CN113301133B - 一种基于线性回归移动位置预测的gpsr路由安全改进方法 - Google Patents
一种基于线性回归移动位置预测的gpsr路由安全改进方法 Download PDFInfo
- Publication number
- CN113301133B CN113301133B CN202110521470.2A CN202110521470A CN113301133B CN 113301133 B CN113301133 B CN 113301133B CN 202110521470 A CN202110521470 A CN 202110521470A CN 113301133 B CN113301133 B CN 113301133B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- node
- data
- neighbor
- longitude
- 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.)
- Active
Links
- 238000012417 linear regression Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000033001 locomotion Effects 0.000 title claims abstract description 34
- 230000006872 improvement Effects 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 230000002093 peripheral effect Effects 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 10
- 230000006854 communication Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 239000011800 void material Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 230000008901 benefit Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000006855 networking Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005242 forging Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/34—Modification of an existing route
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于线性回归移动位置预测的GPSR路由安全改进方法,包括如下步骤:S10车辆周期性广播自身HELLO报文,同时接收邻居节点广播的HELLO报文后更新自身路由邻居列表;S20车辆发出位置预测请求,对邻居列表中节点的地理位置进行预测;S30车辆调用邻居节点校验算法,校正列表中的陈旧位置数据,排除恶意节点;S40车辆使用GPSR贪婪算法或周边转发算法选择最佳的路由节点,实现安全路由。本发明的一种基于线性回归移动位置预测的GPSR路由安全改进方法,设计了一种基于线性回归的移动位置预测模型,通过预测下一时刻车辆的行驶距离、预测车辆的运动方向后计算出车辆在下一秒所在经纬度,实现车辆实际位置的可靠性评估,保证了GPSR路由生成的正确性、有效性。
Description
技术领域
本发明涉及车联网应用技术领域,具体涉及一种基于线性回归移动位置预测的GPSR路由安全改进方法。
背景技术
车辆自组织网络(Vehicle ad-hoc network,VANET)旨在通过无线网络和信息技术,将“人-车-路-云”有机结合,进而达到保障交通安全、提高驾驶体验、拓展智能服务等目标。然而车辆联网动态变化,路由拓扑更新频繁,为维护通信网络路由安全带来极大的挑战。由于全球定位***正成为车辆的一个必备装置,实现基于位置的车载自组织网络路由协议成为可能。基于位置的路由协议通过邻居和目的节点的位置信息来进行路由决策,典型的有贪婪周边无状态协议(greedy perimeter stateless routing,GPSR)协议,该路由协议具有路由搭建过程迅速、扩展性强、时延及开销小等优势,被广泛使用于车联网。GPSR路由协议的移动车辆节点利用位置服务确定自身地理位置,生成含有位置信息的信标分组进行广播交互,建立邻居列表,并计算出最佳的路由转发邻居节点。由于信标分组是定时广播,GPSR协议存在以下安全问题:
1、信标分组的发送间隔选择问题。间隔时间过短,增加了信道开销,降低了通信效率,而间隔时间过长,会导致信标分组携带的地理位置无法及时反映车辆移动的情况,从而计算出错误的路由节点。
2、信标分组的可信问题。由于GPSR依赖邻居节点间定时交互信标分组来确定邻居的位置信息,而信标分组并没有认证机制保证数据的可信。恶意攻击节点可以通过伪造信标分组,误导其他车辆的路由计算而获利。
这两个问题的本质都是信标分组中地理位置信息可信度的问题。一些学者对此做了研究。如,杨建喜等建立了一种基于D-S证据理论的信任模型,用“区间估计”灵活度量节点信任程度,甄别恶意节点,提高网络性能。霍钰昕改进GPSR协议,优化路由选择过程,将消息回传的路由路径与车辆规划路径结合,以提高消息回传成功率。胥建鹏针对GPSR路由算法邻居表过期问题、贪婪路由判据不足等问题提出改进方案。张好基于GPSR协议增加了位置预测功能,保证数据传输过程中的完整性。
但上述方案均未解决GPSR协议的路由决策前邻居节点位置信息的真实、有效问题,同时,也没考虑信标分组发送间隔导致的位置信息过时问题。因此以上方案依旧可以导致路由伪造、欺骗和等安全攻击,也会因计算错误,导致路由判决不准确,降低车联网络可用性。
GPSR协议生成路由、计算出最优下一跳依靠的是所收集的邻居位置信息,而邻居位置信息有可能因恶意节点造假或者时延问题,无法确保真实有效性,因此改进的路由协议需要对接收的邻居节点位置进行可靠性评估,可靠性评估采用基于线性回归的位置预测算法。
发明内容
为了解决上述问题,本发明提供一种基于线性回归移动位置预测的GPSR路由安全改进方法,设计了一种基于线性回归的移动位置预测模型,首先预测下一时刻车辆的行驶距离,再预测车辆的运动方向,最后结合预测的行驶距离及方向数据计算出车辆在下一秒所在经纬度,实现对接收车辆实际位置进行可靠性评估,保证了GPSR路由生成的正确性、有效性。
为了实现以上目的,本发明采取的一种技术方案是:
一种基于线性回归移动位置预测的GPSR路由安全改进方法,包括如下步骤:S10车辆周期性广播自身HELLO报文,同时接收邻居节点广播的HELLO报文后更新自身路由邻居列表;S20车辆发出位置预测请求,激活邻居位置预测算法,对邻居列表中节点的地理位置进行预测;S30车辆调用邻居节点校验算法,校正列表中的陈旧位置数据,排除恶意节点;S40车辆使用GPSR贪婪算法或周边转发算法选择最佳的路由节点,实现安全路由。
进一步地,所述S10步骤包括:S11车辆通过GPS获取经纬度坐标,根据自身的速度变化计算出加速度,生成并广播HELLO报文;S12 RSU存储车辆历史位置数据,RSU接收HELLO报文后,验证|Tnow-Ti|<ΔT是否成立,不成立,丢弃该广播帧;成立则验证签名,判断是否为(VID,Ti),若验证错误,丢弃该广播帧;正确则使用私钥SR对报文中VID、经纬度坐标、时间戳等数据进行签名:
生成时间戳、车辆VID与该签名的映射结构,作为车辆的历史位置数据;S13 RSU所在区块链***调用共识机制,由***内其余RSU节点协同背书认证数据,返回半数以上认证成功结果后,RSU将车辆历史位置数据存入区块分支,最终同步于区块链网络;S14车辆接收通信范围内其余车辆广播的HELLO报文,验证其时效性及完整性后,将报文中的VID及位置信息记录在自己的邻居列表中;其中,VID为车辆的唯一身份标识;(lon,lat)为地理坐标的经度、纬度值;Ti为时间戳;a为车辆Ti时刻的加速度;MAC为车辆用私钥进行的报文签名,以防止中间人攻击,具体为MAC=SignSV(VID,Ti),Pvi是车辆公钥。
进一步地,所述S20步骤包括:S21车辆在执行GPSR协议,计算下一跳路由节点时,利用邻居列表获取所有邻居的VID值,向RSU发出位置预测请求,激活区块链的智能合约邻居位置预测算法,利用位置预测模型对车辆下一时刻的经纬度坐标进行预测;S22 RSU将预测结果返回至车辆:
其中,VID为被预测车辆的身份标识;(latn,lonn)为预测结果;RSU使用私钥签名结果返回至车辆。
进一步地,所述邻居位置预测算法的具体流程如下:S211输入:VID(车辆身份)、T(时间戳);S212根据VID值检索车辆的历史坐标信息,激活智能合约travel()函数,根据VID遍历区块链,检索车辆历史时间段内的n个经纬度坐标;S213调用dis()函数,预测行驶距离S;提取节点最新坐标时间戳Tn-1,计算Δt=|T-Tn-1|;根据公式计算车辆在微分时间段dt内行驶的距离;根据公式/>计算出Δt时间段内行驶的距离S;S214调用dire()函数,预测车辆运动方向,先计算各时刻车辆的方位角数据,根据方位角计算出速度方向β,再结合历史速度方向数据,建立线性回归方程,预测出当前车辆运动方向βn=α0+α1βi+…+αn-1βn-1+ε;S215根据预测的行驶距离及速度方向,预测出T时刻邻居的经纬度坐标(latn,lonn)。
进一步地,所述位置预测模型为:SS216首先预测车辆在Tn-1~Tn时段内Vn-1与Vn间行驶距离L,方法为利用微分方程模型预测Tn时刻加速度,由加速度计算出Tn-1~Tn时段内的累计行驶距离L;S217根据加速度计算公式,对车辆在Δt=|Tn-1-Tn|时段内行驶路程距离S进行预测;S2***Vn-1与Vn间车辆行驶改变的速度方向β,先计算出车辆运动过程中方位角的变化,求得相应的速度方向,再通过建立关于车辆运动速度方向的线性回归方程,预测当前车辆速度方向β;S219最后根据Tn-1时刻的车辆经纬度坐标(Jn-1,Wn-1)、Vn与Vn-1间距离L及速度方向β,计算出Vn所处经纬度坐标(Jn,Wn),结合预测出的行驶距离S,Tn-1时刻车辆的经纬度坐标(Jn-1,Wn-1),求Vn点在Tn时刻的经纬度坐标(Jn,Wn)。
进一步地,所述邻居节点校验算法为:S31输入:预测结果(latn,lonn);邻居列表中经纬度数据(lon,lat);S32若|lonn-lon|+|latn-lat|<ε成立,表明数据与预测结果相符,节点坐标信息可信,保留邻居节点位置信息;若不成立,执行步骤S33;S33若|lonn-lon|+|latn-lat|<ε±δ成立,表明数据与预测结果偏差在可容忍范围内,此HELLO报文可能为陈旧数据,以预测数据代替原有坐标数据;S34若|lonn-lon|+|latn-lat|>ε±δ,判断此邻居节点伪造坐标信息,节点位置数据不可信,将其从邻居列表中删除。
进一步地,所述S40步骤包括:S41通常情况下,GPSR协议处于贪婪转发状态,车辆选择覆盖范围内,离目的节点地理距离最近的邻居节点作为下一跳路由节点;S42若自身与目标节点距离最近,无法找到合适的下一跳节点,即出现路由空洞现象,转发机制切换至周边转发状态,通过右手定则绕过空洞,选取下一跳节点。
本发明的上述技术方案相比现有技术具有以下优点:
(1)本发明的一种基于线性回归移动位置预测的GPSR路由安全改进方法,设计了一种基于线性回归的移动位置预测模型,模型对车辆历史行为数据进行训练,通过微分方程预测车辆行驶距离;利用线性回归模型,预测车辆速度方向数据,最后预测出车辆的经纬度坐标,校验GPSR路由邻居列表,改进路由协议的安全漏洞,实现对接收车辆实际位置进行可靠性评估,保证了GPSR路由生成的正确性、有效性。
(2)本发明的一种基于线性回归移动位置预测的GPSR路由安全改进方法,创新性地结合区块链技术,保证车辆历史行为数据的不可篡改、不可伪造及可追溯性,弥补GPSR路由协议中的安全漏洞。
(3)本发明的一种基于线性回归移动位置预测的GPSR路由安全改进方法,设计了一种邻居位置预测算法,对邻居列表中节点的地理位置真实性进行预测,排除恶意节点和超时地理信息。
(4)本发明的一种基于线性回归移动位置预测的GPSR路由安全改进方法,设计了一种邻居节点校验算法,通过判断预测结果与列表数据偏差程度,校正陈旧位置数据,排除恶意节点。
附图说明
下面结合附图,通过对本发明的具体实施方式详细描述,将使本发明的技术方案及其有益效果显而易见。
图1所示为本发明一实施例的基于线性回归移动位置预测的GPSR路由安全改进方法流程图;
图2所示为本发明一实施例的车联网环境下基于线性回归移动位置预测的GPSR安全路由协议的***流程图;
图3所示为本发明一实施例的车联网环境下基于线性回归移动位置预测的GPSR安全路由协议的***架构图;
图4所示为本发明一实施例的位置预测模型图;
图5所示为本发明一实施例的邻居发现流程图;
图6所示为本发明一实施例的HELLO报文格式图;
图7所示为本发明一实施例的邻居表格式图;
图8所示为本发明一实施例的邻居位置预测算法;
图9所示为本发明一实施例的地球模型图;
图10所示为本发明一实施例的邻居节点校验算法;
图11所示为本发明一实施例的距离预测效果图;
图12所示为本发明一实施例的速度方向预测结果图;
图13所示为本发明一实施例的线性回归模型系数拟合结果图;
图14所示为本发明一实施例的车辆行使轨迹预测图;
图15所示为本发明一实施例的时延对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例提供了一种基于线性回归移动位置预测的GPSR路由安全改进方法,如图1~2所示,包括如下步骤:S10车辆周期性广播自身HELLO报文,同时接收邻居节点广播的HELLO报文后更新自身路由邻居列表。S20车辆发出位置预测请求,激活邻居位置预测算法,对邻居列表中节点的地理位置进行预测。S30车辆调用邻居节点校验算法,校正列表中的陈旧位置数据,排除恶意节点。S40车辆使用GPSR贪婪算法或周边转发算法选择最佳的路由节点,实现安全路由。
如图3所示,基于线性回归移动位置预测的GPSR路由安全改进的***包括车辆节点(OBU)以及路侧单元(RSU)。OBU为车辆在道路上快速移动的通信节点。车辆通过GPS等定位设备获取自身地理位置信息,并周期性以HELLO报文广播形式发布,同时接收邻居节包含位置信息的HELLO报文。为保证路由安全,需通过RSU验证邻居节点位置信息。RSU一般是位于道路两侧或路口的固定通信节点,提供OBU的接入服务,在本方法中部署有区块链***,负责存储、训练车辆历史位置数据,为车辆节点提供实时的安全路由计算。其中位置预测模型如图4所示。
如图5所示,通过GPSR协议进行路由的第一步是发现邻居节点,根据邻居节点广播的HELLO报文,更新自身路由邻居列表。所述S10步骤包括:S11车辆通过GPS获取经纬度坐标,根据自身的速度变化计算出加速度,生成并广播HELLO报文。S12 RSU存储车辆历史位置数据,RSU接收HELLO报文后,验证|Tnow-Ti|<ΔT是否成立,不成立,丢弃该广播帧;成立则验证签名,判断是否为(VID,Ti),若验证错误,丢弃该广播帧;正确则使用私钥SR对报文中VID、经纬度坐标、时间戳等数据进行签名:/>生成时间戳、车辆VID与该签名的映射结构,作为车辆的历史位置数据。S13 RSU所在区块链***调用共识机制,由***内其余RSU节点协同背书认证数据,返回半数以上认证成功结果后,RSU将车辆历史位置数据存入区块分支,最终同步于区块链网络。S14车辆接收通信范围内其余车辆广播的HELLO报文,验证其时效性及完整性后,将报文中的VID及位置信息记录在自己的邻居列表中。其中,如图6所示,VID为车辆的唯一身份标识;(lon,lat)为地理坐标的经度、纬度值;Ti为时间戳;a为车辆Ti时刻的加速度;MAC为车辆用私钥进行的报文签名,以防止中间人攻击,具体为MAC=SignSV(VID,Ti),Pvi是车辆公钥。验证HELLO报文的时效性及完整性后,将报文中的VID及位置信息记录在自己的邻居列表中,结构如图7所示。
为了排除恶意节点和超时地理信息,方法对邻居列表中节点的地理位置真实性进行预测。所述S20步骤包括:S21车辆在执行GPSR协议,计算下一跳路由节点时,利用邻居列表获取所有邻居的VID值,向RSU发出位置预测请求,激活区块链的智能合约——邻居位置预测算法,利用位置预测模型对车辆下一时刻的经纬度坐标进行预测。
如图8所示,所述邻居位置预测算法的具体流程如下:S211输入:VID(车辆身份)、T(时间戳)。S212根据VID值检索车辆的历史坐标信息,激活智能合约travel()函数,根据VID遍历区块链,检索车辆历史时间段内的n个经纬度坐标。S213调用dis()函数,预测行驶距离S。提取节点最新坐标时间戳Tn-1,计算Δt=|T-Tn-1|。根据公式计算车辆在微分时间段dt内行驶的距离。根据公式/>计算出Δt时间段内行驶的距离S。S214调用dire()函数,预测车辆运动方向,先计算各时刻车辆的方位角数据,根据方位角计算出速度方向β,再结合历史速度方向数据,建立线性回归方程,预测出当前车辆运动方向βn=α0+α1βi+…+αn-1βn-1+ε。S215根据预测的行驶距离及速度方向,预测出T时刻邻居的经纬度坐标(latn,lonn)。
以检索5辆车前10s内的10个经纬度坐标(Ji,Wi)(i=1,2,..10)为例。调用dis()函数,预测行驶距离S:根据10s内10组数据{ai,...,an-1},拟合出增长率r,求得下一秒车辆的加速度为:根据公式计算10s内行驶距离S为:
调用dire()函数,预测车辆运动方向:(1)计算10s内的每一秒,车辆相对前一时刻产生的方位角θk,当车辆在1s、10s时经纬度坐标分别
(108.95014,34.24608)(108.94838,34.24609),Vi-1与Vi方位角可表示为θi=∠CVi-1Vi。如图10所示,记a=∠ViOC=90-Wi,b=Vi-1OC=90-Vi-1,c=∠ViOVi-1,θi=∠CVi-1Vi(Vi与Vi-1的方位角),β=平面角Vi-1-OC-Vi。计算c的余弦值为:
cos(c)=cos(90-Wi)×cos(90-Wi-1)+sin(90-Wi)×sin(90-Wi-1)×cos(Ji-Ji-1)
c的正弦:
根据球面正弦公式就可计算出Vi-1,Vi两点连线的方位角θ,其表达式为:/>根据上述公式,可以计算出车辆Vi在某时刻与上一时刻运动的方位角为θk(k=1,…,10)。
(2)计算10s内,每秒车辆的速度方向值βk:已知Vi-1点经纬度(Ji-1,Wi-1),Vi点经纬度(Ji,Wi),令xi=Ji-Ji-1,yi=Wi-Wi-1,向量可表示为(xi,yi)。
设Vi-1,Vi所在直线的斜率为起始速度方向β0:
以向量为基准,由向量旋转公式,得下一时刻的运动向量/>
其中,θ'i=θi+1-θi为相较于β0的旋转角度。
则下一秒的速度方向为βi:
由上述公式,可计算出10s内不同时刻车辆速度方向值βk(k=1,…,10)。
(3)建立线性回归模型:
βn=α0+α1βi+…+αn-1βn-1+ε
根据上述公式估计出第11s车辆速度方向βn;
根据预测的行驶距离及速度方向,预测出T时刻邻居的经纬度坐标(latn,lonn):求出c的角度:
建立方程组:得Vn点在Tn时刻的经纬度坐标(108.963,34.245);S22 RSU将预测结果返回至车辆:/>其中,VID为被预测车辆的身份标识;(latn,lonn)为预测结果;RSU使用私钥签名结果/>返回至车辆。
所述位置预测模型为:假设移动车辆都安装了GPS定位***,可以方便获取实时的地理位置经纬度值。模型中将地球看作球体,Vi-1~Vn为球体上某些任意点,以Vi和Vn两点说明,点Vi为车辆在Ti时刻所在位置,Vi的经纬度坐标为(Ji,Wi)。点Vn为车辆在Tn时刻所在位置,Vn的经纬度坐标为(Jn,Wn)(其中Ti<Tn)。点O为地心,点C为北极点。
SS216首先预测车辆在Tn-1~Tn时段内Vn-1与Vn间行驶距离L,方法为利用微分方程模型预测Tn时刻加速度,由加速度计算出Tn-1~Tn时段内的累计行驶距离L。
设t时刻车辆加速度为连续、可微函数a(t),单位时间加速度增长率为常数r,初始时刻t=0的加速度为a0,单位时间内的加速度为:
a(0)=a0 公式2
加速度函数可表示为:
a(t)=an-1ert 公式3
根据[Ti,Tn-1]内n-i组数据{ai,...,an-1},拟合出增长率r,求得Tn时刻车辆的加速度为:
S217根据加速度计算公式,对车辆在Δt=|Tn-1-Tn|时段内行驶路程距离S进行预测;为使车辆行驶距离预测更为精确,将Δt进一步微分,对dt时段内车辆行驶距离进行估计:
Δt内行驶距离S为:
S2***Vn-1与Vn间车辆行驶改变的速度方向β,先计算出车辆运动过程中方位角的变化,求得相应的速度方向,再通过建立关于车辆运动速度方向的线性回归方程,预测当前车辆速度方向β;
模型对车辆运动过程按时间分隔,并计算出连续间隔时刻内系列方位角(θk)的值,从而获得车辆在此时间内的历史运动速度方向数据(βk),然后建立基于速度方向的线性回归模型:
βn=α0+α1βi+…+αn-1βn-1+ε 公式7
由最小二乘法思想,求解回归模型系数(α0,α1,…αn-1),进而预测接下来的速度方向βn。
线性回归模型生成过程如下:
(1)计算Ti~Tn-1内各时刻,车辆相对前一时刻产生的方位角θk
当车辆在Ti-1,Ti时刻经纬度坐标分别为(Ji-1,Wi-1),(Ji,Wi),Vi-1与Vi方位角可表示为θi=∠CVi-1Vi。
记a=∠ViOC=90-Wi,b=Vi-1OC=90-Vi-1,c=∠ViOVi-1,θi=∠CVi-1Vi(Vi与Vi-1的方位角),β=平面角Vi-1-OC-Vi。
由三角面余弦公式得:
cos(c)=cos(a)×cos(b)+sin(a)×sin(b)×cos(β) 公式8
则c的余弦值为:
cos(c)=cos(90-Wi)×cos(90-Wi-1)+sin(90-Wi)×sin(90-Wi-1)×cos(Ji-Ji-1) 公式9
c的正弦:
根据球面正弦公式就可计算出Vi-1,Vi两点连线的方位角θ,其表达式为:
根据公式11,可以计算出车辆在某时刻与上一时刻运动的方位角为θk(k=i,…,n-1)。
(2)计算Ti~Tn-1时段内,各时刻的速度方向值βk:
已知Vi-1点经纬度(Ji-1,Wi-1),Vi点经纬度(Ji,Wi),令xi=Ji-Ji-1,yi=Wi-Wi-1,向量可表示为(xi,yi)。
设Vi-1,Vi所在直线的斜率为起始速度方向β0:
以向量为基准,由向量旋转公式,得下一时刻的运动向量/>
其中,θ'i=θi+1-θi为相较于β0的旋转角度。
则下一时刻的速度方向为βi:
由公式14,可计算出Ti~Tn-1时段内不同时刻车辆速度方向值βk(k=i,…,n-1)。
(3)建立线性回归模型
设由步骤(1)、(2)计算出m组数据,每组包含连续n-i个方向数据,公式7可以矩阵式表示如下:
其中,α0为y轴截距,α1,...,αn-1为斜率(即回归系数),ε为误差项。
设
则矩阵可表达为
Y=X·α 公式17
其误差方程为J(α):
使用最小二乘法求解J(α)的极小值:
令偏导数为0,求得α:
α=(XTX)-1XTy 公式20
根据公式20求出系数{α0,α1,..,αn},从而预测出Tn时刻的速度的方向:
βn=α0+α1βi+…+αn-1βn-1+ε 公式21
根据公式21估计出Tn时刻车辆速度方向βn。
S219最后根据Tn-1时刻的车辆经纬度坐标(Jn-1,Wn-1)、Vn与Vn-1间距离L及速度方向β,计算出Vn所处经纬度坐标(Jn,Wn),结合预测出的行驶距离S,Tn-1时刻车辆的经纬度坐标(Jn-1,Wn-1),求Vn点在Tn时刻的经纬度坐标(Jn,Wn)。
求出c的角度:
建立方程组:
得Vn点在Tn时刻的经纬度坐标(Jn,Wn)。
S22 RSU将预测结果返回至车辆:其中,VID为被预测车辆的身份标识;(latn,lonn)为预测结果;RSU使用私钥签名结果/>返回至车辆。
如图9所示,所述邻居节点校验算法为:S31输入:预测结果(latn,lonn);邻居列表中经纬度数据(lon,lat)。S32若|lonn-lon|+|latn-lat|<ε成立,表明数据与预测结果相符,节点坐标信息可信,保留邻居节点位置信息;若不成立,执行步骤S33,S33若|lonn-lon|+|latn-lat|<ε±δ成立,表明数据与预测结果偏差在可容忍范围内,此HELLO报文可能为陈旧数据,由于广播HELLO报文存在一定时间间隔,无法保证列表中数据为车辆当前位置信息,为保证路由决策精准度,以预测数据代替原有坐标数据。S34若|lonn-lon|+|latn-lat|>ε±δ,判断此邻居节点伪造坐标信息,节点位置数据不可信,将其从邻居列表中删除。
所述S40步骤包括:S41通常情况下,GPSR协议处于贪婪转发状态,车辆选择覆盖范围内,离目的节点地理距离最近的邻居节点作为下一跳路由节点。S42若自身与目标节点距离最近,无法找到合适的下一跳节点,即出现路由空洞现象,转发机制切换至周边转发状态,通过右手定则绕过空洞,选取下一跳节点。
本发明与现有技术相比具有如下优势
1.通信数据安全性:通信过程中,车辆与RSU间使用公私钥密码体制EIGamal算法进行加密,以防止非法节点窃听通信数据。证明如下:
车辆对自身HELLO报文进行签名:车辆计算Hash值,x=H(HELLO),选取随机整数ri,满足1≤ri≤q-1且gcd(ri,q-1)=1。
①计算:S1=αrimodq
②计算:ri -1mod(q-1)
③计算:S2≡ri -1(m-SviS1)mod(q-1)
④签名为(S1,S2)
RSU可用OBU的公钥解密:
①计算:V1=αxmodq
②计算:V2=(Pvi)S1(S1)S2modq
若V1=V2,签名合法。证明如下:假设V1=V2
x-SviS1≡riS2mod(q-1)
x-SviS1≡riri -1(x-SviS1)mod(q-1)
仅拥有自身私钥的车辆才可以对消息签名,其余节点使用车辆公钥即可认证签名,保证消息的完整性及不可否认性。
2.防重放攻击:HELLO报文中附带时间戳。当RSU及其余车辆节点接收报文时,会验证报文中时间戳Ti与当前时刻的差值是否大于阈值ΔT。若差值过大,表明报文已过时无效,丢弃该报文。因此,当攻击者希望通过历史数据或截获数据进行路由欺骗时,网络中其余节点会及时发现。
3.数据安全性:车辆历史数据安全性
RSU验证车辆HELLO报文的合法性后,将报文内容转换为时间、地理位置双维度的历史时空数据,并为数据进行签名
存储于区块链网络。
区块链是以密码学方式将数据按时间顺序存储的分布式去中心化账本,可以有效解决车联网时空数据的安全性,保证车辆节点历史数据的不可篡改、不可否认及可追溯性,实现数据的安全存储和高效查询。
为验证方案可行性,本发明对预测模型的正确性与方法可行性进行分析。
1、预测模型正确性
本发明采用2018年1月西安市车辆的速度、经纬度等数据进行仿真实验,数据以1秒为一个时间单位,共统计11组,其中前10组的数据用于建立预测模型,剩余一组用于检验模型的正确性。
为建立预测模型,使用MATLAB工具结合车辆历史行为数据,首先预测前10s时间段内车辆的行驶距离,再预测下一秒车辆的运动方向,最后结合预测的行驶距离及方向数据计算出车辆在下一秒所在经纬度。为验证模型正确性,将模拟车辆行驶轨迹与真实数据进行比较。建立模型具体过程如下:
1)预测10s内车辆行驶距离
已知车辆初始运动速度为26.715km/h,初始加速度0.04km/h,模型通过建立微分方程:
首先预测出下一时刻车辆的加速度值为-0.2625km/h。再对10s时段进行微积分,利用加速的与距离公式预测车辆的行驶距离:
预测10s内车辆的行驶距离S=42.786m。预测结果如图11所示,虽然预测距离与实际距离误差随着时间的增加有所增大,但控制在5米以内,可达到预测效果。
2)预测车辆下一秒的速度方向
模型根据车辆各时刻的经纬度坐标,计算出每10s内车辆方位角的变化,进而计算出车辆速度方向数据。本方法对5组车辆的速度方向数据进行预测,结果如图12所示,可见车辆在正常行驶时,其速度方向变化平稳。
建立线性回归模型:
βn=α0+α1βi+…+αn-1βn-1+ε
拟合线性回归系数。由图13可见,回归系数维持在0.035左右,在第7点后保持稳定。将各时刻的历史方向数据置入线性回归模型,预测出其中一辆车在下一时刻速度方向值为-0.47。
最后结合预测的行驶距离及方向数据计算出该车辆下一秒的经纬度坐标,模拟出车辆行驶轨迹,并与真实数据进行比较。预测结果如图14所示,前6s为车辆历史行为轨迹,从第7秒开始预测车辆地理坐标,共测试7轮。预测结果表明,虽然预测有所偏差,但误差维持在6m以内,不会影响对可疑节点的筛选,预测模型可正确预测车辆所在地理位置,监测车辆节点短时间内的位置变化,从而校验陈旧数据、排除恶意节点。
2、安全路由可行性
为验证方案可行性,本方法采用Ubuntu***搭建Fabric区块链平台(表1),对改进后路由协议的可行性、时延进行测试。本方法创建3个peer节点作为RSU设施,存储、共识车辆的历史位置数据,为车辆提供位置预测、邻居节点校验等服务。
表1仿真工具
实验模拟不同车辆密度条件下,区块链***对路由服务响应的时延。结果如图15所示,实验检测车辆平均速度为25m/s状态下,车辆节点向区块链网络请求安全路由服务所需时延,横坐标为车辆密度,纵坐标为响应时延。结果表明,相对传统GPSR路由算法,因增加了邻居节点位置预测、节点校正环节导致路由生成时延有所增长,但时延均控制在45ms内,满足车联网路由时延的需求,证明本方案的可行性。
以上所述仅为本发明的示例性实施例,并非因此限制本发明专利保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (3)
1.一种基于线性回归移动位置预测的GPSR路由安全改进方法,其特征在于,包括如下步骤:
S10车辆周期性广播自身HEELO报文,同时接收邻居节点广播的HEELO报文后更新自身路由邻居列表;
S20车辆发出位置预测请求,激活邻居位置预测算法,对邻居列表中节点的地理位置进行预测;
S30车辆调用邻居节点校验算法,校正列表中的陈旧位置数据,排除恶意节点;
S40车辆使用GPSR贪婪算法或周边转发算法选择最佳的路由节点,实现安全路由;
S20步骤包括:
S21车辆在执行GPSR协议,计算下一跳路由节点时,利用邻居列表获取所有邻居的VID值,向RSU发出位置预测请求,激活区块链的智能合约邻居位置预测算法,利用位置预测模型对车辆下一时刻的经纬度坐标进行预测;
S22 RSU将预测结果返回至车辆:
其中,VID为被预测车辆的身份标识;(latn,lonn)为预测结果;RSU使用私钥签名结果返回至车辆;
邻居位置预测算法的具体流程如下:
S211输入:VID车辆身份、T时间戳;
S212根据VID值检索车辆的历史坐标信息,激活智能合约travel()函数,根据VID遍历区块链,检索车辆历史时间段内的n个经纬度坐标;
S213调用dis()函数,预测行驶距离S;
提取节点最新坐标时间戳Tn-1,计算Δt=|T-Tn-1|;
根据公式计算车辆在微分时间段dt内行驶的距离;
根据公式计算出Δt时间段内行驶的距离S;
S214调用dire()函数,预测车辆运动方向,先计算各时刻车辆的方位角数据,根据方位角计算出速度方向β,再结合历史速度方向数据,建立线性回归方程,预测出当前车辆运动方向βn=α0+α1βi+…+αn-1βn-1+ε;
S215根据预测的行驶距离及速度方向,预测出T时刻邻居的经纬度坐标(latn,lonn);
所述位置预测模型为:
S216首先预测车辆在Tn-1~Tn时段内Vn-1与Vn间行驶距离L,方法为利用微分方程模型预测Tn时刻加速度,由加速度计算出Tn-1~Tn时段内的累计行驶距离L;
S217根据加速度计算公式,对车辆在Δt=|Tn-1-Tn|时段内行驶路程距离S进行预测;
S2***Vn-1与Vn间车辆行驶改变的速度方向β,先计算出车辆运动过程中方位角的变化,求得相应的速度方向,再通过建立关于车辆运动速度方向的线性回归方程,预测当前车辆速度方向β;
S219最后根据Tn-1时刻的车辆经纬度坐标(Jn-1,Wn-1)、Vn与Vn-1间距离L及速度方向β,计算出Vn所处经纬度坐标(Jn,Wn),结合预测出的行驶距离S,Tn-1时刻车辆的经纬度坐标(Jn-1,Wn-1),求Vn点在Tn时刻的经纬度坐标(Jn,Wn);
邻居节点校验算法为:
S31输入:预测结果(latn,lonn);邻居列表中经纬度数据(lon,lat);
S32若|lonn-lon|+|latn-lat|<ε成立,表明数据与预测结果相符,节点坐标信息可信,保留邻居节点位置信息;若不成立,执行步骤S33;
S33若|lonn-lon|+|latn-lat|<ε±δ成立,表明数据与预测结果偏差在可容忍范围内,此HEELO报文可能为陈旧数据,以预测数据代替原有坐标数据;
S34若|lonn-lon|+|latn-lat|>ε±δ,判断此邻居节点伪造坐标信息,节点位置数据不可信,将其从邻居列表中删除。
2.根据权利要求1所述的基于线性回归移动位置预测的GPSR路由安全改进方法,其特征在于,所述S10步骤包括:
S11车辆通过GPS获取经纬度坐标,根据自身的速度变化计算出加速度,生成并广播HEELO报文;
S12 RSU存储车辆历史位置数据,RSU接收广播HEELO报文后,验证|Tnow-Ti|<ΔT是否成立,不成立,丢弃广播HEELO报文;成立则验证签名,判断是否为(VID,Ti),若验证错误,丢弃广播HEELO报文;正确则使用私钥SR对报文中VID、经纬度坐标、时间戳数据进行签名:
生成时间戳、车辆VID与该签名的映射结构,作为车辆的历史位置数据;
S13RSU所在区块链***调用共识机制,由***内其余RSU节点协同背书认证数据,返回半数以上认证成功结果后,RSU将车辆历史位置数据存入区块分支,最终同步于区块链网络;
S14车辆接收通信范围内其余车辆广播的HEELO报文,验证其时效性及完整性后,将报文中的VID及位置信息记录在自己的邻居列表中;
其中,VID为车辆的唯一身份标识;(lon,lat)为地理坐标的经度、纬度值;Ti为时间戳;a为车辆Ti时刻的加速度;MAC为车辆用私钥进行的报文签名,以防止中间人攻击,具体为MAC=SignSV(VID,Ti),Pvi是车辆公钥。
3.根据权利要求1所述的基于线性回归移动位置预测的GPSR路由安全改进方法,其特征在于,所述S40步骤包括:
S41通常情况下,GPSR协议处于贪婪转发状态,车辆选择覆盖范围内,离目的节点地理距离最近的邻居节点作为下一跳路由节点;
S42若自身与目标节点距离最近,无法找到合适的下一跳节点,即出现路由空洞现象,转发机制切换至周边转发状态,通过右手定则绕过空洞,选取下一跳节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110521470.2A CN113301133B (zh) | 2021-05-13 | 2021-05-13 | 一种基于线性回归移动位置预测的gpsr路由安全改进方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110521470.2A CN113301133B (zh) | 2021-05-13 | 2021-05-13 | 一种基于线性回归移动位置预测的gpsr路由安全改进方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113301133A CN113301133A (zh) | 2021-08-24 |
CN113301133B true CN113301133B (zh) | 2024-01-09 |
Family
ID=77321932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110521470.2A Active CN113301133B (zh) | 2021-05-13 | 2021-05-13 | 一种基于线性回归移动位置预测的gpsr路由安全改进方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113301133B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114422086B (zh) * | 2022-01-25 | 2024-07-02 | 南京航空航天大学 | 基于流量预测和共识算法的无人机自组网自适应mac协议的方法 |
CN114827000B (zh) * | 2022-03-25 | 2023-04-21 | 华南理工大学 | 基于链路生存时间位置预测的gpsr路由协议转发方法 |
CN115714629B (zh) * | 2023-01-06 | 2023-05-09 | 广州通达汽车电气股份有限公司 | 一种时间的同步方法、装置、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110059091A (ko) * | 2009-11-27 | 2011-06-02 | 재단법인대구경북과학기술원 | 차량 에드혹 네트워크에서 송신 차량으로부터 목적지 차량으로 데이터를 전달하는 방법 |
CN103581016A (zh) * | 2013-11-21 | 2014-02-12 | 上海第二工业大学 | 一种车辆网络路由方法 |
CN103974373A (zh) * | 2014-05-26 | 2014-08-06 | 北京邮电大学 | 一种车载网络路由方法与装置 |
CN105592138A (zh) * | 2015-10-19 | 2016-05-18 | 中山大学 | 一种路口ad hoc节点辅助的城市车载路由协议方法 |
CN106572512A (zh) * | 2016-07-18 | 2017-04-19 | 吉林大学 | 一种车载网络gpsr路由协议中贪婪转发方法 |
CN107690169A (zh) * | 2017-09-22 | 2018-02-13 | 广州大学 | 一种适用于车联网的gpsr路由协议的转发方法 |
CN109462836A (zh) * | 2018-11-09 | 2019-03-12 | 长安大学 | 融合区块链共识机制的车联网恶意节点检测***及方法 |
CN109561392A (zh) * | 2018-12-04 | 2019-04-02 | 东华大学 | 一种车联网行驶环境自适应动态感知路由 |
CN110139335A (zh) * | 2019-05-22 | 2019-08-16 | 南京大学 | 一种基于节点位置信息和可用容量的移动Ad Hoc网络路由方法 |
CN111093172A (zh) * | 2019-11-27 | 2020-05-01 | 上海工程技术大学 | 一种gpsr车联网路由数据转发方法 |
CN111988381A (zh) * | 2020-08-07 | 2020-11-24 | 南通大学 | 一种基于HashGraph的车联网分布式信任***及信任值计算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011133016A2 (en) * | 2010-04-20 | 2011-10-27 | Dr Ir Tee Clarence Augustine Teck Huo | Junction adaptive reactive routing (jarr) protocol for vehicular ad-hoc networks in a city environment [1-3]. |
-
2021
- 2021-05-13 CN CN202110521470.2A patent/CN113301133B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110059091A (ko) * | 2009-11-27 | 2011-06-02 | 재단법인대구경북과학기술원 | 차량 에드혹 네트워크에서 송신 차량으로부터 목적지 차량으로 데이터를 전달하는 방법 |
CN103581016A (zh) * | 2013-11-21 | 2014-02-12 | 上海第二工业大学 | 一种车辆网络路由方法 |
CN103974373A (zh) * | 2014-05-26 | 2014-08-06 | 北京邮电大学 | 一种车载网络路由方法与装置 |
CN105592138A (zh) * | 2015-10-19 | 2016-05-18 | 中山大学 | 一种路口ad hoc节点辅助的城市车载路由协议方法 |
CN106572512A (zh) * | 2016-07-18 | 2017-04-19 | 吉林大学 | 一种车载网络gpsr路由协议中贪婪转发方法 |
CN107690169A (zh) * | 2017-09-22 | 2018-02-13 | 广州大学 | 一种适用于车联网的gpsr路由协议的转发方法 |
CN109462836A (zh) * | 2018-11-09 | 2019-03-12 | 长安大学 | 融合区块链共识机制的车联网恶意节点检测***及方法 |
CN109561392A (zh) * | 2018-12-04 | 2019-04-02 | 东华大学 | 一种车联网行驶环境自适应动态感知路由 |
CN110139335A (zh) * | 2019-05-22 | 2019-08-16 | 南京大学 | 一种基于节点位置信息和可用容量的移动Ad Hoc网络路由方法 |
CN111093172A (zh) * | 2019-11-27 | 2020-05-01 | 上海工程技术大学 | 一种gpsr车联网路由数据转发方法 |
CN111988381A (zh) * | 2020-08-07 | 2020-11-24 | 南通大学 | 一种基于HashGraph的车联网分布式信任***及信任值计算方法 |
Non-Patent Citations (3)
Title |
---|
《Movement Prediction-based Routing (MOPR) Concept for Position-based Routing in Vehicular Networks》;Menouar, Hamid;《2007 IEEE 66TH VEHICULAR TECHNOLOGY CONFERENCE》;全文 * |
《基于区块链技术的车联网高效匿名认证方案》;陈葳葳;《Journal of Computer Applications》;全文 * |
《面向车载自组织网络路由的轨迹预测算法》;黎阳;《计算机研究与发展》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113301133A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113301133B (zh) | 一种基于线性回归移动位置预测的gpsr路由安全改进方法 | |
Kumar et al. | Black hole attack detection in vehicular ad-hoc network using secure AODV routing algorithm | |
Pournaghi et al. | NECPPA: A novel and efficient conditional privacy-preserving authentication scheme for VANET | |
Cui et al. | Efficient privacy-preserving scheme for real-time location data in vehicular ad-hoc network | |
CN111083098B (zh) | 一种基于隐私保护的可信lbs服务协议实现方法 | |
Rostamzadeh et al. | A context-aware trust-based information dissemination framework for vehicular networks | |
Rabieh et al. | Privacy-preserving route reporting schemes for traffic management systems | |
WO2019041896A1 (zh) | 一种基于虚拟Mix-zone的VANETs位置隐私保护***及方法 | |
Park et al. | Defense against Sybil attack in the initial deployment stage of vehicular ad hoc network based on roadside unit support | |
Jaballah et al. | Fast and secure multihop broadcast solutions for intervehicular communication | |
CN112911549B (zh) | 一种基于区块链信任模型的gpsr安全路由协议实现方法 | |
Ying et al. | Pseudonym changes scheme based on candidate-location-list in vehicular networks | |
Bhoi et al. | SIR: a secure and intelligent routing protocol for vehicular ad hoc network | |
Hamed et al. | Sybil attack detection in urban VANETs based on RSU support | |
Khatoun et al. | A reputation system for detection of black hole attack in vehicular networking | |
Hesham et al. | A dynamic key distribution protocol for PKI-based VANETs | |
Park et al. | Long-term reputation system for vehicular networking based on vehicle's daily commute routine | |
Singh et al. | MPFSLP: Masqueraded probabilistic flooding for source-location privacy in VANETs | |
Shokrollahi et al. | TGRV: A trust-based geographic routing protocol for VANETs | |
Nebbou et al. | An urban location service for vehicular area networks | |
Pouyan et al. | Sybil attack detection in vehicular networks | |
Gazdar et al. | A secure cluster‐based architecture for certificates management in vehicular networks | |
Didouh et al. | Blockchain-based collaborative certificate revocation systems using clustering | |
Eckhoff et al. | SmartRevoc: An efficient and privacy preserving revocation system using parked vehicles | |
Azizi et al. | RTRV: An RSU-assisted trust-based routing protocol for VANETs |
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 |