基于车联网的模糊逻辑和三值逻辑的车辆信誉评估方法

1.本发明涉及网络安全技术领域，具体涉及一种基于车联网的模糊逻辑和三值逻辑的车辆信誉评估方法。


背景技术：

2.近年来，随着先进的无线通信技术的投入使用，车辆与车辆之间的通信越来越方便。通过“车辆-车辆”的方式进行交互通信，使得车辆在通行过程中的效率和安全变得越来越高。但是，在车联网中存在着不诚实和恶意的车辆时，这些车辆发送恶意信息或者转发不可靠消息，导致车辆网的通信效率和安全变得很低，严重损害了车辆之间通信的可靠性。为了车辆之间更好的进行通信，将社交网络概念与车联网相结合，形成了新的范式“车辆社交互联网”，车辆之间能够自主建立社会关系。在车辆社交互联网中，考虑对恶意节点传播的误导性信息的危害，车辆对有效信任管理的需求越来越高。
3.目前，车辆信誉评估模型分别有基于评级者的和被评级者的。在基于评级者的信誉模型中，每个车辆节点的信誉值都存储在与之交互的其他车辆节点中。在基于被评级者的信誉模型中，每个车辆节点存储自己在过去交互过程中被他人评级的信誉信息，并引入可信的数字证书认证中心(ca)服务器以确保信任信息的完整性和不可否认性。
4.随着在线社交网络的出现，用户生成的内容和交互主导了网络活动，信任谁和信任什么的问题变得越来越重要。无论是基于评级者的信誉模型和基于被评级者的信誉模型，都可以概括为主观逻辑模型，主观逻辑模型将信任作为一个元组，形式为(belief、distrust、uncertainty)广泛应用于评估多跳车辆信任。但是，它只能处理串-并行社交网络拓扑，即复杂拓扑需要通过删除或者选择边来简化。这种简化导致信息的丢失和不准确的信任评估。在基于评级者的信誉模型和基于被评级者的信誉模型都是基于bata分布，然而没有将信任传播过程中产生的后验不确定性考虑在内。同时，上述模型均没有很好的解决信任概念的中不确定性和风险感知。


技术实现要素：

5.1、针对现有技术的不足，本发明提出基于车联网的模糊逻辑和三值逻辑的车辆信誉评估方法，包括：
6.步骤1：收集车联网系统中车辆交互过程的参数消息作为历史数据；
7.步骤2：基于模糊逻辑和三值逻辑计算受托车辆j的信誉值；
8.步骤3：根据车辆的信誉值评估受托车辆j发送消息的可靠性。
9.所述步骤1中的历史数据包括受托车辆j发送给委托车辆i的可信数据个数r
ij
、不可信数据个数s
ij
以及不确定数据个数o
ij
。
10.所述步骤2包括：
11.步骤2.1：基于三值逻辑计算受托车辆j的历史信誉值和推荐信誉值；
12.步骤2.2：通过模糊逻辑处理受托车辆j的历史信誉值和推荐信誉值。
13.所述步骤2.1包括：
14.确定委托车辆i对受托车辆j的三值逻辑的意见向量w
ij
：
15.w
ij
＝(b
ij
,d
ij
,n
ij
,e
ij
)|a
ij
，b
ij
d
ij
n
ij
e
ij
＝1
[0016][0017]
式中，b
ij
、d
ij
、n
ij
、e
ij
和a
ij
分别表示车辆i对车辆j的信任概率、不信任概率、中立概率、先验不确定性概率和基准概率；
[0018]
建立三值逻辑的共识操作和贴现操作：
[0019]
共识操作：θ(w
″
ij
，w
′
ij
)≡θ(w
′
ij
，w
″
ij
)，θ(w
′
ij
,θ(w
″
ij
,w
″′
ij
))≡θ(θ(w
ij
,w
″
ij
),w
″′
ij
)
[0020]
贴现操作
△
(w
is
,w
sj
)：b
ij
＝b
isbsj
，d
ij
＝d
isdsj
，n
ij
＝1-b
ij-d
ij-e
sj
，e
ij
＝e
sj
[0021]
其中，w
is
＝(b
is
,d
is
,n
is
,e
is
)表示车辆i对车辆s的可信度；w
sj
＝(b
sj
,d
sj
,n
sj
,e
sj
)表示车辆s对车辆j的可信度；w
′
ij
＝(b
′
ij
,d
′
ij
,n
′
ij
,e
′
ij
)、w
″
ij
＝(b
″
ij
,d
″
ij
,n
″
ij
,e
″
ij
)分别表示不同时间段车辆i对车辆j的信任意见向量；b
′
ij
、d
′
ij
、n
′
ij
、e
′
ij
和b
″
ij
、d
″
ij
、n
″
ij
、e
″
ij
分别表示不同时间段车辆i对车辆j的信任概率、不信任概率、中立概率、先验不确定性概率；b
is
、d
is
分别表示车辆i对车辆s的信任概率、不信任概率；b
sj
、d
sj
、e
sj
分别表示车辆s对车辆j的信任概率、不信任概率先验不确定性概率；
[0022]
计算基于三值逻辑的车辆信誉值ie
ij
：
[0023][0024]
计算基于三值逻辑的历史信誉值和推荐信誉值rt
ij
：
[0025][0026][0027][0028][0029]
式中，表示在第k个交互时间段之后从车辆i导出的车辆j的历史信任值；向量ρm表示iem的权重，tm表示第m个交互周期的开始时间，n表示车辆i与车辆j到当前时刻的交互总数，iem表示在第m个交互周期时车辆i对车辆j直接交互的三值逻辑信誉值。
[0030]
所述步骤2.2包括：
[0031]
设计模糊隶属度函数生成车辆的真实信誉值ht
trustee
：
[0032][0033]
式中，xi表示隶属度函数的中间值；f(xi)表示模糊隶属度函数；
[0034]
所述模糊隶属度函数为：
[0035][0036][0037][0038][0039]
将车辆的历史信誉值和推荐信誉值划分为四个层次：低l、中m、高h和极高vh可信度，作为模糊输入/出集。
[0040]
所述步骤3包括：
[0041]
如果ht
trustee
＜δ1，表示车辆j完全不值得信任；如果δ1≤ht
trustee
＜δ2，表示车辆j基本不值得信任；如果δ2≤ht
trustee
＜δ3，表示车辆j基本值得信任；如果δ3≤ht
trustee
≤δ4，表示车辆j比较值得信任；如果δ4＜ht
trustee
≤δ5，表示车辆j非常值得信任；ht
trustee
＞δ5，表示车辆j完全值得信任；其中，δ1、δ2、δ3、δ4、δ5表示设定阈值。
[0042]
所述推荐信誉值求解过程如下：
[0043]
建立n辆车之间直接信任的矩阵
[0044]
根据相邻车辆的推荐信息计算特定车辆的推荐信任，迭代α次后车辆i对车辆j的信任评估y
i(α)
＝w
t
⊙yi(α-1)
；
⊙
表示车辆i和所有其他车辆的折扣操作和共识操作；
[0045]
初始化初始化
[0046]
其中，
[0047]
更新过程：y
i(α)
＝w
t
⊙yi(α-1)
；
[0048]
经过一系列中间车辆，车辆j到车辆i的推荐信誉值rt
ij
：
[0049][0050]
本发明的有益效果是：
[0051]
本发明提出了一种基于车联网的模糊逻辑和三值逻辑的车辆信誉评估方法，通过计算被评价车辆的主观信任和推荐信任，进而通过使用模糊逻辑处理信任的不确定，最后合成被评价车辆的总体信任。本发明解决了主观逻辑因没考虑车辆评的估中立状态而导致信誉评估不准确的问题，同时通过引入模糊逻辑解决车辆信任概念中的不确定性问题，从而提高了基于主观逻辑信誉评估系统模型的准确性。
附图说明
[0052]
图1为本发明中基于车联网的模糊逻辑和三值逻辑的车辆信誉评估方法流程图；
[0053]
图2为本发明中共识操作和贴现操作的示意图；其中，(a)为共识操作，(b)为贴现操作；
[0054]
图3为本发明中推荐信任示意图；
[0055]
图4为本发明中模糊层次划分图。
具体实施方式
[0056]
下面结合附图和具体实施实例对发明做进一步说明。
[0057]
如图1所示，一种基于车联网的模糊逻辑和三值逻辑的车辆信誉评估方法，三值逻辑来计算任何两个没有互动过的车辆之间的信任，引入模糊逻辑解决车辆信任不确定的问题。需要收集车辆联网系统中车辆交互中可信的、不可信的或者不确定的消息参数作为历史数据，然后计算待评估车辆的信誉值，根据车辆的信誉值判断车辆发送消息的可靠性。具体过程如下：
[0058]
步骤1：收集车联网系统中车辆交互过程的参数消息作为历史数据；车联网的可信度在促进车辆间的数据共享、实现更好的驾驶安全和便利性方面起着至关重要的作用。如果没有可信度评估，一辆车辆可能无法信任其他车辆，因此就可以简单地放弃与他人共享的数据，以避免潜在的驾驶危险。为此，收集车联网中车辆交互的历史数据至关重要。其中，主要收集的历史数据包括：受托车辆j发送给委托车辆i的可信数据个数r
ij
、不可信数据个数s
ij
以及不确定数据个数o
ij
；
[0059]
步骤2：基于模糊逻辑和三值逻辑计算受托车辆j的信誉值；包括：
[0060]
步骤2.1：基于三值逻辑计算受托车辆j的历史信誉值和推荐信誉值；包括：
[0061]
车辆之间的信任建立在它们之间的相互作用之上，例如，当他们在彼此交换数据时，鉴于车辆i从车辆j接收数据并试图评估j的信任，我们称车辆i为委托车辆，车辆j为受托车辆，评估过程为信任评估。需要确定委托车辆i对受托车辆j的三值逻辑的意见向量w
ij
：
[0062]wij
＝(b
ij
,d
ij
,n
ij
,e
ij
)|a
ij
，b
ij
d
ij
n
ij
e
ij
＝1
[0063][0064]
式中，b
ij
、d
ij
、n
ij
、e
ij
和a
ij
分别表示车辆i对车辆j的信任概率、不信任概率、中立概率、先验不确定性概率和基准概率；更为准确的说，e
ij
表示没有证据可以判断车辆j是否值得信任、不信任、中性的概率。a
ij
表示基准概率，是没有确凿证据的现有影响形成的，例如从传闻中获得的偏好、偏见或者中性意见。比如，车辆i信任j所属于某一群体的车辆，那么a
ij
》0.5。为了更好的解释各个字母的含义，举一个例子：车辆j对车辆i共享7条信息，如果车
辆i确定3条是可信的，2条是不可信的，2条是不确定的，那么b
ij
＝0.3，d
ij
＝0.2，n
ij
＝0.3。由于缺乏证据，先验不确定性是存在的。
[0065]
建立三值逻辑的共识操作和贴现操作：
[0066]
在一个并行拓扑中，意见应该以公平的方式进行融合和组合，这样得到的意见就可以反映所有的证据。在这里，采用共识操作，这是基于狄里克莱分布。用符号来表示组合运算。如果有w
′
ij
＝(b
′
ij
,d
′
ij
,n
′
ij
,e
′
ij
)和w
″
ij
＝(b
″
ij
,d
″
ij
,n
″
ij
,e
″
ij
)分别表示不同时间段车辆i对车辆j的信任意见向量，使用θ＝(w
′
ij
，w
″
ij
)表示两条平行路径之间的组合运算。
[0067][0068]
根据该方程，得到共识操作：θ(w
″
ij
，w
″
ij
)≡θ(w
″
ij
，w
″
ij
)，θ(w
″
ij
,θ(w
″
ij
,w
″
ij
))≡θ(θ(w
″
ij
,w
″
ij
),w
″
ij
)
[0069]
三值逻辑的贴现操作：车辆i、j、s中，车辆s作为一中间车辆，s对i来说是受托车辆，s对j来说是委托车辆；w
is
＝(b
is
,d
is
,n
is
,e
is
)表示是i对s的可信度。w
sj
＝(b
sj
,d
sj
,n
sj
,e
sj
)表示s对j的可信度。使用w
ij
＝
△
(w
is
,w
sj
)表示i对j的可信度。贴现操作
△
(w
is
,w
sj
)：b
ij
＝b
isbsj
，d
ij
＝d
isdsj
，n
ij
＝1-b
ij-d
ij-e
sj
，e
ij
＝e
sj
；共识操作和贴现操作示意图如图2所示。
[0070]
其中，w
is
＝(b
is
,d
is
,n
is
,e
is
)表示车辆i对车辆s的可信度；w
sj
＝(b
sj
,d
sj
,n
sj
,e
sj
)表示车辆s对车辆j的可信度；w
′
ij
＝(b
′
ij
,d
′
ij
,n
′
ij
,e
′
ij
)、w
″
ij
＝(b
″
ij
,d
″
ij
,n
″
ij
,e
″
ij
)分别表示不同时间段车辆i对车辆j的信任意见向量；b
′
ij
、d
′
ij
、n
′
ij
、e
′
ij
和b
″
ij
、d
″
ij
、n
″
ij
、e
″
ij
分别表示不同时间段车辆i对车辆j的信任概率、不信任概率、中立概率、先验不确定性概率；b
is
、d
is
分别表示车辆i对车辆s的信任概率、不信任概率；b
sj
、d
sj
、e
sj
分别表示车辆s对车辆j的信任概率、不信任概率先验不确定性概率；
[0071]
信任模型是基于对历史交互的信任评价，是用数学方法计算出来的。如果车辆i和j之间没有交互作用，使用关系因子(rf)来计算车辆之间历史信誉值(st)。表1列出了模拟中使用的参数设置。
[0072]
表1模拟参数表
[0073]
关系系数(relationship factor)初始分配(initial assignment)所属关系(ownership relationship)1合作关系(cooperation relationship)0.9集体关系(group relationship)0.8品牌关系(brand relationship)0.7社会关系(social relationship)0.6类别关系(category relationship)0.5
[0074]
计算基于三值逻辑的历史信誉值和推荐信誉值rt
ij
：
[0075][0076][0077]
向量ρm表示iem的权重，用于计算公式中，ρm表示时间衰减函数，需要满足以
下两个约束条件：(a)(b)衰减函数的值随着相互作用周期接近当前时间而增加。所以ρm的值满足ρ1《ρ2《
…
《ρm。一种有效的衰减方法可以用来加速计算过程的收敛速度，保证计算过程达到稳定状态。为了解决这些问题，引入一个考虑相互作用周期因素的时间衰减模型，如下所示：
[0078][0079]
信任的计算应该考虑来自可信第三方的基于信任的建议，尤其是在没有历史交互的情况下。另一方面，为了克服信任计算的主观性，信任机制即使在有直接经验的情况下也应该考虑推荐的经验。然而，由于不诚实的推荐会带来很多风险，比如说脏话、塞选票和串通，因此建立推荐机制是一项具有挑战性的工作。
[0080]
一般情况下，车辆可以根据相邻车辆可靠的推荐信息来计算特定车辆的推荐信任。n辆车，用矩阵w来表示所有节点之间的直接信任：
[0081][0082]
其中，w
ij
元素表示车辆i对j的信任的直接意见。如果车辆i与j没有直接的相互作用，使用表示意见，通过车辆i对其他车辆的直接信任，计算出车辆i对其他车辆的信任度，从车辆i的角度来看，其对所有其他车辆信任的意见存储在个体车辆意见向量中：其中y
i(α)
表示迭代α次后i对j的信任评估，t示矩阵的转置，y
i(α)
表示迭代α次的所有车辆的个别意见向量，更新过程如下：y
i(α)
＝w
t
⊙yi(α-1)
；
⊙
表示i和所有其他车辆的折扣操作和共识操作，在i到j的多条推荐路径中，我们可以通过折扣操作和共识操作计算i到j的推荐信誉值。示意图如图3所示。
[0083][0084]
rt
ij
表示经过一系列中间车辆，车辆j到i的推荐信誉值，计算如下：
[0085][0086]
式中，表示在第k个交互时间段之后从车辆i导出的车辆j的历史信任值；向量ρm表示iem的权重，tm表示第m个交互周期的开始时间，n表示车辆i与车辆j到当前时刻的交
互总数，iem表示在第m个交互周期时车辆i对车辆j直接交互的三值逻辑信誉值；
[0087]
步骤2.2：通过模糊逻辑处理受托车辆j的历史信誉值和推荐信誉值；包括：
[0088]
考虑到信任概念的模糊性和不确定性，本文引入模糊逻辑的方法来解决这些问题。首先定义了四个模糊隶属度函数，然后将车辆历史信誉值st和推荐信誉值rt划分为四个层次：低(l)、中(m)、高(h)和极高(vh)可信度，作为模糊输入集、模糊输出集也由相同的四个层次组成，如图4所示。设置模糊逻辑规则，建立映射函数。映射函数如表2所示。例如，当车辆历史信誉值st具有较低的可信级别时，那么即使车辆推荐信誉值rt具有较高的可信值，它也是不可信的。
[0089]
最后，使用系数加权平均法来解模糊可信等级的输出集，设计模糊隶属度函数生成车辆的真实信誉值ht
trustee
：
[0090][0091]
式中，xi表示隶属度函数的中间值；f(xi)表示模糊隶属度函数；
[0092]
所述模糊隶属度函数为：
[0093][0094][0095][0096][0097]
将车辆的历史信誉值和推荐信誉值划分为四个层次：低l、中m、高h和极高vh可信度，作为模糊输入/出集；历史信誉值st与推荐信誉值rt的映射函数如表2：
[0098]
表2st
×
rt映射函数表
[0099]
[0100]
步骤3：根据车辆的信誉值评估受托车辆j发送消息的可靠性；包括：
[0101]
如果ht
trustee
＜δ1，表示车辆j完全不值得信任；如果δ1≤ht
trustee
＜δ2，表示车辆j基本不值得信任；如果δ2≤ht
trustee
＜δ3，表示车辆j基本值得信任；如果δ3≤ht
trustee
≤δ4，表示车辆j比较值得信任；如果δ4＜ht
trustee
≤δ5，表示车辆j非常值得信任；ht
trustee
＞δ5，表示车辆j完全值得信任；其中，δ1、δ2、δ3、δ4、δ5表示设定阈值；分别取值为0.1、0.3、0.5、0.7、0.9。
[0102]
本发明通过计算被评价车辆的主观信任和推荐信任，进而通过使用模糊逻辑处理信任的不确定，最后合成被评价车辆的总体信任。关键点在于推荐信任算法的设计以及在模糊逻辑中如何设置模糊隶属度函数。推荐信任算法融合了三值主观逻辑的贴现操作和共识操作。在设置隶属度函数过程中，分别设置了是四个层级，分别是低(l)、中(m)、高(h)和极高(vh)可信度。在隶属度函数公式设置过程中，尽最大可能的消除被评价信任的不确定性。