CN108769926A - 基于群体感知层的车联网隐私保护方法及车联网构架 - Google Patents
基于群体感知层的车联网隐私保护方法及车联网构架 Download PDFInfo
- Publication number
- CN108769926A CN108769926A CN201810469723.4A CN201810469723A CN108769926A CN 108769926 A CN108769926 A CN 108769926A CN 201810469723 A CN201810469723 A CN 201810469723A CN 108769926 A CN108769926 A CN 108769926A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- car networking
- quorum
- sensing system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/02—Protecting privacy or anonymity, e.g. protecting personally identifiable information [PII]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于群体感知层的车联网隐私保护方法,包括目标车辆在两个连续的位置发出感知数据;调用群生成函数,生成两个位置相应的匿名群;针对生成的匿名群,调用位置抑制函数保护位置信息;调用身份管理函数保护身份信息;综合抑制后的身份信息数据和位置信息数据,并输出抑制后的感知数据;一种应用上述车联网隐私保护方法的车联网构架,包括群体感知层、移动管理层和控制层;本发明一种基于群体感知层的车联网隐私保护方法及车联网构架通过在合适的位置上以恰当的概率抑制某些用户的数据上传,切断用户的时间相关性、空间相关性、数据相关性,从而有效地保护车联网位置隐私。
Description
技术领域
本发明涉及车联网数据传输领域,尤其涉及一种基于群体感知层的车联网隐私保护方法及车联网构架。
背景技术
随着各种移动终端和传感器的不断发展,群体感知已经成为收集和传输感知数据的一项重要技术,且应用范围广泛,如社交媒体分析,细粒度的空气污染监测,城市环境监控,道路交通采集等。这些群体感知应用都有一个共同点,那就是收集的感知数据中都包括有位置信息。但是,群体感知应用***中的服务器也许是不可信的,服务器会泄露相关用户的位置信息而出现隐私泄露的问题。加之车联网具有无线通信***开放,车辆高移动性特点。因此基于群体感知的车联网在隐私保护领域会带来新的挑战。
近几年,随着无线通信技术(如,5G,WIFI)和智能终端的不断发展,群体感知应用得到大量关注,用户参与热情不断提高。在群体感知***中,大量用户使用手持设备作为基本的感知单元,实现感知数据收集。从而终完成大规模的、复杂的社会感知任务。因此,群体感知技术应用于车联网时具有以下几大优点:
1、成本低:因为在CS***中,我们采用的是用户手持终端来收集感知数据,而不需要专门部署相应的传感器,这大大节省了成本开销。
2、规模大:在群体感知的应用中,用户数量多,而且分布范围广。
3、细密度测量,随着智能终端的发展,人们基本都用得起智能终端(手机、平板、智能摄像机等),有些人甚至不止一个。他们来自不同阶层、不同区域。因此收集到的数据信息更加精细化。
车辆周期性地上传感知数据,中央处理器将收集到的大量车辆信息进行分析和处理,从而及时汇报路况、合理安排交通信号灯周期等。但是在基于CS的车联网中,用户上传感知数据的时候涉及到位置信息.有些用户注重隐私保护,不愿暴露自己的位置隐私、身份隐私等,导致用户参与度不高、数据量采集少。这使得车联网不能大规模、细密度精准测量信息。因此隐私保护问题不解决,基于群体感知的车联网应用就会变得毫无意义。
常用的隐私保护方法大致可以分为匿名、模糊、加密,但是其基本没有考虑到用户的时空相关性。
发明内容
本发明的目的就在于为了解决上述问题而提供一种基于群体感知层的车联网隐私保护方法及车联网构架。。
本发明通过以下技术方案来实现上述目的:
一种基于群体感知层的车联网隐私保护方法,包括以下步骤:
S1、目标车辆在某段时间内的形式轨迹上采集感知数据;
S2、调用群生成函数,生成两个位置相应的匿名群;
S3、针对生成的匿名群,调用位置抑制函数保护位置信息;调用身份管理函数保护身份信息;
S4、目标车辆通过调用身份管理函数得到的PID发送感知数据。
具体地,上述步骤S1具体包括以下步骤:
A1、目标车辆在时间T={t1,t2,…,tn}内的行驶轨迹为L={l1,l2,…,ln},定义目标车辆的敏感位置为S={s1,s2,…si…,sm},其中si∈L,m<n;
A2、目标车辆通过群体感知层采集T时间内目标车辆的感知数据D={d1,d2,…,dn};
A3、设定位置隐私度,当攻击者猜测出目标车辆的敏感位置的先验概率和后验概率之差在范围ε内,目标车辆位置满足隐私度。
具体地,上述步骤A3中满足隐私度的计算方法包括以下步骤:
a1、建立条件随机场CRF模型:以马尔科夫随机场为基础,将Tr={r1,r2,…,rn}作为观察值,L={l1,l2,…,ln}作为输出状态序列,得出条件分布:
其中:L={l1,l2,…,ln}为车辆在一段时间内T={t1,t2,…,tn}的行驶轨迹;
Tr={r1,r2,…,rn}为在时间T内向服务器发送的抑制后感知数据;
Z是归一化函数,Φ是势函数,C是无向图的最大团;
a2、对车辆进行时间相关性、空间相关性和数据相关性分析;
1、时间相关性分析,
其中:δ是指数函数;
2、空间相关性分析,
其中:S={s1,s2,…,sm}为车辆的敏感位置,m<n;
sj∈S,li∈L-S;
3、数据相关性分析,
其中:dir(Lt-1,Lt)描述了车辆的行驶方向,而vol(Trt-1,Trt)用来描述感知数据量;
a3、通过时间、空间、数据相关性并结合条件随机场CRF模型定义隐私保护:
a4、判断隐私度,通过条件概率f{LTr}使车辆经过的位置满足隐私度ε,即
f{Vi=sj|Tr}-f{lj=sj}≤ε
具体地,上述步骤S2具体包括以下步骤:
B1、在目标车辆处于位置l时感知数据d得出群半径R;
B2、确定初始匿名群G范围,其以目标车辆位置l为中心,R为半径;
B3、判断群G(l,R)内包含车辆的数量u,若u<k,则通过将半径设定为R'=σ1×R,其中k为K匿名方案中的设定用户值,σ1为半径R增长因子;
B4、计算群G(l,R')信息损失,如果不满足信息损失要求,将群G(l,R')向大密度方向平移r得到群G(l+r,R'),其中r<R;
B5、计算群G(l+r,R')的信息损失,如果不满足信息损失要求,修改平移距离r'=r×σ2,得到群G'(l+r',R'),其中r'<R,σ2为平移r的增长因子。
具体地,信息损失率的计算方法包括:
b1、设定时刻t时,匿名群聚合的数据集合为{d1(t),d2(t),…,du(t)},定义聚合数据x(t)=f(w1d1(t),w2d2(t),...,widi(t),...,wndn(t)),即
其中,wi是感知数据di(t)的权重;
b2、获取聚合数据平均值,
b3、匿名群中感知数据的平方和sosu定义为:
b4、获取匿名群的均方差,即匿名群中u个车辆的感知数据同质性:
b5、设定均方差的最大值为SD-CVu,则SDu≤SD-CVu;
b6、信息损失计算公式为:
其中,w为经K匿名抑制后匿名群上传的感知数据量;
b7、上述步骤B4、步骤B5中匿名群的信息损失要求为sos≥2sos-CV。
具体地,上述步骤S3中位置抑制的方法包括以下步骤:
C1、判断Gi的均方差,若其SDu=SD-CVu,则不进行位置抑制,若SDu<SD-CVu,则进行位置抑制;
C2、判断li是否为交叉路口,若属于交叉路口,则设定初始抑制概率pi=1,计算信息损失度IL,如果IL=0,则得到抑制概率pi=1;如果存在信息损失,则循环修改pi=pi/2,直至满足隐私度ε,且不存在信息损失,得到抑制概率;
C3、判断li是否为交叉路口,若不属于交叉路口,则设定初始抑制概率pi=0,计算后验概率f{L|Tr},如果满足ε,则得到抑制概率pi=0;如果不满足ε,则循环修改pi=pi+0.1,直至满足隐私度ε,且不存在信息损失,得到抑制概率;
C4、通过抑制概率对位置感知数据进行隐私保护。
具体地,上述步骤S3中身份管理方法包括以下步骤:
D1、获取目标车辆在连续位置<li,li+1>之间移动时的身份感知数据;
D2、生成以li和li+1为中心的群Gi和Gi+1;
D3、若(li,li+1)∈(Gi∩Gi+1),将目标车辆与相遇车辆互换身份PID;
D4、若为目标车辆生成新的身份PID。
一种应用上述车联网隐私保护方法的车联网构架,包括群体感知层、移动管理层和控制层;
所述群体感知层包括带有OBU的车辆、路边节点RSU和基站,所述带有OBU的车辆、所述路边节点RSU和所述基站之间通过基于IEEE802.15.4协议的无线传感器网络、基于IEEE802.11协议的WI-FI网络或认知无线电网络通信,其用于采集交通环境数据、周围车辆密度、车辆自身速度、位置信息,并将其发送至所述移动管理层;
所述移动管理层包括具备计算存储能力的计算器和分布式交换机,其用于感知数据的存储转发;
所述控制层包括核心网,其用于数据的汇聚、融合和决策以及控制命令的发送,接收所述移动管理层发送过来的数据信息,并对其进行分析、处理、融合,形成决策数据,再发送回车辆节点。
本发明的有益效果在于:
本发明一种基于群体感知层的车联网隐私保护方法及车联网构架通过在合适的位置上以恰当的概率抑制某些用户的数据上传,切断用户的时间相关性、空间相关性、数据相关性,从而有效地保护车联网位置隐私。
附图说明
图1是本发明所述的一种基于群体感知层的车联网隐私保护方法的流程图;
图2是本发明所述时间相关性攻击模型;
图3是本发明所述空间相关性攻击模型;
图4是本发明所述数据相关性攻击模型。
具体实施方式
下面结合附图对本发明作进一步说明:
一种应用上述车联网隐私保护方法的车联网构架,包括群体感知层、移动管理层和控制层;
群体感知层包括带有OBU的车辆、路边节点RSU和基站,带有OBU的车辆、路边节点RSU和基站之间通过通过基于IEEE802.15.4协议的无线传感器网络、基于IEEE802.11协议的WI-FI网络或认知无线电网络通信,其用于采集交通环境数据、周围车辆密度、车辆自身速度、位置信息,并将其发送至移动管理层;
移动管理层包括具备计算存储能力的计算器和分布式交换机,其用于感知数据的存储转发;
控制层包括核心网,其用于数据的汇聚、融合和决策以及控制命令的发送,接收移动管理层发送过来的数据信息,并对其进行分析、处理、融合,形成决策数据,再发送回车辆节点。
车联网作为自组织网络的分支,与无线传感器网络有着一定交集,但同时又具有自己的特性:自适应性和异构性突出,通信环境较为复杂,网络拓扑因移动性而实时动态变化,通信要求高可靠性和低时延性。
而群体感知具有更为广泛的地理分布,适应移动性的应用,支持更多的边缘节点等优势。这些特征使得车联网部署更方便,满足更广泛的车辆节点接入。因此充分利用群体感知的分布式移动特性来搭建柔性的车联网,以提高车联网的动态移动性、综合感知能力以及资源综合利用率,并且解决车联网的身份和位置隐私保护问题。
群体感知层主要由带有OBU的车辆、路边节点RSU、基站等基础设施组成,群体间以及群体内通过基于IEEE802.15.4协议的无线传感器网络、基于IEEE802.11协议的WI-FI网络或认知无线电网络等各种网络进行相互通信。
群内车辆节点将采集到的各种交通环境数据、周围车辆密度和车辆自身速度以及位置等信息发送给移动管理层。为了保护车辆节点的位置隐私,根据时间相关性、空间相关性和数据相关性,某些车辆节点在敏感位置会以一定概率抑制信息的发送。
移动管理层:由具有一定的计算存储能力的服务器、交换机分布式组成,主要实现数据的存储转发,能快速处理一些简单的数据包。车联网发展迅速,数据量和数据节点数不断增加,不仅占用大量网络带宽,而且对车联网数据传输和信息处理的能力提出了挑战,远端的核心网无法满足车联网应用的高移动性和高实时性。因此本文增加移动管理层,提高车联网的本地存储与计算能力,消除核心网端数据存储及数据传输的瓶颈,大大提高车联网的实时性。
控制层:由核心网构成,具有强大的计算和调度控制能力,实现数据的汇聚、融合和决策以及控制命令的发送。接收移动管理层发送过来的数据信息,并对其进行分析、处理、融合,形成决策数据,再发送回车辆节点。
由于移动管理层和控制决策层涉及的服务器有可能是不可信任的,会带来隐私泄露问题。为了保护车辆隐私,本文考虑在群体感知层抑制车辆在某些敏感位置发送数据。但是抑制数据的发送,则会影响控制决策层收集到完整的数据信息。
同时,对攻击模型进行阐述。
1)时间相关性攻击模型
如图2所示,考虑3阶HMM(Hidden Markov Model)。假设位置B的前向位置是A,而C的前向位置是B。在一定时间内,攻击者已观测到车辆经过位置A->B->C。那么攻击者将能猜测出车辆到达的下一个位置很有可能是位置E点。因为与位置C点相关的位置为{E,B,D},车辆在位置C点掉头回到位置B点概率比较小。车辆下一位置到达位置D点概率也比较小,如果车辆要去位置D点,可以直接从位置A点到达D点,A->D这条路径比A->B->C->D更短,用户习惯性地优先选择最短距离。因此车辆的下一个位置是B或者D点都不太可能,从而猜测出车辆轨迹应该是A->B->C->E,若位置E对于该车辆来说是一个敏感位置,那么车辆的位置隐私和轨迹隐私就被泄露了。
2)空间相关性攻击模型
如图3所示,针对位置D点,(C、D)点的空间相关性比(B、D)之前的空间相关性大。因为车辆都从A出发,若经过位置C点,则车辆一定会到达D点位置;若经过位置B点,则车辆下一个位置可能是D点或者E点。因此在空间相关性攻击时,攻击者利用位置之间的空间相关性可能猜测出用户的位置/轨迹隐私。如已知车辆轨迹从位置A移动到位置C点,那么攻击者肯定能猜测出车辆的下一个位置点是D点,除非车辆掉头回到A点。则可以猜测出用户轨迹A->C->D(如实线所示)。若位置D对于该车辆来说是一个敏感位置,那么车辆的位置隐私和轨迹隐私就被泄露了
3)数据相关性攻击模型
如图4所示,众所周知,岔路口(特别是十字路口)具有以下特性:岔路口是几条道路的汇合点,而且通常设置有红绿灯。因此在岔路口会收集到更多的数据信息,如图所示,位置C点收集到的数据信息比位置A和B点多。数据相关性攻击就是根据这一特性猜测出目标车辆的轨迹隐私。假设目标车辆在T1从位置A点出发,那么下一时刻T2,攻击者发现和目标车辆一起上报的数据信息增多,则猜测出目标车辆轨迹是从A->C,否则目标车辆是从A->B。
根据上面所说的攻击模型,我们对时间相关性、空间相关性、数据相关性进行分析建模,得到抑制函数,使得目标车辆在一些特殊位置进行一定概率的抑制数据的发布,从而保护车辆的轨迹隐私。
如图1所示,本发明一种基于群体感知层的车联网隐私保护方法,包括:
(一)目标车辆在两个连续的位置采集感知数据;
目标车辆在时间T={t1,t2,…,tn}内的行驶轨迹为L={l1,l2,…,ln},定义目标车辆的敏感位置为S={s1,s2,…si…,sm},其中si∈L,m<n;
目标车辆通过群体感知层采集T时间内目标车辆的感知数据D={d1,d2,…,dn};
设定位置隐私度,当攻击者猜测出目标车辆的敏感位置的先验概率和后验概率之差在范围ε内,目标车辆位置满足隐私度。
建立条件随机场CRF模型:以马尔科夫随机场为基础,将Tr={r1,r2,…,rn}作为观察值,L={l1,l2,…,ln}作为输出状态序列,得出条件分布:
其中:L={l1,l2,…,ln}为车辆在一段时间内T={t1,t2,…,tn}的行驶轨迹;
Tr={r1,r2,…,rn}为在时间T内向服务器发送的抑制后感知数据;
Z是归一化函数,Φ是势函数,C是无向图的最大团;
对车辆进行时间相关性、空间相关性和数据相关性分析;
1、时间相关性分析,
其中:δ是指数函数;
2、空间相关性分析,
其中:S={s1,s2,…,sm}为车辆的敏感位置,m<n;
sj∈S,li∈L-S;
3、数据相关性分析,
其中:dir(Lt-1,Lt)描述了车辆的行驶方向,而vol(Trt-1,Trt)用来描述感知数据量;
通过时间、空间、数据相关性并结合条件随机场CRF模型定义隐私保护:
判断隐私度,通过条件概率f{L|Tr}使车辆经过的位置满足隐私度ε,即
f{Vi=sj|Tr}-f{lj=sj}≤ε
(二)调用群生成函数,生成两个位置相应的匿名群;
在目标车辆处于位置l时感知数据d得出群半径R;确定初始群范围,其以目标车辆位置l为中心,R为半径;判断群G(l,R)内包含车辆的数量u,若u<k,则通过将半径设定为R'=σ1×R,其中k为K匿名方案中的设定用户值,σ1为半径R增长因子;计算群G(l,R')信息损失,如果不满足信息损失要求,将群G(l,R')向大密度方向平移r得到群G(l+r,R'),其中r<R;计算群G(l+r,R')的信息损失,如果不满足信息损失要求,修改平移距离r'=r×σ2,得到群G'(l+r',R'),其中r'<R,σ2为平移r的增长因子。
信息损失率的计算方法包括:
1、设定时刻t时,匿名群聚合的数据集合为{d1(t),d2(t),…,du(t)},定义聚合数据x(t)=f(w1d1(t),w2d2(t),...,widi(t),...,wndn(t)),即
其中,wi是感知数据di(t)的权重;
2、获取聚合数据平均值,
3、匿名群中感知数据的平方和sosu定义为:
4、获取匿名群的均方差,即匿名群中u个车辆的感知数据同质性:
5、设定均方差的最大值为SD-CVu,则SDu≤SD-CVu;
6、信息损失计算公式为:
其中,w为经K匿名抑制后匿名群上传的感知数据量;
7、上述匿名群的信息损失要求为sos≥2sos-CV。
(三)针对生成的匿名群,调用位置抑制函数保护位置信息;调用身份管理函数保护身份信息;
位置抑制方法包括:
判断Gi的均方差,若其SDu=SD-CVu,则不进行位置抑制,若SDu<SD-CVu,则进行位置抑制;
判断li是否为交叉路口,若属于交叉路口,则设定初始抑制概率pi=1,计算信息损失度IL,如果IL=0,则得到抑制概率pi=1;如果存在信息损失,则循环修改pi=pi/2,直至满足隐私度ε,且不存在信息损失,得到抑制概率;
判断li是否为交叉路口,若不属于交叉路口,则设定初始抑制概率pi=0,计算后验概率f{L|Tr},如果满足ε,则得到抑制概率pi=0;如果不满足ε,则循环修改pi=pi+0.1,直至满足直至满足隐私度ε,且不存在信息损失,得到抑制概率;
通过抑制概率对位置感知数据进行隐私保护。
身份管理方法包括:
获取目标车辆在连续位置<li,li+1>之间移动时的身份感知数据;生成以li和li+1为中心的群Gi和Gi+1;若(li,li+1)∈(Gi∩Gi+1),将目标车辆与相遇车辆互换身份PID;若为目标车辆生成新的身份PID(pseudonym identity)。
(四)目标车辆通过调用身份管理函数得到的PID发送感知数据。。
通过对攻击模型的相关性分析,我们得出相应的抑制函数,并提出了抑制策略。该抑制策略充分利用了交叉口位置的特性,在没有信息损失的前提下抑制某些感知数据的上传。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (8)
1.一种基于群体感知层的车联网隐私保护方法,其特征在于:包括以下步骤:
S1、目标车辆在某段时间内的形式轨迹上采集感知数据;
S2、调用群生成函数,生成两个位置相应的匿名群;
S3、针对生成的匿名群,调用位置抑制函数保护位置信息;调用身份管理函数保护身份信息;
S4、目标车辆通过调用身份管理函数得到的PID发送感知数据。
2.根据权利要求1所述的基于群体感知层的车联网隐私保护方法,其特征在于:上述步骤S1具体包括以下步骤:
A1、目标车辆在时间T={t1,t2,…,tn}内的行驶轨迹为L={l1,l2,…,ln},定义目标车辆的敏感位置为S={s1,s2,…si…,sm},其中si∈L,m<n;
A2、目标车辆通过群体感知层采集T时间内目标车辆的感知数据D={d1,d2,…,dn};
A3、设定位置隐私度,当攻击者猜测出目标车辆的敏感位置的先验概率和后验概率之差在范围ε内,目标车辆位置满足隐私度。
3.根据权利要求2所述的基于群体感知层的车联网隐私保护方法,其特征在于:上述步骤A3中满足隐私度的计算方法包括以下步骤:
a1、建立条件随机场CRF模型:以马尔科夫随机场为基础,将Tr={r1,r2,…,rn}作为观察值,L={l1,l2,…,ln}作为输出状态序列,得出条件分布:
其中:L={l1,l2,…,ln}为车辆在一段时间内T={t1,t2,…,tn}的行驶轨迹;
Tr={r1,r2,…,rn}为在时间T内向服务器发送的抑制后感知数据;
Z是归一化函数,Φ是势函数,C是无向图的最大团;
a2、对车辆进行时间相关性、空间相关性和数据相关性分析;
A1、时间相关性分析,
其中:δ是指数函数;
A2、空间相关性分析,
其中:S={s1,s2,…,sm}为车辆的敏感位置,m<n;
sj∈S,li∈L-S;
A3、数据相关性分析,
其中:dir(Lt-1,Lt)描述了车辆的行驶方向,而vol(Trt-1,Trt)用来描述感知数据量;
a3、通过时间、空间、数据相关性并结合条件随机场CRF模型定义隐私保护:
a4、判断隐私度,通过条件概率f{LTr}使车辆经过的位置满足隐私度ε,即
f{Vi=sj|Tr}-f{lj=sj}≤ε。
4.根据权利要求3所述的基于群体感知层的车联网隐私保护方法,其特征在于:上述步骤S2具体包括以下步骤:
B1、在目标车辆处于位置l时感知数据d得出群半径R;
B2、确定初始匿名群G范围,其以目标车辆位置l为中心,R为半径;
B3、判断群G(l,R)内包含车辆的数量u,若u<k,则通过将半径设定为R'=σ1×R,其中k为K匿名方案中的设定用户值,σ1为半径R增长因子;
B4、计算群G(l,R')信息损失,如果不满足信息损失要求,将群G(l,R')向大密度方向平移r得到群G(l+r,R'),其中r<R;
B5、计算群G(l+r,R')的信息损失,如果不满足信息损失要求,修改平移距离r'=r×σ2,得到群G'(l+r',R'),其中r'<R,σ2为平移r的增长因子。
5.根据权利要求4所述的基于群体感知层的车联网隐私保护方法,其特征在于:信息损失率的计算方法包括:
b1、设定时刻t时,匿名群聚合的数据集合为{d1(t),d2(t),…,du(t)},定义聚合数据x(t)=f(w1d1(t),w2d2(t),...,widi(t),...,wndn(t)),即
其中,wi是感知数据di(t)的权重;
b2、获取聚合数据平均值,
b3、匿名群中感知数据的平方和sosu定义为:
b4、获取匿名群的均方差,即匿名群中u个车辆的感知数据同质性:
b5、设定均方差的最大值为SD-CVu,则SDu≤SD-CVu;
b6、信息损失计算公式为:
其中,w为经K匿名抑制后匿名群上传的感知数据量;
b7、上述步骤B4、步骤B5中匿名群的信息损失要求为sos≥2sos-CV。
6.根据权利要求5所述的基于群体感知层的车联网隐私保护方法,其特征在于:上述步骤S3中位置抑制的方法包括以下步骤:
C1、判断Gi的均方差,若其SDu=SD-CVu,则不进行位置抑制,若SDu<SD-CVu,则进行位置抑制;
C2、判断li是否为交叉路口,若属于交叉路口,则设定初始抑制概率pi=1,计算信息损失度IL,如果IL=0,则得到抑制概率pi=1;如果存在信息损失,则循环修改pi=pi/2,直至满足隐私度ε,且不存在信息损失,得到抑制概率;
C3、判断li是否为交叉路口,若不属于交叉路口,则设定初始抑制概率pi=0,计算后验概率f{L|Tr},如果满足ε,则得到抑制概率pi=0;如果不满足ε,则循环修改pi=pi+0.1,直至满足隐私度ε,且不存在信息损失,得到抑制概率;
C4、通过抑制概率对位置感知数据进行隐私保护。
7.根据权利要求5所述的基于群体感知层的车联网隐私保护方法,其特征在于:上述步骤S3中身份管理方法包括以下步骤:
D1、获取目标车辆在连续位置<li,li+1>之间移动时的身份感知数据;
D2、生成以li和li+1为中心的群Gi和Gi+1;
D3、若(li,li+1)∈(Gi∩Gi+1),将目标车辆与相遇车辆互换身份PID;
D4、若为目标车辆生成新的身份PID。
8.一种应用上述车联网隐私保护方法的车联网构架,其特征在于:包括群体感知层、移动管理层和控制层;
所述群体感知层包括带有OBU的车辆、路边节点RSU和基站,所述带有OBU的车辆、所述路边节点RSU和所述基站之间通过基于IEEE802.15.4协议的无线传感器网络、基于IEEE802.11协议的WI-FI网络或认知无线电网络通信,其用于采集交通环境数据、周围车辆密度、车辆自身速度、位置信息,并将其发送至所述移动管理层;
所述移动管理层包括具备计算存储能力的计算器和分布式交换机,其用于感知数据的存储转发;
所述控制层包括核心网,其用于数据的汇聚、融合和决策以及控制命令的发送,接收所述移动管理层发送过来的数据信息,并对其进行分析、处理、融合,形成决策数据,再发送回车辆节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810469723.4A CN108769926B (zh) | 2018-05-16 | 2018-05-16 | 基于群体感知层的车联网隐私保护方法及车联网构架 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810469723.4A CN108769926B (zh) | 2018-05-16 | 2018-05-16 | 基于群体感知层的车联网隐私保护方法及车联网构架 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108769926A true CN108769926A (zh) | 2018-11-06 |
CN108769926B CN108769926B (zh) | 2020-10-23 |
Family
ID=64008210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810469723.4A Active CN108769926B (zh) | 2018-05-16 | 2018-05-16 | 基于群体感知层的车联网隐私保护方法及车联网构架 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108769926B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110290503A (zh) * | 2019-06-21 | 2019-09-27 | 北京邮电大学 | 车辆数据分发的方法、装置、电子设备及可读存储介质 |
CN110621005A (zh) * | 2019-09-26 | 2019-12-27 | 电子科技大学 | 实现基于众包应用的车联网隐私保护方法 |
CN111967318A (zh) * | 2020-07-13 | 2020-11-20 | 北京邮电大学 | 一种基于隐私保护原则的摄像头辅助车联网无线通信方法 |
CN112740286A (zh) * | 2018-11-27 | 2021-04-30 | 奥迪股份公司 | 用于将车辆的传感器数据匿名传输给车辆外部的接收单元的方法以及匿名化***、机动车和车辆外部的接收单元 |
CN113259401A (zh) * | 2021-07-15 | 2021-08-13 | 国汽智控(北京)科技有限公司 | 一种车辆数据的控制方法、装置、设备和存储介质 |
US12028704B2 (en) | 2018-11-27 | 2024-07-02 | Audi Ag | Method for the anonymized transmission of sensor data of a vehicle to a vehicle-external receiving unit, anonymizing system, motor vehicle, and vehicle-external receiving unit |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008154941A1 (en) * | 2007-06-20 | 2008-12-24 | Nec Deutschland Gmbh | Method for preserving the privacy of nodes in a network |
CN102624917A (zh) * | 2012-03-29 | 2012-08-01 | 杨涛 | 一种基于广播和属性加密技术的隐私保护*** |
CN103428688A (zh) * | 2013-07-23 | 2013-12-04 | 浙江工商大学 | 车载自组织网络的连续位置服务隐私保护方法 |
CN107145796A (zh) * | 2017-04-24 | 2017-09-08 | 公安海警学院 | 一种不确定环境下轨迹数据k‑匿名隐私保护方法 |
CN107947942A (zh) * | 2017-11-30 | 2018-04-20 | 安徽大学 | 基于群签名和信誉的车辆位置隐私保护方法 |
-
2018
- 2018-05-16 CN CN201810469723.4A patent/CN108769926B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008154941A1 (en) * | 2007-06-20 | 2008-12-24 | Nec Deutschland Gmbh | Method for preserving the privacy of nodes in a network |
CN102624917A (zh) * | 2012-03-29 | 2012-08-01 | 杨涛 | 一种基于广播和属性加密技术的隐私保护*** |
CN103428688A (zh) * | 2013-07-23 | 2013-12-04 | 浙江工商大学 | 车载自组织网络的连续位置服务隐私保护方法 |
CN107145796A (zh) * | 2017-04-24 | 2017-09-08 | 公安海警学院 | 一种不确定环境下轨迹数据k‑匿名隐私保护方法 |
CN107947942A (zh) * | 2017-11-30 | 2018-04-20 | 安徽大学 | 基于群签名和信誉的车辆位置隐私保护方法 |
Non-Patent Citations (2)
Title |
---|
XIAODONG LIN: "GSIS: A Secure and Privacy-Preserving Protocol for Vehicular Communications", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
王景欣: "基于匿名互换的车联网安全与隐私保护机制", 《清华大学学报(自然科学版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112740286A (zh) * | 2018-11-27 | 2021-04-30 | 奥迪股份公司 | 用于将车辆的传感器数据匿名传输给车辆外部的接收单元的方法以及匿名化***、机动车和车辆外部的接收单元 |
CN112740286B (zh) * | 2018-11-27 | 2022-08-16 | 奥迪股份公司 | 用于将车辆的传感器数据匿名传输给车辆外部的接收单元的方法以及匿名化***、机动车和车辆外部的接收单元 |
US12028704B2 (en) | 2018-11-27 | 2024-07-02 | Audi Ag | Method for the anonymized transmission of sensor data of a vehicle to a vehicle-external receiving unit, anonymizing system, motor vehicle, and vehicle-external receiving unit |
CN110290503A (zh) * | 2019-06-21 | 2019-09-27 | 北京邮电大学 | 车辆数据分发的方法、装置、电子设备及可读存储介质 |
CN110621005A (zh) * | 2019-09-26 | 2019-12-27 | 电子科技大学 | 实现基于众包应用的车联网隐私保护方法 |
CN111967318A (zh) * | 2020-07-13 | 2020-11-20 | 北京邮电大学 | 一种基于隐私保护原则的摄像头辅助车联网无线通信方法 |
CN113259401A (zh) * | 2021-07-15 | 2021-08-13 | 国汽智控(北京)科技有限公司 | 一种车辆数据的控制方法、装置、设备和存储介质 |
CN113259401B (zh) * | 2021-07-15 | 2021-09-21 | 国汽智控(北京)科技有限公司 | 一种车辆数据的控制方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108769926B (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108769926A (zh) | 基于群体感知层的车联网隐私保护方法及车联网构架 | |
Wang et al. | Vehicular sensing networks in a smart city: Principles, technologies and applications | |
Oubbati et al. | Leveraging communicating UAVs for emergency vehicle guidance in urban areas | |
Cheng et al. | A center‐based secure and stable clustering algorithm for VANETs on highways | |
Cheng et al. | Big data driven vehicular networks | |
Waqas et al. | A comprehensive survey on mobility-aware D2D communications: Principles, practice and challenges | |
Wang et al. | Internet of vehicles: Sensing-aided transportation information collection and diffusion | |
Lin et al. | MoZo: A moving zone based routing protocol using pure V2V communication in VANETs | |
Huang et al. | Cluster-based cooperative caching with mobility prediction in vehicular named data networking | |
CN105553780B (zh) | 一种城市场景中有基础设施的车联网连通性模型推演方法 | |
CN102833160B (zh) | 基于接触预测的大规模移动容迟网络分簇路由方法及其*** | |
Chaqfeh et al. | Vehicular cloud data collection for intelligent transportation systems | |
Kakkasageri et al. | Regression based critical information aggregation and dissemination in VANETs: A cognitive agent approach | |
Abdrabou et al. | Delay analysis for sparse vehicular sensor networks with reliability considerations | |
CN104363626A (zh) | 一种基于贝叶斯理论的vanet可信路由方法 | |
Bhoi et al. | Local traffic aware unicast routing scheme for connected car system | |
Jiao et al. | Predictive big data collection in vehicular networks: A software defined networking based approach | |
Sanghvi et al. | Res6edge: An edge-ai enabled resource sharing scheme for c-v2x communications towards 6g | |
Ahmed et al. | A highly secured QoS aware routing algorithm for software defined vehicle ad-hoc networks using optimal trust management scheme | |
Zhang et al. | Federated learning in intelligent transportation systems: Recent applications and open problems | |
Falchetti et al. | Vehicular cloud computing in the dawn of 5G | |
Lin et al. | A review of data sets of short-range wireless networks | |
Kaviarasan et al. | Salp swarm bio inspired algorithm for detecting non line of sight vehicles in VANETs | |
Cao et al. | ETCS: An efficient traffic congestion scheduling scheme combined with edge computing | |
CN110417572A (zh) | 一种基于目标节点相遇概率预测消息传递节点的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |