申请/专利权人：北京工业大学

申请日：2023-12-10

公开（公告）日：2024-04-16

公开（公告）号：CN117896729A

主分类号：H04W12/122

分类号：H04W12/122;H04W12/121;H04W4/40;H04L9/40

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明公开了一种基于车辆时空行为特征融合的女巫攻击溯源方法，本方法将攻击行为的核心特性与交通流中的时间、空间、通信三个维度特征融合到图结构数据中，凸显攻击者行为的异常，并全方位的揭示车辆间相互影响的动态变化规律。采用对交通流时空图进行节点嵌入表示学习的方式获取车辆在交通流之中的复杂关联关系。本发明在车辆均使用假名进行通信的情况下，能够发现车辆攻击行为的隐蔽特点，使源攻击者隐藏攻击行为的方法失效，实现近乎实时的女巫车辆检测和源攻击者溯源性能，阻止了女巫攻击对VANET的持续危害。

主权项：1.一种基于车辆时空行为特征融合的女巫攻击溯源方法，其特征在于，包括：步骤1，通过RSU收集道路上行驶车辆广播的基本安全消息BSM数据，将这些数据保存在json数据文件中，用于执行步骤2；步骤2，从json数据文件中获取BSM数据，按车辆的假名对数据进行划分，获取每个车辆的时序消息数据列表，执行步骤3；步骤3，使用指定长度的滑动时间窗对步骤2中获取的车辆时序消息数据进行切分，每个时间窗内的消息数据用于提取车辆行为特征，执行步骤4；步骤4，步骤3中获得的时间窗内的消息数据是多条连续的BSM消息，提取消息中需要的内容，包括：[发送消息时间戳，车辆使用的假名，当前位置坐标，当前速度向量，当前加速度向量，当前车辆行驶的方向向量]；构建车辆发送BSM消息的集合作为检测和训练模型的基本样本单元，并从这些消息中提取车辆的行为特征，共包含5种类别，13个独立的特征；执行步骤5；步骤5，计算车辆在时间窗内移动的总距离，总距离的计算方法是将时间窗内多个点坐标之间的直线距离相加求和而获得，并作为车辆行为特征1，执行步骤6；步骤6，计算车辆在时间窗内的平均移动距离，使用车辆连续行驶的点坐标数据计算距离的平均值；作为车辆行为特征2，执行步骤7；步骤7，获取时间窗内车辆BSM消息中连续出现的多个点坐标，并计算几何中心位置坐标，作为车辆行为特征3，执行步骤8；步骤8，根据时间窗内消息数据，获取车辆在每一时刻的瞬时速度，然后计算车辆在时间窗内行驶的平均速度，作为车辆行为特征4，执行步骤9；步骤9，根据时间窗内消息数据，获取车辆瞬时速度的序列，从中选择瞬时速度的最大值作为车辆行为特征5，执行步骤10；步骤10，使用步骤9中获取的车辆瞬时速度序列，计算瞬时速度序列的差分序列，然后对差分序列计算方差，作为车辆行为特征6，执行步骤11；步骤11，根据步骤3中获得的时间窗内消息数据，获取车辆在时间窗连续变化的加速度序列，计算加速度平均值，作为车辆行为特征7，执行步骤12；步骤12，根据车辆在时间窗连续变化的加速度序列，获取加速度最大值，作为车辆行为特征8，执行步骤13；步骤13，根据车辆在时间窗连续变化的加速度序列，计算加速度序列的差分序列，然后对加速度差分序列计算方差，作为车辆行为特征9，执行步骤14；步骤14，根据步骤3中获得的时间窗内消息数据，以时间窗的长度建立消息发送列表，时间窗内的单位时间逐个对应消息发送情况；有消息发送则将对应时间的元素置为1，否则置为0，随后统计消息发送序列中为0元素的总和，记为中断次数；作为车辆行为特征10，执行步骤15；步骤15，根据获得的时间窗内消息数据和步骤14中的消息发送列表，计算车辆中断发送消息的总时长，作为车辆行为特征11，执行步骤16；步骤16，根据步骤3中获得的时间窗内消息数据，从中提取车辆行驶方向的信息，并将方向向量转化为角度值，获得车辆连续时刻行驶方向的序列，然后计算平均值，得到平均的行驶方向，作为车辆行为特征12，执行步骤17；步骤17，根据步骤16中获取的车辆连续时刻行驶方向序列，计算相邻时刻角度值的差，统计角度差值大于70度的方向变化次数，置为车辆总的转向次数；作为车辆行为特征13，执行步骤18；步骤18，步骤3-17用于生成车辆行为特征数据，对获取到的BSM消息数据按照车辆的假名进行划，然后使用同样的滑动时间窗大小切分数据，作为交通流时空特征构建的基本数据单元，用于从时间、空间、通信三个维度构建车辆节点之间的多重关联关系；执行步骤19；步骤19，采用步骤18中获取到的切分消息数据，滑动时间窗的滑动步长为1，然后根据时间窗的大小来确定一个图节点所包含的消息数量，将在不同时间窗内的车辆消息数据，记为不同的图节点；采用这种方法获取多个车辆假名的图节点数据；执行步骤20；步骤20，利用BSM消息字段中的发送消息时间戳和车辆使用的假名完成图节点时序边的建立；具体方法是根据车辆从驶入到驶出当前交通场景的时间顺序过程，以场景内所有车辆消息构建统一的时间线，为每个车辆的多个时间窗节点之间构建联系；从车辆进入场景的首个时刻开始，每个时刻均有一条边指向下一时刻的节点；这些边的集合成为时序边集合，执行步骤21；步骤21，利用两个BSM消息字段中的发送消息时间戳和车辆位置坐标完成图节点距离边的建立；具体方法为计算同一时间窗下，两车辆几何中心坐标的距离，表示两个节点之间的空间距离，当两个节点之间的空间距离小于设定阈值的情况下，为这两个节点之间构建一条双向的距离边；这些边的集合成为距离边集合，执行步骤22；步骤22，利用在步骤2中收集的BSM消息数据，以不同的车辆假名为唯一标识，统计车辆之间相互发送和接受消息的联络关系；当一车辆接收到其他车辆发送的BSM消息时，构建从发送者车辆节点指向接收者车辆节点的联络边；这些边的集合成为联络边集合，执行步骤22；步骤23，对步骤19-22中获取的节点数据、时序边集合、距离边集合、联络边集合进行汇总，构建三个维度的车辆交通流时空图结构数据；执行步骤24；步骤24，对步骤23中的图结构数据进行图节点的嵌入表示学习，使用node2vec算法来学习每个节点的嵌入表示，表达图结构中的同质性和结构性，采取有偏向性的随机游走策略，设置参数p和q，使算法倾向于揭示每个节点在图结构中的作用和与其他节点的结构关系；由此获得车辆在时间窗内的时空图特征向量，执行步骤25；步骤25，对步骤3-17中生成的13个车辆行为特征进行整合，获得车辆行为特征向量；将步骤24获得的交通流时空图特征向量与车辆行为特征拼接在一起，形成融合特征向量；执行步骤26；步骤26，使用梯度提升决策树算法对特征向量进行训练学习，获得能够准确区分正常车辆、女巫车辆、源攻击者车辆的追踪检测模型，并进行保存；执行步骤27；步骤27，对RSU采集的数据重复进行步骤1-25，生成车辆的行为特征与时空关联特征的融合特征向量，使用步骤26训练完成的攻击追踪检测模型对融合特征向量进行分类检测，实现对VANET中女巫攻击检测与溯源。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于车辆时空行为特征融合的女巫攻击溯源方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD