董文远,丁任霜,黄文艳,张光华

1(河北科技大学 信息科学与工程学院,石家庄 050018)2(河北师范大学 数学与信息科学学院,石家庄 050024)

1 引 言

近年来,随着新一代信息和通信技术(例如4G、5G)的发展,汽车保有量持续快速增长,一方面造成了车辆缺乏统一管理、数据安全等问题,另一方面使车辆进一步受人为因素影响[1,2].因而,人们对车辆有序运行、信息安全的需求越来越迫切.车载社交网络(Vehicular Social Network VSN)应运而生,并成为政府、工业界与学术界共同关注的热点问题.VSN是一类特殊的车载自组织网,既考虑车载用户之间的人为因素,又包含车载用户之间的通信,同时为车载用户提供各种服务信息,但是也相应的存在安全问题[3-5].

对于VSN安全问题的研究主要集中在认证机制、隐私保护、安全通信协议、信任机制等[6,7].信任机制是解决VSN中其它安全问题的重要一环.信任机制通过计算车辆节点信任度,排除恶意车辆节点和自私车辆节点,帮助转发车辆节点从多个下一跳车辆节点中选择安全、有效、质优的车辆进行合作.然而,现有的信任机制忽略了信任可靠度,导致信任度不可靠时信任管理机制失效[8,9].

本文考虑到可靠度对信任机制带来的影响,在VSN中,提出了一种基于雾计算的信任评估算法(Trust evaluation scheme of vehicle social network based on fog computing,TEVSNF),该算法在车载自组织网信任模型的基础上增加了可靠度和人为因素,利用车辆交互时间、车辆相隔距离、车辆所在区域计算下一跳车辆节点全局信任的信任度和可靠度,并采取最高信任优选算法进行决策;最后,基于雾计算技术实现该信任评估算法.

本文的其余部分安排如下:第2节介绍相关的工作,第3节提出了一种基于可靠度的车载社交网络信任评估算法,第4节利用雾计算技术实现该信任评估算法,第5节介绍了仿真实验并探究了实验结果,第6节对全文进行总结,并探讨下一步工作.

2 相关工作

目前,车载自组织网的信任机制很多,大致可分为传统车载自组织网的信任机制和车载社交网络的信任机制两种.在传统车载自组织网的信任机制中,信任管理模型只考虑车辆节点之间的交互行为,复杂性低[10-15];在车载社交网络的信任机制中,不仅考虑到车辆节点之间的交互行为,还考虑到人为因素,复杂性高,但评估出的信任度准确[16-21].

在传统车载自组织网中,信任机制的研究较多,文献[10]提出了一种新的信任计算和路由技术,该技术将车联网中特定时间点的车辆数量划分成多个网格,并在每个网格中放置一个可信的权限,这样不仅能够增强信任模型,还可以查找出恶意行为.文献[11,12]提出了一种基于区块链的车辆网络信任管理机制,该机制利用区块链去中心化方法有效的收集、计算和存储信任值,提高信任模型的可靠性,保护车辆隐私.文献[13]提出了一种基于证据组合的车辆抗攻击协同信任管理方案,该方案将局部数据与外部证据相结合,在恶意节点比例较大的情况下抵御恶意攻击、选择性错误攻击和实效性攻击.文献[14]提出了一种保护节点排名隐私的信任投票算法,该算法利用同态密码系统隐藏车辆的反馈信息,防止恶意车辆提供超出节点范围的反馈值,确保在恶意车辆存在的情况下正确计算可信度.文献[15]提出了一种基于博弈论的信任模型,该模型引入时间衰减函数来提高信任评价的准确性和动态适应能力,进而激励车辆提供高质量的服务.上述这些方案虽然在车载自组织网中建立了信任模型,但均没有考虑到是人为因素和可靠度对信任模型的影响,分组投递率较低.

在车载社交网络中,一些学者们也做了相应研究.文献[19]提出了一种基于信任的车载社交网络架构(TACASHI),TACASHI将车载自组织网和在线社交网络连接起来,以便根据司机和乘客的在线社交网络档案来评估车辆可信度,进而获取更加可靠的信任模型.文献[20]提出了一种基于云计算的车载社交网络信任评估方案,该方案将车辆历史信任、邻居车辆信任和朋友车辆信任作为计算全局信任的依据,能够较好的评估节点信誉值,促进车辆信息交互.文献[21]在车载自组织网中提出了一种基于应用的混合信任管理系统,以保证信息的可信性,该系统由两个模块组成:电子邮件信任模块和社交网络信任模块,通过这两个模块,车辆可以计算相应的信任值,并从邻居车辆中查询信任状态.上述方案虽然考虑到人为因素对信任模型的影响,但并未提及信任数据的可靠度.

综上所述,一方面是针对传统车载自组织网而设计的信任模型;另一方面是针对车载社交网络而设计的信任模型,均未考虑到可靠度对信任模型的影响.基于以上,为了提高车载信任模型的可靠度,促进车辆之间合作,在车载社交网络信任模型的基础上,提出了一种基于雾计算的信任评估算法.

3 信任评估算法的设计

为了准确地计算出下一跳车辆节点信任值,并提高交互成功率,信任评估算法的设计可分为两个阶段,如图1所示.第一阶段(信任评估),转发车辆节点请求获取下一跳车辆节点全局信任,之后雾节点存储转发车辆节点、下一跳车辆节点、推荐车辆节点和朋友车辆节点的历史交互信息,考虑到时间衰减函数、距离衰减函数和区域影响函数对信任度和可靠度的影响,从历史信任、直接信任、推荐信任和朋友信任四个方面进行分析,求出下一跳车辆节点的全局信任,并发送至转发车辆节点.第二阶段(信任决策),转发车辆节点收到多个下一跳车辆节点全局信任后,利用最高信任优选算法选择下一跳车辆节点进行交互.

图1 信任评估算法的工作流程Fig.1 Working process of trust evaluation algorithm

在图1中,信任度、可靠度的定义如下.

信任度信任度是指转发车辆节点对下一跳车辆节点的交互能力预期判断,信任度受交互相隔时间的影响,代表该节点对其他节点的交互能力的评价.信任度的取值范围为[0,1]:0表示对其他节点绝对不信任,1表示对其他节点绝对信任.

可靠度可靠度是描述信任数据的可靠程度,可靠度受交互信任度相隔时间、交互车辆节点相隔距离、交互车辆节点所在区域、信任来源等因素的影响.可靠度的取值范围为[0,1]:0代表信任数据评估绝对不可靠,1代表信任数据评估绝对可靠.

3.1 信任评估

本节中,为了确定下一跳车辆节点的信任值,需要定义一些符号,如表1所示.

3.1.1 数据存储

在信任评估算法中,信任评估过程无论是计算历史信任HT、直接信任DT、推荐信任RT还是朋友信任FT,均需车辆交互数据的参与,雾节点需要存储3类数据.

1)历史交互列表Hall,从中读取历史信任与直接信任计算所需的历史数据,包含节点历史信任度、节点历史可靠度、交互节点信息、交互信任度信息、交互时间信息、交互次数等.

2)节点推荐列表Rall,从中读取推荐信任与朋友信任计算所需的邻居数据,包含交互节点信息、推荐节点信息、交互信任度、交互时间信息、交互次数等.

3)节点推荐可靠度列表SRall,从中读取转发节点对推荐节点的信任程度,包含推荐节点信息,推荐节点位置,推荐正确次数,推荐错误次数,推荐时间.

4)朋友节点可靠度列表FRall,从中读取转发节点对朋友节点的信任程度,包含朋友节点信息和朋友节点所在区域.

表1 符号的定义
Table 1 Define the symbol

符号含义n交互次数hti转发车辆节点对下一跳车辆节点历史信任度ti转发车辆节点与下一跳车辆节点交互所处时间shti转发车辆节点对下一跳车辆节点的可靠度rdti推荐车辆节点对下一跳车辆节点的信任度rsdti推荐车辆节点对下一跳车辆节点的可靠度sri推荐节点可靠度fdti朋友车辆节点对下一跳车辆节点的信任度fsdti朋友车辆节点队下一跳车辆节点的可靠度fri朋友节点可靠度drrsi推荐信任中转发车辆节点对下一跳车辆节点的可靠度dfrsi朋友信任中转发车辆节点对下一跳车辆节点的可靠度IFL(m)与转发车辆节点在同一区域的朋友节点列表EFL(m)与转发车辆节点在不同区域的朋友节点列表

3.1.2 直接信任

直接信任为转发车辆节点与下一跳车辆节点直接交互产生的信任值,受转发车辆交互信息和交互相隔时间因素影响.

如算法1所示,转发车辆节点对下一跳车辆节点的直接信任计算步骤如下.

步骤1.读取转发车辆节点对下一跳车辆节点的历史信任度hti和发生时间ti.

步骤2.计算直接信任度DT.如果某一hti有较高的可靠度,说明参考价值高,应该提高该数据对DT的影响;反之,若hti的可靠度较低,说明参考价值低,应该降低该数据对DT的影响.历史信任度hti具有时效性,随着时间的延长,hti的可靠度降低,为了便于本文研究,令hti的可靠度shti=α(t-ti),α为时间影响函数,t代表当前时间,ti代表记录hti发生的时间.

综上,可求出DT的计算公式,如公式(1)所示.

(1)

假定转发车辆节点对下一跳车辆节点不存在历史信任值时DT取0.5.

步骤3.计算直接信任度的可靠度SDT.如果直接信任度DT和历史信任度hti的离散度较低,说明节点信任度稳定,DT与当前节点真实信任度预计偏差较小,即DT拥有较高的可靠度;反之,如果DT和hti的离散度较大,DT与节点真实信任值存在较大的偏差,所以DT结论不可靠,

综上所述,直接信任的可靠度与历史信任度的离散度有关,直接信任的可靠度计算方法见公式(2).

(2)

当没有历史信任度时取值0.表示历史记录不可靠.

算法1.直接信任评估

1 Inputs:hti(F),ti(F)

2 Outputs:DT,SDT

3 Fortido

4 Calculateshti;

5 End for

6 Forhtido

7 CalculateDT;

8 End for

9 Forshtido

10 CalculateSDT

11 End for

12 End

3.1.3 推荐信任

推荐信任为车载社交网络中推荐车辆节点提供给转发车辆节点的信任值,受两个方面影响,一是推荐车辆节点对下一跳车辆节点的信任度和可靠度,二是转发车辆节点对推荐车辆节点的可靠度,与推荐车辆节点到转发车辆节点的距离有关.

区域内推荐车辆节点在选择上必须满足两个条件:

①转发车辆节点与推荐车辆节点曾经发生交互;

②转发车辆节点与下一跳车辆节点曾经发生交互;当区域内推荐车辆节点不足时,选择区域外满足①和②条件的车辆节点.

如算法2所示,转发车辆节点A对下一跳车辆节点B的推荐信任计算步骤如下.

步骤1.获取推荐车辆节点关于下一跳车辆节点的直接信任度DT和可靠度SDT.利用3.1.2节中直接信任的计算方法计算出每个推荐车辆节点的DT与SDT.将处理后的数据序列记为推荐直接信任度序列RDT和推荐直接信任可靠度序列RSDT.令序列RDT={rdt1,rdt2,…,rdtk}为推荐车辆节点的直接信任度序列,RSDT={rsdt1,rsdt2,…,rsdtk}为推荐车辆节点的直接信任可靠度序列.

步骤2.计算转发车辆节点对推荐车辆节点的可靠度序列SR={sr1,sr2,…,srk}.在推荐信任中,转发车辆节点对推荐车辆节点的可靠度受距离因素影响,距离越远可靠度越低,距离越近可靠度越高,推荐车辆节点的可靠度srk=β(d-dk),β为距离影响函数,d代表转发节点所在位置,di为推荐车辆节点所在位置.

步骤3.计算推荐车辆节点的综合可靠度序列

DRRS={drrs1,drrs2,…,drrsk}.转发车辆节点需要从两个方面计算rdtk的可靠度:1)推荐车辆节点对rdtk的可靠度rsdtk;2)转发车辆节点对推荐车辆节点的可靠度srk.综上,本文使用drrsk=rsdtk×srk表达转发车辆节点F对rdtk的综合可靠度.

步骤4.计算推荐信任度RT.如果推荐车辆节点的直接信任度rdtk对应的综合可靠度drrsk较高,说明转发车辆节点认为推荐车辆节点可靠且rdtk比较准确,所以rdtk参考价值高,应该提高rdtk对RT的影响;反之,若rdtk对应的综合可靠度较低,说明转发车辆节点认为推荐车辆节点不可靠或rdtk不准确,则降低rdtk对RT的影响.

综上,可求出推荐信任度RT的计算方法,如公式(3)所示,rn为推荐车辆节点数量.

(3)

步骤5.计算推荐信任可靠度SRT.考虑到社交网路中众多车辆节点公认的结果更加可靠,众多车辆节点存在分歧的结果不可靠.当推荐信任的离散度较低,说明RT的结论是众多车辆节点公认的结果,拥有较高的可靠度;反之,推荐信任的离散度较高,说明推荐车辆节点对下一跳车辆节点的信任度存在较大分歧,RT的结果不可靠,

综上所述,推荐信任的可靠度计算方法如公式(4)所示.

(4)

算法2.推荐信任评估

1 Inputs:IRL(F),ERL(F),SRall

2 Outputs:RT,SRT

3 If rn in the region is sufficient

4 For allk∈IRL(F) do

5 Calculaterdtkandrsdtk;

6 Forsrkandrsdtkdo

7 Calculatedrrsk;

8 Forddrskdo

9 CalculateRT;

10 ForRTandrdtkdo

11 CalculateSRT;

12 End for

13 End for

14 End for

15 End for

16 Else

17 For allk∈{IRL(F)∪ERL(F)} do

18 Repeat 5 to 15;

19 End for

20 End

3.1.4 朋友信任

朋友信任为车载用户中朋友车辆节点提供的信任度,朋友车辆节点由于朋友车辆节点数量少且分布在不同的区域,为此,引入区域影响函数来提高朋友信任的可靠度.

1)朋友车辆节点

朋友车辆节点为车辆驾驶员在社会关系中朋友所处的车辆节点.在车载社交网络中,利用字典编辑法确认朋友车辆节点,主要考虑两个方面:1)与转发车辆节点相遇频数fm,2)与转发车辆节点相遇时间长短tm.如表2和表3所示,fmax代表相遇次数多,fmin代表相遇次数少,tmax代表相遇时间长,tmix代表相遇时间短.

从表2中可知N=N1和N=N2时,fm最大,于是优选出方案N1和N2.其次,从表3中进行优选,选出N=N1时,tm最大,因此,N2是选中的朋友车辆节点.

2)朋友信任计算

如算法3所示,转发车辆节点和下一跳车辆节点之间朋友信任计算步骤如下.

步骤1.获取朋友车辆节点关于下一跳车辆节点的直接信任度和可靠度.与3.1.3节中推荐信任的步骤1类似,可求出朋友车辆节点的直接信任序列FDT和可靠度序列FSDT,记FDT={fdt1,fdt2,…,fdtm}和FSDT={fsdt1,fsdt2,…,fsdtm}.

步骤2.从FRall中获取不同区域内朋友车辆节点的可靠度frm.在朋友信任中,可靠度frm与区域影响函数χ有关,距离该区域越远的朋友车辆节点可靠度越低.转发车辆节点从ERm中读取不同区域内朋友车辆节点的可靠度frm,FR={fr1,fr2,…,frm}为朋友车辆节点的可靠度序列.

表2 节点属性
Table 2 Node property

属性N1N2N3N4fmfmaxfmaxfminfmintmtmaxtmintmaxtmin

步骤3.计算朋友车辆节点的综合可靠度序列

DFRS={dfrs1,dfrs2,…,dfrsm}.转发车辆节点需要从两个方面考虑fdtm的可靠度:1)朋友车辆节点关于fdtm的可靠度fdtm;2)转发车辆节点对不同区域内朋友车辆节点的可靠度frm.综上,本文使用dfrsm=fsdtm×frm表达转发车辆节点F对fdtm的可靠度.

表3 方案优选
Table 3 Scheme optimization

属性N1N2tmtmaxtmin

步骤4.计算朋友信任度FT.如果朋友车辆节点m的直接信任度fdtm对应的综合可靠度dfrsm较高,说明转发车辆节点认为fdtm可靠,所以应该提高fdtm对FT的影响;反之,则降低fdtm对FT的影响.

综上,可求出朋友信任度FT的计算方法,如公式(5)所示.

(5)

步骤5.计算朋友信任可靠度SFT.同3.1.3中推荐信任的步骤五,可求出朋友信任的可靠度计算方法,如公式(6)所示,fn为朋友节点数量.

(6)

算法3.朋友信任评估

1 Inputs:IFL(F),EFL(F),FRall

2 Outputs:FT,SFT

3 For allm∈{IFL(F)∪EFL(F)} do

4 Calculatefdtmandfsdtm;

5 For allFRallandfsdtmdo

6 Calculatedfrsm;

7 For alldfrsmdo

8 CalculateFT;

9 For allFTandfdtmdo

10 CalculateSFT;

11 End for

12 End for

13 End for

14 End for

15 End

3.1.5 历史信任

为了增加对下一跳车辆节点的正确评估,需要考虑下一跳车辆节点自身的信任度与可靠度,从Hall中获取下一跳车辆节点的历史信任度HT和历史信任可靠度SHT.

3.1.6 全局信任

如算法4所示,车辆节点的全局信任由直接信任、推荐信任、朋友信任和历史信任构成.全局信任定义见公式(7).

GT=ωDT+ξFT+ΨRT+ζHT

(7)

其中ω代表直接信任权重,ξ代表推荐信任权重,Ψ代表朋友信任权重,ζ代表历史信任权重.由公式(8-11)计算得到.

(8)

(9)

(10)

(11)

在车载社交网络中,人类往往认为车辆的直接信任最可靠,其次是朋友信任、历史信任和推荐信任.但在实际过程中,转发车辆节点与下一跳车辆节点交互过少可能导致直接信任度更加不可靠,无法准确确定权重.本文从直接信任可靠度、朋友信任可靠度、推荐信任可靠度和历史信任可靠度四个方面考虑权重.可靠度越大,全局信任中占有比重就越大.

算法4.全局信任评估

1 Inputs:DT、FT、RT、HT、SDT、SFT、SRT、SHT

2 Outputs:GT

3 ForSDT、SFT、SRTandSHTdo

4 Calculateω、ξ、ψandζ;

5GT=ωDT+ξFT+ψRT+ζHT;

6 andω+ξ+ψ+ζ=1;

7 End for

8 End

3.2 信任决策

为了提高交互的成功率,促进车辆节点之间的合作.转发车辆节点在进行信息转发前,根据全局信任GT从多个下一跳车辆节点中选择一个下一跳车辆节点进行信息交互.

针对多个下一跳车辆节点,目前存在两种决策算法:

1)最高信任优选算法;

2)基于信任度的随机算法.一些学者认为最高优选算法中信任度最高的节点容易陷入“被选择—获得信任—又被选中”的死循环和承受较大的访问压力,因此选用基于信任度的随机算法进行决策.

然而,由于车载社交网络中节点的高移动性和区域化,同一区域内信任度最高的节点时刻发生变化,不存在信任度最高的节点陷入“被选择—获得信任—又被选中”的死循环和承受较大的访问压力的问题.同时,信任度高的节点较为可靠、稳定和安全,因此本文选择最高信任优选算法,从下一跳车辆节点中选择全局信任度最高的车辆节点进行交互,如算法5所示.

算法5.最高信任优选算法

1 Inputs:GT

2 Outputs:IN

3 For allgti∈GTdo

4 CalculateIN=maxnode(gti);

5 If(number(IN)>1)

6 Interact with theIN;

7 Else

8 select n min(IN);

9 End if

10 End for

11 End

4 信任评估算法的实现

4.1 通用社交网络架构

具体来说,基于云计算的通用社交网络架构是一个三级信任管理机制,主要包括云计算层(CCL)、雾计算层(FCL)和车载终端层(VTL),不同的层次有不同的职责,也有其特殊的功能,各层之间相互联系,相互合作.下面将对通用社交网络架构进行详细介绍[22-24],如图2所示.

图2 通用社交网络架构Fig.2 Universal social networking architecture

云计算层云计算层主要由中央服务器构成,与全局信任评估机制相关联,具有强大的计算和存储能力,主要是维护VSN中所有认证车辆的信息,制定合理的信息传递方案,并为雾计算层与车载终端层的交互提供信息服务.

雾计算层雾计算层由性能较弱、具有存储和计算能力的雾节点构成,可以直接与覆盖区域内的RSU相连接.雾节点作为RSU站点,一方面将RSU收集的车辆信息进行分析、处理、过滤,及时应对紧急事件,在选择性的把一部分信息发送给其他雾节点或云计算层.另一方面,它们可以将云计算层的数据或车载终端层上传的数据缓存在本地,尽可能地将计算任务在本地处理.在VSN中引入雾节点可以协助云计算层完成信任评估,实现数据实时共享,降低了云计算层的压力,提高了传输效率.

车载终端层车载终端层由车载网络中的RSU和车载终端构成.RSU负责收集区域内的车辆信息(包括车辆历史交互信息、推荐节点信息、节点推荐可靠度信息、车辆信息、车流量信息等),并将这些信息发送给区域内的车辆和雾节点.车载终端接入网络后,可以快速获取雾节点所提供的服务,大大降低了时延.

4.2 算法实现

为了实现第3节中的信任评估算法,在通用社交网络架构的基础上,本节提出了基于雾计算的车载社交网络架构(Vehicle social network architecture based on fog computing,FC-SIOV).

根据通用社交网络架构,本节将对FC-SIOV的实现过程进行说明,主要包括四个部分:

1)车辆单元;

2)RSU;

3)雾节点;

4)中央云服务器.

车辆单元作为车载社交网络中的基本元素,负责向RSU提供个人信息和采取相应的方案.RSU收集区域内的车辆信息,为雾节点提供本地服务.雾节点是一个基本站,与RSU和车辆相连,专注于数据收集与信息处理.中央云服务器主要是分析和存储雾节点提供的数据结果.

图3 VSN中信任评估算法的实现过程Fig.3 Implementation of trust evaluation algorithm in VSN

如图3所示.在步骤1中,转发车辆节点向雾节点发送一个获取下一跳车辆节点信任值的请求.从而,雾节点开始收集相关信息并计算.其中,步骤2-步骤4为直接信任度和可靠度的评估过程,雾节点与RSU进行交互,获取转发车辆节点与下一跳车辆节点的Hall.步骤5-步骤9为推荐信任度和可靠度的评估过程,当区域内推荐车辆节点充足,雾节点根据RSU发送的信息直接求解推荐信任度和可靠度(步骤5-步骤6),否则,需从中央云服务器中获取区域外的推荐节点信息在做运算(步骤7-步骤8).步骤10-步骤15为朋友信任度和可靠度的评估过程,包括区域内朋友车辆节点(步骤10-步骤11)和区域外朋友车辆节点(步骤12-步骤14).步骤16-步骤17为下一跳车辆节点历史信任度和可靠度的获取过程.步骤18,雾节点根据DT、FT、RT、HT、SDT、SFT、SRT、SHT计算出下一跳车辆节点的全局信任GT.最后,将求解的GT发送给转发车辆节点进行决策(步骤19-步骤20)并转发给中央云服务器进行更新.

5 实验分析

5.1 仿真模型

本文使用NS-2仿真模拟器建立模型,模拟车联网中车辆节点的信息转发过程.设置四组实验,A组采用TEVSNF模型,B组采用基于云计算的信任评估模型,C组采用无VVM的基于云计算的信任评估模型,D组未采用任何模型.以此来验证TEVSNF模型的性能.

表4 参数设置
Table 4 Set the parameters

主要参数参数值路径损耗模型Two Ray Ground路由协议AODV通信协议IEEE 802.11p恶意攻击方式黑洞攻击、协同黑洞攻击车辆类型正常车辆、自私车辆、恶意车辆、朋友车辆区域2000∗2000(m∗m)车辆信息传输范围100(m)车辆运行速度0-40(m/s)车载数量(0,100)车辆移动方式随机移动

实验共设置了1个云服务器中心、3个雾节点,10个RSU节点,100个车辆节点.RSU节点将2000*2000(m*m)的区域划分为10个小区域.100个车辆节点中包括82个正常车辆节点、10个朋友车辆节点、5个自私车辆节点和3个恶意车辆节点.将仿真时间依次设置为50s、100s、150s、200s、250s、300s,其他实验主要参数设置见表4.

5.2 性能分析

在车辆速度变化的情况下,本文将4组实验从端到端传输时延、误检率、分组投递率和开销四个方面分析验证TEVSNF模型.端到端传输时延反映了数据分组从发送节点传递到目的节点所用时间,误检率反映了检测机制将恶意节点检测为正常节点的概率,分组投递率反映了目的节点成功接收的数据分组比例,网络开销反映了车载自组织网中消耗的能量.下一步将讨论实验的结果.

5.2.1 端到端传输时延

图4显示了在车辆速度提高时,TEVSNF与文献[15]模型及文献[20]模型的端到端传输时延测试结果.由图4可知,随着车辆速度的不断提高,TEVSNF与对照模型在端到端传输时延上均有所上升.但是,TEVSNF引入了雾计算技术,不依赖处于中心位置的远程服务器,支持车载社交网络的高移动性,在数据包传递的过程中,加快了处理数据的进程,从而在端到端传输时延上始终要低于其他模型.

图4 端到端传输时延随车辆节点速度的变化情况Fig.4 Change of End-to-end transmission delay with the speed of vehicle node velocity

5.2.2 误检率

图5显示了在车辆速度不断增大的情况下,TEVSNF与文献[15]模型及文献[20]模型的误检率测试.由图5可知,随着车辆速度的不断增大,TEVSNF与文献[15]模型及文献[20]模型呈现误检率上升的趋势.与其他三种信任模型相比,TEVSNF引入信任度、可靠度、时间衰减函数、距离衰减函数和区域影响函数,提高了全局信任的准确性,从而降低了在检测恶意节点时因信任值不准确所造成的误差,保持误检率最低.

图5 误检率随车辆节点速度的变化情况Fig.5 Change of malicious node error detection rate with the vehicle node velocity

5.2.3 分组投递率

图6显示了TEVSNF与文献[15]模型及文献[20]模型在车辆速度不断增加时,目的车辆节点成功接收的数据分组比例.由图6可知,随着车辆速度的不断增加,TEVSNF与文献[15]模型及文献[20]模型均呈现分组投递率下降的态势,无VVM的文献[20]模型下降幅度最大,其次为有VVM的文献[20]模型和文献[15]模型,TEVSNF下降幅度最小.相较于其他模型,TEVSNF采取最高信任优选算法,从下一跳车辆节点中选择全局信任最高的车辆节点进行数据包传递,降低了自私节点和恶意节点对信息交互的影响,维持较高的分组投递率.

5.2.4 网络开销

图7是TEVSNF与另外两种信任模型的网络开销对比图.可以看出,随着车辆速度的增加,TEVSNF、文献[15]和文献[20]的信任模型开销逐渐增加,而TEVSNF采用的信任模型开销明显大于文献[15]和文献[20]中的方法.因为,TEVSNF随着速度的增加,车辆位置变化更加明显,需要更多的雾节点提供服务,从而在车载社交网络中消耗了更大的开销.

图6 分组投递率随车辆节点速度的变化情况Fig.6 Change of packet delivery rate with the vehicle node velocity

图7 网络开销随车辆节点速度的变化情况Fig.7 Change of network overhead with the vehicle node velocity

6 结 语

在车载自组织网中,为了提高车载社交网络中信任模型的可靠度,促进车辆之间进行信息交互,提出了基于雾计算的信任评估算法.考虑到可靠度对信任模型造成的影响,本算法从时间、距离、区域三个方面计算下一跳车辆节点的直接信任、推荐信任、朋友信任、历史信任和全局信任,并与最高信任优选算法相结合,从而以较安全的交互行为将信息发送到目的车辆,最后,利用FC-SIOV实现该信任评估算法,此外,从端到端传输时延、分组投递率、误检率和网络开销四个方面验证了TEVSNF的可行性与有效性.下一步工作将在此方案的基础上引入车主心理因素,进一步优化信任评估模型,并分析区块链和雾计算技术在去中心化方面对本模型的影响.