vi的實(shí)時(shí)速度之間的比值，記為td。

檢測(cè)車輛計(jì)算的交通參數(shù)被用作證據(jù)，推斷目標(biāo)位置的交通狀態(tài)。

2.2 證據(jù)交換

為擴(kuò)大觀測(cè)范圍，增強(qiáng)檢測(cè)準(zhǔn)確性，觀測(cè)區(qū)域內(nèi)每個(gè)車輛使用安全路由協(xié)議將自己的證據(jù)分享給上、下游區(qū)域內(nèi)其它觀測(cè)車輛，消息格式為(sd,rs,td,sigpid)。同時(shí)也接收其它觀測(cè)車輛發(fā)送的證據(jù)，并且計(jì)算這些交通參數(shù)的統(tǒng)計(jì)數(shù)值：

(1)上、下游路段中平均車輛間距的差值，記為

(1)

式中：m和n分別是上、下游路段中觀測(cè)車輛的數(shù)量。

(2)上游路段中車輛相對(duì)速度的標(biāo)準(zhǔn)差，記為

(2)

(3)上游路段中車輛時(shí)距的標(biāo)準(zhǔn)差，記為

(3)

2.3 空間數(shù)據(jù)推理

根據(jù)交通流理論[8]，將道路交通劃分為兩種狀態(tài)：正常狀態(tài)和車道堵塞狀態(tài)。正常狀態(tài)指道路中沒(méi)有堵塞，車輛在任意位置都處于相同的運(yùn)動(dòng)模式。堵塞狀態(tài)指道路中部分車道被交通事故、道路施工等事件堵塞，從上游抵達(dá)的車輛改變自由行駛的模式，采取剎車、變道等動(dòng)作避免發(fā)生碰撞；同時(shí)，由于堵塞位置車輛流量降低，下游區(qū)域呈現(xiàn)低密度、高速度特征。真實(shí)交通環(huán)境中，交通參數(shù)的變化受道路形狀、交通規(guī)則、交通壓力等多因素影響，與交通狀態(tài)之間通常呈現(xiàn)非線性關(guān)系[9]，因此選擇決策樹算法建立推理模型。決策樹是一種以實(shí)例為基礎(chǔ)的歸納學(xué)習(xí)分類方法，能夠快速處理高維、非線性數(shù)據(jù)。使用歷史交通數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，車輛節(jié)點(diǎn)預(yù)存儲(chǔ)訓(xùn)練后的模型，針對(duì)收到的告警消息，將上、下游觀測(cè)車輛收集的交通參數(shù)作為輸入，對(duì)數(shù)據(jù)進(jìn)行分類，推斷目標(biāo)位置的真實(shí)交通狀態(tài)。

假設(shè)歷史交通數(shù)據(jù)X=(x1,…,xi,…,xk)包含k個(gè)樣本數(shù)據(jù)，其中xi=(sd,rs,td)，sd，rs和td為屬性。另有樣本標(biāo)簽L=(l1,…,li,…,lk)，其中l(wèi)i=0或li=1分別表示相應(yīng)的數(shù)據(jù)x屬于正?；蛘哕嚨蓝氯麪顟B(tài)。訓(xùn)練樣本可以歸為正常狀態(tài)樣本和堵塞狀態(tài)樣本，記為X={X1,X2}。使用Quinlan等提出的基于分治策略的C4.5遞歸決策樹生成方法[10]，使用信息熵衡量樣本集合的信息純度，數(shù)據(jù)集合X的信息熵為

(4)

(5)

式中：Gain(X,a)是樣本集X基于劃分點(diǎn)t二分后的信息增益。對(duì)于訓(xùn)練集的多個(gè)屬性，信息增益越大，獲得的“純度”提升越大。

車聯(lián)網(wǎng)中每個(gè)車輛節(jié)點(diǎn)預(yù)存儲(chǔ)訓(xùn)練完成的決策樹，收到緊急消息后，運(yùn)行檢測(cè)算法評(píng)價(jià)消息真實(shí)性。如果推斷結(jié)果與緊急消息聲稱的事件不符，則視為發(fā)現(xiàn)攻擊，將緊急消息及其發(fā)送者的身份信息報(bào)告后臺(tái)管理中心。算法的完整過(guò)程見表1。

表1 虛假消息檢測(cè)算法

3 實(shí) 驗(yàn)

3.1 仿真設(shè)置

基于仿真實(shí)驗(yàn)評(píng)價(jià)本文方法的性能，并與文獻(xiàn)[11]提出的基于心跳信息的虛假消息檢測(cè)方法進(jìn)行對(duì)比分析。交通場(chǎng)景使用微觀交通仿真軟件SUMO v0.19.0(simulation of urban mobility)建立。仿真使用一條單向、三車道直線型高速公路(如圖3所示)，長(zhǎng)度為1公里，設(shè)置了3種不同類型的車輛，長(zhǎng)度分別為5 m、7 m和10 m，最大速度分別為19 m/s、17 m/s、15 m/s。車輛從左側(cè)進(jìn)入道路，流量為840輛/小時(shí)。將本文提出的方法在網(wǎng)絡(luò)仿真軟件NS2中實(shí)現(xiàn)，將SUMO產(chǎn)生的車輛移動(dòng)軌跡作為輸入運(yùn)行網(wǎng)絡(luò)仿真，車輛節(jié)點(diǎn)無(wú)線傳輸距離設(shè)置為250 m。決策樹的訓(xùn)練基于Python和scikit-learn軟件包實(shí)現(xiàn)，其它參數(shù)設(shè)置見表2。

表2 仿真參數(shù)設(shè)置

圖3 交通場(chǎng)景

仿真使用3個(gè)交通場(chǎng)景：無(wú)事故場(chǎng)景、單車道堵塞事故場(chǎng)景和雙車道堵塞事故場(chǎng)景。在單/雙車道堵塞場(chǎng)景中，在道路500 m處設(shè)置靜止的車輛堵塞了右側(cè)及中間車道，模擬交通事故造成的車道堵塞現(xiàn)象，上、下游區(qū)域長(zhǎng)度均為150 m。首先將3個(gè)交通場(chǎng)景分別運(yùn)行600 s時(shí)長(zhǎng)，上、下游區(qū)域內(nèi)的車輛每隔1 s收集傳感器數(shù)據(jù)，并計(jì)算交通參數(shù)作為訓(xùn)練樣本對(duì)決策樹進(jìn)行訓(xùn)練，訓(xùn)練完成的模型存儲(chǔ)在每個(gè)車輛節(jié)點(diǎn)中，用于實(shí)時(shí)檢測(cè)過(guò)程。

3.2 結(jié)果及分析

圖4給出了訓(xùn)練數(shù)據(jù)集中3個(gè)交通場(chǎng)景的交通參數(shù)，其中x，y和z軸分別代表diff_sd，std_rs_up和std_td_up這3個(gè)屬性，從圖中可見3種場(chǎng)景的交通參數(shù)呈現(xiàn)較為清晰的分界，說(shuō)明選擇的交通參數(shù)能夠較好地表征交通狀態(tài)之間的差異。同時(shí)，從圖中可以發(fā)現(xiàn)正常狀態(tài)和車道堵塞狀態(tài)之間難以使用線性邊界進(jìn)行分類，說(shuō)明了分類任務(wù)的非線性特性，需要使用決策樹等非線性方法確定分類邊界。

圖4 交通參數(shù)

基于C4.5決策樹算法使用訓(xùn)練樣本對(duì)推理模型進(jìn)行了訓(xùn)練，生成的決策樹如圖5所示。為防止過(guò)擬合，對(duì)決策樹進(jìn)行了剪枝處理，最大深度限制為4，分支的最小樣本數(shù)限制為5。

圖5 決策樹

使用訓(xùn)練完成的決策樹進(jìn)行虛假消息檢測(cè)，使用檢測(cè)率和誤檢率對(duì)檢測(cè)準(zhǔn)確性進(jìn)行評(píng)價(jià)，檢測(cè)率定義指虛假消息被成功檢測(cè)的概率，誤檢率定義為虛假消息被漏檢的概率和真實(shí)消息被檢測(cè)為虛假消息的概率之和。為評(píng)價(jià)系統(tǒng)的抗合謀攻擊能力，定義攻擊者比例為上、下游路段中合謀攻擊者的數(shù)量與此區(qū)域中車輛總數(shù)的比值。圖6和圖7給出了不同攻擊者比例下本文方法的檢測(cè)率和誤檢率，并與基于心跳消息的方法進(jìn)行了對(duì)比。從圖6可以看出，隨著攻擊者比例增加，兩種方法的檢測(cè)率逐漸下降，但在所有的攻擊者比例下本文方法的檢測(cè)率均高于基于心跳消息的方法。本文方法在合謀攻擊者不大于25%時(shí)能夠獲得98%以上的檢測(cè)率。這主要是由于本文方法利用了上、下游區(qū)域內(nèi)的車輛節(jié)點(diǎn)，而基于心跳消息的方法中只有上游車輛節(jié)點(diǎn)能提供有效數(shù)據(jù)。由于檢測(cè)車輛數(shù)量更大，成功實(shí)施合謀攻擊需要的攻擊者數(shù)量越多。在40%的合謀者比例下，本文方法和基于心跳消息的方法的檢測(cè)率分別為50%和19%，說(shuō)明本文方法獲得了更強(qiáng)的抗合謀攻擊能力。

圖6 檢測(cè)率

圖7 誤檢率

圖7顯示了同樣的趨勢(shì)。與基于心跳消息的方法相比，本文方法獲得了更低的誤檢率。在25%合謀節(jié)點(diǎn)比例下，本文方法的誤檢率為4.5%，而基于心跳消息的方法的誤檢率達(dá)到了25.5%。

4 結(jié)束語(yǔ)

針對(duì)車聯(lián)網(wǎng)中內(nèi)部敵手發(fā)起的虛假消息攻擊，車輛受到誤導(dǎo)可能采取錯(cuò)誤的駕駛動(dòng)作，不但影響系統(tǒng)可靠性，而且對(duì)交通安全造成隱患。本文利用交通數(shù)據(jù)具有較強(qiáng)空間相關(guān)性的特點(diǎn)，提出一種空間推理的分布式檢測(cè)方法，位于現(xiàn)場(chǎng)上、下游的車輛彼此合作測(cè)量交通參數(shù)，利用C4.5決策樹算法對(duì)交通數(shù)據(jù)進(jìn)行分類，推斷真實(shí)的交通狀態(tài)，檢測(cè)攻擊者。使用仿真實(shí)驗(yàn)對(duì)提出的方法進(jìn)行了評(píng)價(jià)，結(jié)果顯示該方法的檢測(cè)率、誤檢率均顯著優(yōu)于現(xiàn)有的基于心跳消息的方法，并且能夠獲得更強(qiáng)的抗合謀攻擊能力。