【技術實現步驟摘要】
本專利技術涉及車聯網信任機制的，尤其是指一種基于改進lstm神經網絡的車聯網信任管理方法。
技術介紹
1、車聯網場景中，車輛之間往往需要共享信息，獲取對外界更大視角的感知，從而做出合理的決策，有時還需要多個車輛協同合作完成一些車聯網服務。因此車輛之間共享信息的真實性和車輛之間的信任管理就十分重要。然而在車聯網的開放信息交換環境中，雖然傳統的密碼學相關技術可以使車輛盡可能免于外部攻擊者的影響，但是當攻擊者來源于車聯網內部，還是很容易導致安全隱患。攻擊者可能繞過車聯網的用戶認證，控制受損但合法的車輛在車聯網中傳達虛假信息，從而干擾其它車輛的正常決策。傳統的加密算法只能保證車輛經過認證且傳達消息沒有被篡改，但是當內部攻擊者直接發送虛假消息，車輛就不一定能識別。近年來，深度學習技術被引入車聯網信任管理中。深度學習具備強大的數據處理和模式識別能力，能夠從大量數據中提取有效特征，準確評估車輛間發送的消息的真實性，從而為評估車輛的信任度評估提供依據，彌補傳統密碼學方法的不足。深度學習模型可以很好的捕捉虛假消息，抑制虛假消息的傳播，并識別潛在的惡意車輛然后動態調整車輛的可信度，從而讓車聯網服務更安全可靠。
技術實現思路
1、本專利技術的目的在于克服現有技術的缺點與不足，提出了一種基于改進lstm神經網絡的車聯網信任管理方法，該方法利用了kan和lstm結構，其中lstm是雙向的lstm，通過兩種結構的結合，更好地捕捉消息內部各個特征時間的關系和來自同一輛車的相鄰消息之間的時序關系，準確分辨每條信息
2、為實現上述目的，本專利技術所提供的技術方案為：基于改進lstm神經網絡的車聯網信任管理方法，包括以下步驟：
3、1)使用交通仿真模擬器sumo和離散事件仿真平臺omnet++進行城市交通仿真，其中，交通仿真模擬器sumo使用到的地圖是真實世界的地圖，地圖數據來源于openstreetmap開源地圖；在仿真過程中，收集車輛之間的互相發送的消息數據，并按照神經網絡訓練和推理需要的輸入組織和分類數據；然后對數據進行z-score歸一化，并保存數據的均值和方差便于后續推理時對數據進行同樣的處理；最后，將數據轉化為時間序列后，構建時間序列數據集，再對數據集進行劃分得到訓練集和測試集；
4、2)將訓練集作為改進lstm神經網絡的輸入進行訓練，利用adamw優化器不斷調節更新神經網絡參數，再使用測試集進行驗證，得到性能最優的神經網絡；其中，該lstm神經網絡的改進包括：第一，使用kan神經網絡作為lstm神經網絡的前置層，多條消息數據逐一經過kan神經網絡映射到更高維度，初步提取車輛消息內部不同特征之間的潛在關系，隨后將每條消息的高維度特征合并成高維度時間序列作為后續神經網絡的輸入；第二，有機結合kan神經網絡和lstm神經網絡，其中lstm是雙向的lstm，能夠更好地學習來自同一輛車的相鄰幾條消息的時間序列關系，從而提高判斷的準確率；第三，在lstm神經網絡之后引入線性層整合前面學習到的特征，將時間序列中每條消息對應的高維特征分別映射為兩個數值，分別表示消息真實和虛假的可能性；第四，使用加權的交叉熵損失函數作為神經網絡的優化目標，在真實的車聯網環境中，虛假消息占少數，數據集中虛假消息也少，因此需要給虛假消息的損失更大的權重，從而增強對虛假消息的識別能力；
5、3)將性能最優的神經網絡部署到車輛服務器上后，每輛車輛都被賦予初始信任值；當消息發送車輛a向消息接收車輛b發送消息后，車輛b會對收到的消息進行處理，將該條消息和車輛a之前發送的若干條消息一起轉換為改進lstm神經網絡需要的輸入，讓神經網絡判斷；車輛b根據改進lstm神經網絡的判斷結果以及車輛b收到車輛a的虛假消息數量和真實消息數量確定信任值的變化量；然后，車輛b根據信任值的變化量調整對車輛a的本地信任值，并將其報告給附近的路側單元rsu從而讓rsu更新車輛a的全局信任值，其中，存儲在車輛b上的對車輛a的信任值只有車輛b知道，稱為本地信任值，而rsu上的車輛a的信任值來源于所有車輛共同修改，稱為全局信任值；當車輛a的本地信任值低于預設閾值，那么車輛b將不會轉發車輛a的任何消息；當車輛a的全局信任值低于預設閾值，那么rsu將車輛a標記為惡意車輛并廣播從而讓其它所有車輛也都不轉發車輛a的消息。
6、進一步，在步驟1)中，車輛間傳遞的消息msg攜帶的內容為：msg＝{ids,ts,poss,spes,oris,acc_poss,distoaccs}，該消息表示編號為ids的消息發送車輛在ts時刻、poss位置向周圍通信范圍內的車輛發送的消息，該消息是組成數據集的主要內容，其中spes、oris分別表示編號為ids的消息發送車輛在ts時刻的移動速度和移動方向，acc_poss、distoaccs表示事故發生位置和消息發送車輛離事故的距離，如果沒有事故，則將事故位置的橫縱坐標設置為默認的0，將事故距離設置為默認的-1；要判斷一條消息的真假，還需要結合接收車輛的狀態信息和接收時間，即接收車輛收到該消息的時間tr、接收車輛的速度spes、方向orir和位置posr；因此，最后收集到的消息數據msg_data為：msg_data＝{ids,tr,poss,posr,spes,sper,oris,orir,acc_poss,distoaccs}，每一條消息數據msg_data都對應了一個標簽yi，如果消息為真，則yi為0，反之則為1；后續將利用消息數據msg_data和標簽來訓練改進lstm神經網絡。
7、進一步，在步驟1)中，n條msg_data能夠產生一個數據集dn，對數據集dn進行劃分之前，需要進行數據z-score歸一化，得到具有相同尺度的數據，以便于減輕數據測量引入的偏差，z-score歸一化的計算公式為：其中x'表示歸一化處理后的數據，x表示數據集中的每個原始數據，μ表示數據集中每個字段所有原始數據的平均值，σ表示數據集中每個字段所有原始數據的標準差，對于后續的新數據，需要利用保存下來的μ和σ做相同的處理后再利用神經網絡做判斷。
8、進一步，在步驟1)中，還需要將單條消息數據處理成時間序列數據，每條消息數據相當于時間序列數據中的一個時間步，如果車輛a向車輛b發送了若干條消息，每次利用改進lstm神經網絡進行判斷的時候，車輛b需要把連續收到的幾條車輛a的消息作為一個時間序列輸入改進lstm神經網絡中，改進lstm神經網絡的輸入是上述消息數據msg_data組成的序列：msg_seq＝{msg_data1,msg_data2,...,msg_datam}，msg_datam代表第m條消息數據，m為連續消息的數量，將消息數據轉化為時間序列后，構建時間序列數據集，以時間序列為單位，按照預設比例劃分為訓練集和測試集，在劃分的時候，要根據接收時間保持消息數據的先后順序。
9、進一步，在步驟2)中，整個神經網絡分為3部分，每個部分具體如下：
<本文檔來自技高網...【技術保護點】
1.基于改進LSTM神經網絡的車聯網信任管理方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于改進LSTM神經網絡的車聯網信任管理方法，其特征在于，在步驟1)中，車輛間傳遞的消息Msg攜帶的內容為：Msg＝{ids,ts,poss,spes,oris,acc_poss,disToAccs}，該消息表示編號為ids的消息發送車輛在ts時刻、poss位置向周圍通信范圍內的車輛發送的消息，該消息是組成數據集的主要內容，其中spes、oris分別表示編號為ids的消息發送車輛在ts時刻的移動速度和移動方向，acc_poss、disToAccs表示事故發生位置和消息發送車輛離事故的距離，如果沒有事故，則將事故位置的橫縱坐標設置為默認的0，將事故距離設置為默認的-1；要判斷一條消息的真假，還需要結合接收車輛的狀態信息和接收時間，即接收車輛收到該消息的時間tr、接收車輛的速度spes、方向orir和位置posr；因此，最后收集到的消息數據Msg_data為：Msg_data＝{ids,tr,poss,posr,spes,sper,oris,orir,acc_poss,d
3.根據權利要求2所述的基于改進LSTM神經網絡的車聯網信任管理方法，其特征在于，在步驟1)中，n條Msg_data能夠產生一個數據集Dn，對數據集Dn進行劃分之前，需要進行數據z-score歸一化，得到具有相同尺度的數據，以便于減輕數據測量引入的偏差，z-score歸一化的計算公式為：其中X'表示歸一化處理后的數據，X表示數據集中的每個原始數據，μ表示數據集中每個字段所有原始數據的平均值，σ表示數據集中每個字段所有原始數據的標準差，對于后續的新數據，需要利用保存下來的μ和σ做相同的處理后再利用神經網絡做判斷。
4.根據權利要求3所述的基于改進LSTM神經網絡的車聯網信任管理方法，其特征在于，在步驟1)中，還需要將單條消息數據處理成時間序列數據，每條消息數據相當于時間序列數據中的一個時間步，如果車輛A向車輛B發送了若干條消息，每次利用改進LSTM神經網絡進行判斷的時候，車輛B需要把連續收到的幾條車輛A的消息作為一個時間序列輸入改進LSTM神經網絡中，改進LSTM神經網絡的輸入是上述消息數據Msg_data組成的序列：Msg_seq＝{Msg_data1,Msg_data2,...,Msg_datam}，Msg_datam代表第m條消息數據，m為連續消息的數量，將消息數據轉化為時間序列后，構建時間序列數據集，以時間序列為單位，按照預設比例劃分為訓練集和測試集，在劃分的時候，要根據接收時間保持消息數據的先后順序。
5.根據權利要求4所述的基于改進LSTM神經網絡的車聯網信任管理方法，其特征在于，在步驟2)中，整個神經網絡分為3部分，每個部分具體如下：
6.根據權利要求5所述的基于改進LSTM神經網絡的車聯網信任管理方法，其特征在于，在神經網絡的訓練過程中，消息經過改進LSTM神經網絡之后，得到消息是否真實這一判斷結果，雖然每次輸入是多條消息組成的時間序列，但是序列中的每條消息都有一個判斷結果，為了評估神經網絡前向傳播后的輸出和標簽yi的差異，使用加權的交叉熵函數LWCE作為損失函數，公式如下：
7.根據權利要求6所述的基于改進LSTM神經網絡的車聯網信任管理方法，其特征在于，在步驟3)中，將性能最優的神經網絡部署到車輛的服務器上，整個信任管理的步驟如下：
...【技術特征摘要】
1.基于改進lstm神經網絡的車聯網信任管理方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于改進lstm神經網絡的車聯網信任管理方法，其特征在于，在步驟1)中，車輛間傳遞的消息msg攜帶的內容為：msg＝{ids,ts,poss,spes,oris,acc_poss,distoaccs}，該消息表示編號為ids的消息發送車輛在ts時刻、poss位置向周圍通信范圍內的車輛發送的消息，該消息是組成數據集的主要內容，其中spes、oris分別表示編號為ids的消息發送車輛在ts時刻的移動速度和移動方向，acc_poss、distoaccs表示事故發生位置和消息發送車輛離事故的距離，如果沒有事故，則將事故位置的橫縱坐標設置為默認的0，將事故距離設置為默認的-1；要判斷一條消息的真假，還需要結合接收車輛的狀態信息和接收時間，即接收車輛收到該消息的時間tr、接收車輛的速度spes、方向orir和位置posr；因此，最后收集到的消息數據msg_data為：msg_data＝{ids,tr,poss,posr,spes,sper,oris,orir,acc_poss,distoaccs}，每一條消息數據msg_data都對應了一個標簽yi，如果消息為真，則yi為0，反之則為1；后續將利用消息數據msg_data和標簽來訓練改進lstm神經網絡。
3.根據權利要求2所述的基于改進lstm神經網絡的車聯網信任管理方法，其特征在于，在步驟1)中，n條msg_data能夠產生一個數據集dn，對數據集dn進行劃分之前，需要進行數據z-score歸一化，得到具有相同尺度的數據，以便于減輕數據測量引入的偏差，z-score歸一化的計算公式為：其中x'表示歸一化處理后的數據，x表示數據集中的每個原始數據，μ表示數據集中每個字段...
【專利技術屬性】
技術研發人員：徐紅云，林志輝，黃煒賢，李鳳，
申請(專利權)人：華南理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。