CN112241547A - 车辆数据加密分析方法、边缘服务器及存储介质 - Google Patents
车辆数据加密分析方法、边缘服务器及存储介质 Download PDFInfo
- Publication number
- CN112241547A CN112241547A CN202011324347.3A CN202011324347A CN112241547A CN 112241547 A CN112241547 A CN 112241547A CN 202011324347 A CN202011324347 A CN 202011324347A CN 112241547 A CN112241547 A CN 112241547A
- Authority
- CN
- China
- Prior art keywords
- encryption
- edge server
- scheme
- analysis
- iteration
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 123
- 230000004044 response Effects 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims description 49
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 7
- 230000011664 signaling Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 239000010410 layer Substances 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006855 networking Effects 0.000 description 4
- 241000497429 Obus Species 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供一种车辆数据加密分析方法、边缘服务器及计算机可读存储器，其中，所述方法包括：边缘服务器获取智能车辆发送的车辆数据的加密分析请求；所述边缘服务器对所述加密分析请求进行分析，得到加密分析方案；以及，所述边缘服务器将所述加密分析方案返回给所述智能车辆，以使所述智能车辆基于所加密分析方案对其车辆数据进行加密。本公开实施例至少可以解决目前车联网数据处理过程中响应延迟高、信令拥塞、身份认证成本高等问题。
Description
技术领域
本公开涉及车联网技术领域，尤其涉及一种车辆数据加密分析方法、一种边缘计算服务器以及一种计算机可读存储介质。
背景技术
随着人5G(5th-Generation，第五代通信技术)网络的快速发展，目前车联网所采用的传统网络攻击检测方式已逐渐无法适应日益增长的网络攻击速度更快、破坏力更大的需求，其产生的响应延迟高、信令拥塞、身份认证成本高等问题日益突出。
发明内容
本公开提供了一种车辆数据加密分析方法、边缘计算服务器及计算机可读存储介质，以至少解决上述问题。
根据本公开实施例的一方面，提供一种车辆数据加密分析方法，包括：
边缘服务器获取智能车辆发送的车辆数据的加密分析请求；
所述边缘服务器对所述加密分析请求进行分析，得到加密分析方案；以及，
所述边缘服务器将所述加密分析方案返回给所述智能车辆，以使所述智能车辆基于所加密分析方案对其车辆数据进行加密。
在一种实施方式中，所述加密分析请求中携带车辆数据，
所述边缘服务器获取智能车辆发送的车辆数据的加密分析请求之后，还包括：
所述边缘服务器基于所述车辆数据生成服务分析方案；以及，
所述边缘服务器将所述服务器分析方案返回给所述智能车辆，以使所述智能车辆基于所述服务分析方案进行车辆导航。
在一种实施方式中，所述边缘服务器对所述加密分析请求进行分析，得到加密分析方案，包括：
所述边缘服务器基于所述加密分析请求，利用多因素加密算法生成初始加密方案；
所述边缘服务器确定所述初始加密方案的优化参数；以及，
所述边缘服务器针对所述优化参数对所述初始加密方案进行分析，得到加密分析方案。
在一种实施方式中，所述加密分析请求中携带认证凭证及加密分析请求的时间戳，所述多因素加密算法根据以下公式得到：
b∈(10，100)
式中，S_N表示认证凭证密文，S_N’表示认证凭证明文，T表示时间戳，b表示一次性随机数。
在一种实施方式中，所述边缘服务器针对所述优化参数对所述初始加密方案进行分析，得到加密分析方案，包括：
所述边缘服务器设置迭代初始参数和最大迭代次数；
所述边缘服务器针对所述优化参数对所述初始加密方案进行深度分析，得到匹配度最优的中间加密方案；
所述边缘服务器判断所述匹配度最优的中间加密方案是否满足预设的评估条件；
若满足预设的评估条件，则所述边缘服务器选择所述匹配度最优的中间加密方案作为加密分析方案；
若不满足预设的评估条件，则所述边缘服务器判断当前迭代次数是否不大于所述最大迭代次数；
若不大于所述最大迭代次数，则所述边缘服务器对所述优化参数进行深度无监督学习，得到迭代次数加1后的优化参数，返回执行所述边缘服务器针对所述优化参数对所述初始加密方案进行深度分析的步骤；
若大于所述最大迭代次数，则所述边缘服务器选择所述匹配度最优的中间加密方案作为加密分析方案。
在一种实施方式中，所述优化参数包括拥塞率、单位认证成本及响应延迟率，所述优化参数以三维向量的形式存储为：
其中，
表示第k次迭代时的优化参数，k为迭代次数；i、j和t为维度，且i∈[1,m],j∈[1,n],t∈[1,q]，m、n、q分别表示维度最大值；
为第k次迭代时的拥塞率；
为第k次迭代时的单位认证成本；
为第k次迭代时的响应延迟率。
在一种实施方式中，所述边缘服务器针对所述优化参数对所述初始加密方案进行深度分析，根据以下公式得到：
式中，Min ZK表示第k次迭代时得到匹配度最优的中间加密方案，CGmin、EGmin、WGmin分别为历史最小单位认证成本、历史最小响应延迟率以及历史最小拥塞率。
在一种实施方式中，所述边缘服务器对所述优化参数进行深度无监督学习，得到迭代次数加1后的优化参数，根据以下公式得到：
式中，
表示迭代次数为第k+1次时的优化参数，包含
三方面的信息向量，
表示迭代次数为第k+1次时的单位认证成本，
表示迭代次数为第k+1次时的响应延迟率，
表示迭代次数为第k+1次时拥塞率，
表示迭代次数为第k+1次时的深度无监督学习加强因子；
其中，深度无监督学习加强因子
根据以下公式得到：
式中，CGmin表示历史最小单位认证成本，EGmin表示历史最小响应延迟率，WGmin表示历史最小拥塞率。
在一种实施方式中，所述边缘服务器判断所述匹配度最优的中间加密方案是否满足预设的评估条件，根据以下公式得到：
式中，
表示第k次迭代时的单位认证成本乘积概率，
表示第k次迭代时的响应延迟率乘积概率，
表示第k次迭代时的拥塞率乘积概率。
根据本公开实施例的另一方面，提供一种边缘服务器，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行所述的车辆数据加密分析方法。
根据本公开实施例的再一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，所述处理器执行所述的车辆数据加密分析方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开实施例提供的车辆数据加密分析方法，边缘服务器获取智能车辆发送的车辆数据的加密分析请求；所述边缘服务器对所述加密分析请求进行分析，得到加密分析方案；以及，所述边缘服务器将所述加密分析方案返回给所述智能车辆，以使所述智能车辆基于所加密分析方案对其车辆数据进行加密。本公开实施例至少可以解决目前车联网数据处理过程中响应延迟高、信令拥塞、身份认证成本高等问题。
本公开的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本公开而了解。本公开的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本公开技术方案的进一步理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开的技术方案，并不构成对本公开技术方案的限制。
图1为本公开实施例提供的一种车辆数据加密分析方法的流程示意图；
图2为车联网安全场景示意图；
图3为本公开实施例中针对所述优化参数对所述初始加密方案进行深度分析的流程示意图；
图4为本公开实施例优化参数以三维向量的形式存储的示意图；
图5为本公开实施例提供的工业数据的加密分析方法的另一种流程示意图；
图6为本公开实施例中卷积神经元网络的示意图；
图7为本公开另一实施例提供的一种车辆数据加密分析方法的流程示意图；
图8为本公开实施例提供过的一种边缘服务器的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序；并且，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互任意组合。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本公开的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
随着5G网路的迅猛发展，5G网络所指的就是在移动通信网络发展中的第五代网络，与之前的四代移动网络相比较而言，5G网络在实际应用过程中表现出更加强化的功能，并且理论上其传输速度每秒钟能够达到数10GB，这种速度是4G移动网络的几百倍。对于5G网络而言，其在实际应用过程中表现出更加明显的优势及更加强大的功能，同时，传统网络攻击检测方式已逐渐无法适应日益增长的网络攻击速度更快、破坏力更大的需求，其产生的响应延迟高、信令拥塞、身份认证成本高等问题日益突出，因此，提出一种车联网的安全加密***与方法迅速持续发展具有重要意义。
请参照图1，图1为本公开实施例提供的一种车辆数据加密分析方法的流程示意图，所述方法包括步骤S101-S103。
在步骤S101中，边缘服务器获取智能车辆发送的车辆数据的加密分析请求。
结合图2所示，图2是车联网安全场景图，主要分为三个层面部分：1)智能车辆边缘节点层，包含：智能车辆，智能车辆均已配备车载单元(On Board Unit，简称OBU)，OBU具有计算、存储以及网络功能，同时OBU包含检测传感器(距离和光检测)、全球定位***(GlobalPositioning System，简称GPS)、视频和相机等子设备。主要实现共享智能车辆资源，行驶中或驻停状态中的智能车辆间互为分享者和受享者。2)连接层，包含：边缘服务器、固定边缘节点路侧单元(RSU)、基站(BS)等，实现本地业务，连接层中的固定边缘节点路侧单元(RSU)或典型的蜂窝基站(BS)连接到边缘服务器以进行高计算和存储能力。边缘服务器可以位于同一地点在BS或RSU。RSU比BS由于靠近车辆而为车辆服务智能车辆和移动边缘节点。在没有RSU覆盖的情况下，BS仍然可以为智能车辆提供边缘计算服务。3)核心层，可以包含大量高性能专用服务器，以实现出色的计算、存储能力。
首先，行驶中或驻停状态中的智能车辆通过已配备的车载单元(OBU)接入连接层，同时将车辆数据的加密分析请求通过BS或RSU传送给边缘服务器，边缘服务器获取智能车辆的加密分析请求。
在步骤S102中，所述边缘服务器对所述加密分析请求进行分析，得到加密分析方案。
在步骤S103中，所述边缘服务器将所述加密分析方案返回给所述智能车辆，以使所述智能车辆基于所加密分析方案对其车辆数据进行加密。
具体地，边缘服务器通过BS或RSU将加密分析方案返回给行驶中或驻停状态中的智能车辆。
本实施例中，利用多因素加密算法生成初始加密方案，再结合多层卷积神经元、监督学习等算法生成最终的加密分析方案，使最终的加密分析方案足够优，提高车联网数据的安全性，具体地，步骤S102包括以下步骤：
所述边缘服务器基于所述加密分析请求，利用多因素加密算法生成初始加密方案；
所述边缘服务器确定所述初始加密方案的优化参数；以及，
所述边缘服务器针对所述优化参数对所述初始加密方案进行分析，得到加密分析方案。
进一步地，本实施例利用多因素加密算法进行认证加密，生成初始加密方案，其中，所述加密分析请求中携带认证凭证及加密分析请求的时间戳，，所述多因素加密算法根据以下公式得到：
b∈(10，100)
式中，S_N表示认证凭证密文，S_N’表示认证凭证明文，T表示时间戳，b表示一次性随机数。
其中，认证加密为身份认证加密，即智能车辆的身份认证加密，在接收智能车辆的加密分析请求时获取智能车辆的身份，并首先利用多因素加密算法进行认证加密生成初始加密方案，使得初始加密方案中携带认证凭证，提高加密分析方案的安全性。
进一步地，多因素加密认证分析：当到达模型后(即边缘服务器接收到加密分析请求)，进行多因素加密认证分析，S1、S2、…Sn分别为待分析车辆数据分析请求(车辆数据分析请求均可被转换成二进制码并被存储)，被分析成相应的深度分析结果。若到来的车辆数据分析请求被延迟则被赋予当前较高分析调度优先权。
本实施例中，利用多因素加密算法动态生成初始加密方案，再确定初始加密的优化参数对初始加密方案进行优化，使最终的加密分析方案向最优的方式进行迁移，得到最优的加密方案，进一步解决车联网中响应延迟高、信令拥塞、身份认证成本高等问题。
进一步地，结合图3所示，所述边缘服务器针对所述优化参数对所述初始加密方案进行分析，得到加密分析方案，包括以下步骤：
a、所述边缘服务器设置迭代初始参数和最大迭代次数；
b、所述边缘服务器针对所述优化参数对所述初始加密方案进行深度分析，得到匹配度最优的中间加密方案；
c、所述边缘服务器判断所述匹配度最优的中间加密方案是否满足预设的评估条件，若满足预设的评估条件，则执行d，否则，执行e。
d、所述边缘服务器选择所述匹配度最优的中间加密方案作为加密分析方案；
e、所述边缘服务器判断当前迭代次数是否不大于所述最大迭代次数，若不大于所述最大迭代次数，则执行f，否则返回d所述边缘服务器选择所述匹配度最优的中间加密方案作为加密分析方案。
f、所述边缘服务器对所述优化参数进行深度无监督学习，得到迭代次数加1后的优化参数，返回执行所述边缘服务器针对所述优化参数对所述初始加密方案进行深度分析的步骤。
具体地，当中间加密方案不满足评估条件时，对该不满足条件的中间加密方案进行进一步迭代优化，然后对进一步迭代优化的中间加密方案的优化参数进行深度无监督学习，并在迭代次数达到最大时，选取该迭代此处的中间加密方案作为最终的加密分析方案。
需要说明的是，本实施例对初始加密方案以迭代循环的方式进行深度分析，其中，可以设置最大迭代参数为50，为避免无限迭代优化，在迭代次数达到50次时，默认为该方案已满足评估条件。
在一种实施方式中，所述优化参数包括拥塞率、单位认证成本及响应延迟率，所述优化参数以三维向量的形式存储为：
其中，
表示第k次迭代时的优化参数，k为迭代次数；i、j和t为维度，且i∈[1,m],j∈[1,n],t∈[1,q]，m、n、q分别标识维度最大值；
为第k次迭代时的拥塞率；
为第k次迭代时的单位认证成本；
为第k次迭代时的响应延迟率。
具体地，采用稀疏矩阵以三维形式存储中间加密方案，如图4所示，
所对应的i，j，t(即m、n、q坐标上的任意取值)的维度位置中存储各个优化参数。在一些实施例中，结合卷积神经元网络实现对初始加密方案的认证成本、响应延迟率和拥塞率的优化。
为进一步理解，本实施例中，每次迭代中的多层卷积神经元、深度无监督学习、多因素加密认证等策略思想为:在多维空间中，多个深度分析方案根据多层卷积神经元、深度无监督学习、多因素加密认证等策略方式向最优化任务优先方案确定的方向迁移，结合图5所示，车辆数据分析经过请求输入，多因素加密认证分析a、多层卷积神经元b、深度无监督学习c后输出相应分析结果。如图6所示，多层卷积神经元网络包含：拥塞率W(＝单位时间内车辆数据分析请求未被接收的量/单位时间总量)、响应延迟率E(＝单位时间内车辆数据分析无效占用时间量/单位时间总量)、单位认证成本C(＝单位时间内认证所耗算力/单位时间总量)，输出量包含：车辆数据分析方案的预推荐信息。
在一种实施方式中，所述边缘服务器针对所述优化参数对所述初始加密方案进行深度分析，根据以下公式得到：
式中，Min ZK表示第k次迭代时得到匹配度最优的中间加密方案，CGmin、EGmin、WGmin分别为历史最小加密成本、历史最小响应延迟率以及历史最小拥塞率。
具体地，通过对初始加密方案进行深度分析，根据上述公式在第k次迭代选择出历史最小加密成本、历史最小响应延迟率以及历史最小拥塞率的方案作为匹配度最优的中间加密方案。
在一种实施方式中，所述边缘服务器对所述优化参数进行深度无监督学习，得到迭代次数加1后的优化参数，根据以下公式得到：
式中，
表示迭代次数为第k+1次时的优化参数，包含
三方面的信息向量，
表示迭代次数为第k+1次时的单位认证成本，
表示迭代次数为第k+1次时的响应延迟率，
表示迭代次数为第k+1次时拥塞率，
表示迭代次数为第k+1次时的深度无监督学习加强因子。
其中，深度无监督学习加强因子
根据以下公式得到：
式中，CGmin表示历史最小单位认证成本，EGmin表示历史最小响应延迟率，WGmin表示历史最小拥塞率。
可以理解的是，
为变化增量，其可以理解为第k次迭代循环递归激励函数。
在一种实施方式中，所述边缘服务器判断所述匹配度最优的中间加密方案是否满足预设的评估条件，根据以下公式得到：
式中，
表示第k次迭代时的单位认证成本乘积概率，
表示第k次迭代时的响应延迟率乘积概率，
表示第k次迭代时的拥塞率乘积概率。
本实施例中，利用边缘服务器对智能车辆发送的加密分析请求进行加密分析并返回给相应的智能车辆，一方面，基于边缘服务器生成加密分析方案的方式可以有效解决响应延迟高、信令拥塞等问题，另一方面，基于本方案无需频繁进行身份认证，可以有效节约智能车辆对于车辆数据的认证成本。
请参照图7，图7为本公开上一实施例提供的另一种车辆数据加密分析方法的流程示意图，在上一实施例的基础上，本实施例在为智能车辆提供车辆数据加密方案的同时，为其生成服务方案，进一步提高车辆网数据的处理速度，具体地，所述加密分析请求中携带车辆数据，
所述边缘服务器获取智能车辆发送的车辆数据的加密分析请求之后，还包括步骤S701和步骤S702：
在步骤S701中，所述边缘服务器基于所述车辆数据生成服务分析方案；以及，
在步骤S702中，所述边缘服务器将所述服务器分析方案返回给所述智能车辆，以使所述智能车辆基于所述服务分析方案进行车辆导航。
具体地，行驶中或驻停状态中的智能车辆通过已配备的车载单元(OBU)接入连接层，同时将车辆数据分析请求通过BS或RSU传送给边缘服务器，边缘服务器根据车辆数据生成服务分析方案，其中服务分析方案可以为智能车辆提供部分服务，包括导航服务，还可以包括避撞、服务站提醒、车整体状况分析等服务，并将服务分析方案通过BS或RSU返回给行驶中或驻停状态中的智能车辆。
在一些实施例中，为保证服务分析方案的安全性，可以结合上述加密方案对服务分析方案进行加密后，返回给所述智能车辆，此处不再赘述。
基于相同的技术构思，本公开实施例相应还提供一种边缘服务器，如图8所示，所述边缘服务器包括存储器81和处理器82，所述存储器81中存储有计算机程序，当所述处理器82运行所述存储器81存储的计算机程序时，所述处理器82执行所述的车辆数据加密分析方法。
基于相同的技术构思，本公开实施例相应还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，所述处理器执行所述的车辆数据加密分析方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、***、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
Claims (11)
1.一种车辆数据加密分析方法，其特征在于，包括：
边缘服务器获取智能车辆发送的车辆数据的加密分析请求；
所述边缘服务器对所述加密分析请求进行分析，得到加密分析方案；以及，
所述边缘服务器将所述加密分析方案返回给所述智能车辆，以使所述智能车辆基于所加密分析方案对其车辆数据进行加密。
2.根据权利要求1所述的方法，其特征在于，所述加密分析请求中携带车辆数据，
所述边缘服务器获取智能车辆发送的车辆数据的加密分析请求之后，还包括：
所述边缘服务器基于所述车辆数据生成服务分析方案；以及，
所述边缘服务器将所述服务器分析方案返回给所述智能车辆，以使所述智能车辆基于所述服务分析方案进行车辆导航。
3.根据权利要求1所述的方法，其特征在于，所述边缘服务器对所述加密分析请求进行分析，得到加密分析方案，包括：
所述边缘服务器基于所述加密分析请求，利用多因素加密算法生成初始加密方案；
所述边缘服务器确定所述初始加密方案的优化参数；以及，
所述边缘服务器针对所述优化参数对所述初始加密方案进行分析，得到加密分析方案。
4.根据权利要求3所述的方法，其特征在于，所述加密分析请求中携带认证凭证及加密分析请求的时间戳，所述多因素加密算法根据以下公式得到：
b∈(10，100)
式中，S_N表示认证凭证密文，S_N’表示认证凭证明文，T表示时间戳，b表示一次性随机数。
5.根据权利要求3所述的方法，其特征在于，所述边缘服务器针对所述优化参数对所述初始加密方案进行分析，得到加密分析方案，包括：
所述边缘服务器设置迭代初始参数和最大迭代次数；
所述边缘服务器针对所述优化参数对所述初始加密方案进行深度分析，得到匹配度最优的中间加密方案；
所述边缘服务器判断所述匹配度最优的中间加密方案是否满足预设的评估条件；
若满足预设的评估条件，则所述边缘服务器选择所述匹配度最优的中间加密方案作为加密分析方案；
若不满足预设的评估条件，则所述边缘服务器判断当前迭代次数是否不大于所述最大迭代次数；
若不大于所述最大迭代次数，则所述边缘服务器对所述优化参数进行深度无监督学习，得到迭代次数加1后的优化参数，返回执行所述边缘服务器针对所述优化参数对所述初始加密方案进行深度分析的步骤；
若大于所述最大迭代次数，则所述边缘服务器选择所述匹配度最优的中间加密方案作为加密分析方案。
6.根据权利要求5所述的方法，其特征在于，所述优化参数包括拥塞率、单位认证成本及响应延迟率，所述优化参数以三维向量的形式存储为：
其中，
表示第k次迭代时的优化参数，k为迭代次数；i、j和t为维度，且i∈[1,m],j∈[1,n],t∈[1，q]，m、n、q分别表示维度最大值；
为第k次迭代时的拥塞率；
为第k次迭代时的单位认证成本；
为第k次迭代时的响应延迟率。
7.根据权利要求6所述的方法，其特征在于，所述边缘服务器针对所述优化参数对所述初始加密方案进行深度分析，根据以下公式得到：
式中，Min ZK表示第k次迭代时得到匹配度最优的中间加密方案，CGmin、EGmin、WGmin分别为历史最小单位认证成本、历史最小响应延迟率以及历史最小拥塞率。
8.根据权利要求6所述的方法，其特征在于，所述边缘服务器对所述优化参数进行深度无监督学习，得到迭代次数加1后的优化参数，根据以下公式得到：
式中，
表示迭代次数为第k+1次时的优化参数，包含
三方面的信息向量，
表示迭代次数为第k+1次时的单位认证成本，
表示迭代次数为第k+1次时的响应延迟率，
表示迭代次数为第k+1次时拥塞率，
表示迭代次数为第k+1次时的深度无监督学习加强因子；
其中，深度无监督学习加强因子
根据以下公式得到：
式中，CGmin表示历史最小单位认证成本，EGmin表示历史最小响应延迟率，WGmin表示历史最小拥塞率。
9.根据权利要求6所述的方法，其特征在于，所述边缘服务器判断所述匹配度最优的中间加密方案是否满足预设的评估条件，根据以下公式得到：
式中，
表示第k次迭代时的单位认证成本乘积概率，
表示第k次迭代时的响应延迟率乘积概率，
表示第k次迭代时的拥塞率乘积概率。
10.一种边缘服务器，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据权利要求1至9中任一项所述的车辆数据加密分析方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，所述处理器执行根据权利要求1至9中任一项所述的车辆数据加密分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011324347.3A CN112241547B (zh) | 2020-11-23 | 2020-11-23 | 车辆数据加密分析方法、边缘服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011324347.3A CN112241547B (zh) | 2020-11-23 | 2020-11-23 | 车辆数据加密分析方法、边缘服务器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112241547A true CN112241547A (zh) | 2021-01-19 |
| CN112241547B CN112241547B (zh) | 2023-06-06 |
Family
ID=74175349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011324347.3A Active CN112241547B (zh) | 2020-11-23 | 2020-11-23 | 车辆数据加密分析方法、边缘服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112241547B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108259158A (zh) * | 2018-01-11 | 2018-07-06 | 西安电子科技大学 | 一种云计算环境下高效和隐私保护的单层感知机学习方法 |
| CN108924198A (zh) * | 2018-06-21 | 2018-11-30 | 中国联合网络通信集团有限公司 | 一种基于边缘计算的数据调度方法、装置及*** |
| CN110324147A (zh) * | 2019-08-08 | 2019-10-11 | 黑龙江大学 | 基于混沌模型的gan博弈对抗加密***（方法） |
| CN110533816A (zh) * | 2019-09-03 | 2019-12-03 | 中国联合网络通信集团有限公司 | 一种电子指纹锁的授权指纹的远程加密方法和装置 |
| US20200019735A1 (en) * | 2016-09-15 | 2020-01-16 | Nuts Holdings, Llc | Structured data folding with transmutations |
| CN111163461A (zh) * | 2019-12-23 | 2020-05-15 | 中国联合网络通信集团有限公司 | 终端数据防篡改方法及***、防篡改服务器和存储介质 |
| CN111464282A (zh) * | 2019-01-18 | 2020-07-28 | 百度在线网络技术（北京）有限公司 | 基于同态加密的数据处理方法和装置 |
-
2020
- 2020-11-23 CN CN202011324347.3A patent/CN112241547B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200019735A1 (en) * | 2016-09-15 | 2020-01-16 | Nuts Holdings, Llc | Structured data folding with transmutations |
| CN108259158A (zh) * | 2018-01-11 | 2018-07-06 | 西安电子科技大学 | 一种云计算环境下高效和隐私保护的单层感知机学习方法 |
| CN108924198A (zh) * | 2018-06-21 | 2018-11-30 | 中国联合网络通信集团有限公司 | 一种基于边缘计算的数据调度方法、装置及*** |
| CN111464282A (zh) * | 2019-01-18 | 2020-07-28 | 百度在线网络技术（北京）有限公司 | 基于同态加密的数据处理方法和装置 |
| CN110324147A (zh) * | 2019-08-08 | 2019-10-11 | 黑龙江大学 | 基于混沌模型的gan博弈对抗加密***（方法） |
| CN110533816A (zh) * | 2019-09-03 | 2019-12-03 | 中国联合网络通信集团有限公司 | 一种电子指纹锁的授权指纹的远程加密方法和装置 |
| CN111163461A (zh) * | 2019-12-23 | 2020-05-15 | 中国联合网络通信集团有限公司 | 终端数据防篡改方法及***、防篡改服务器和存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| 孙林: "基于椭球凸集模型的多目标不确定性优化方法及其在车辆工程中的应用", 《中国优秀硕士学位论文全文数据库》, pages 002 - 1328 * |
| 曹咪等: "移动边缘计算安全问题与研究建议", 《信息通信技术》, vol. 13, no. 1, pages 67 - 65 * |
| 王智明等: "5G智能车联网安全研究初探", 《信息通信技术》, vol. 13, no. 6, pages 48 - 52 * |
| 贾智宇等: "5G时代,边缘云为电信运营商带来机遇与挑战", 《通信世界》, no. 22, pages 46 - 47 * |
| 赵文: "基于信道非线性变换的物理层加密方法与技术", 《中国博士论文全文数据库》, pages 136 - 15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112241547B (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | Blockchain and artificial intelligence for dynamic resource sharing in 6G and beyond | |
| Xu et al. | A computation offloading method for edge computing with vehicle-to-everything | |
| Yang et al. | A parallel intelligence-driven resource scheduling scheme for digital twins-based intelligent vehicular systems | |
| US11102630B2 (en) | Method for service placement in a multi-access/mobile edge computing (MEC) system | |
| CN112714178B (zh) | 一种基于车载边缘计算的任务卸载方法及装置 | |
| Billah et al. | A systematic literature review on blockchain enabled federated learning framework for internet of vehicles | |
| CN111339554A (zh) | 基于移动边缘计算的用户数据隐私保护方法 | |
| CN111163461B (zh) | 终端数据防篡改方法及***、防篡改服务器和存储介质 | |
| Gong et al. | Edge intelligence in intelligent transportation systems: A survey | |
| Manogaran et al. | Ant-inspired recurrent deep learning model for improving the service flow of intelligent transportation systems | |
| Vinita et al. | Federated Learning-based Misbehaviour detection on an emergency message dissemination scenario for the 6G-enabled Internet of Vehicles | |
| Lin et al. | Low-latency edge video analytics for on-road perception of autonomous ground vehicles | |
| Lee et al. | Design of V2X-based vehicular contents centric networks for autonomous driving | |
| Rahim et al. | An intelligent content caching protocol for connected vehicles | |
| Xiao et al. | Overcoming occlusions: Perception task-oriented information sharing in connected and autonomous vehicles | |
| Ragavan et al. | Traffic video‐based intelligent traffic control system for smart cities using modified ant colony optimizer | |
| Yuan et al. | A survey on computation offloading for vehicular edge computing | |
| Naren et al. | A survey on computation resource allocation in IoT enabled vehicular edge computing | |
| Zhang et al. | Federated learning in intelligent transportation systems: Recent applications and open problems | |
| CN112364365B (zh) | 工业数据加密方法、边缘服务器及计算机可读存储介质 | |
| CN112241547B (zh) | 车辆数据加密分析方法、边缘服务器及存储介质 | |
| Zhou et al. | Multi-period distributed delay-sensitive tasks offloading in a two-layer vehicular fog computing architecture | |
| Doe et al. | DSORL: Data Source Optimization With Reinforcement Learning Scheme for Vehicular Named Data Networks | |
| Li et al. | Task offloading under deterministic demand for vehicular edge computing | |
| Peixoto et al. | Design and development of a machine learning-based task orchestrator for intelligent systems on edge networks |
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 |