A Credibility Score Algorithm for Malicious Data Detection in Urban Vehicular Networks

Płaczek, Bartłomiej; Bernas, Marcin; Cholewa, Marcin

doi:10.3390/info11110496

开放式访问第条

一种用于城市车辆网络恶意数据检测的可信度评分算法

通过

巴特·奥米耶·帕切克

^1,*

,

马金·伯纳斯

^2,*

和

马金·乔勒瓦（Marcin Cholewa）

¹

西里西亚大学计算机科学研究所，Będziñska 39，41-200 Sosnoiec，Poland

²

别尔斯科比亚瓦大学计算机科学与自动化系。波兰贝尔斯科-比亚43-309号威洛瓦2号

^*

应向其发送信件的作者。

问询处 2020,11(11), 496;https://doi.org/10.3390/info11110496

收到的提交文件：2020年9月29日/修订日期：2020年10月16日/接受日期：2020年10月19日/发布时间：2020年10月23日

（本文属于特刊智能运输和物流系统中的智能传感、数据通信和决策)

下载

浏览地物

版本注释

摘要

:

本文介绍了一种检测城市车辆网络中恶意数据的方法，其中车辆向控制十字路口交通信号的路侧单位报告其位置。自私的车辆接近信号交叉口时，可以注入恶意数据，以立即获得绿灯。恶意数据的另一个来源是传感器发生故障的车辆。使用基于元胞自动机的交通模型检测恶意数据，该模型确定代表车辆可能位置的间隔。引入可信度评分算法来确定特定车辆报告的位置是否可靠，并且在控制交通信号时应将其考虑在内。进行了大量的仿真实验，以验证该方法在实际场景中的有效性。实验结果表明，该方法检测恶意数据的准确率高于现有方法。检测恶意数据的准确性提高，可以缓解其对交通信号控制性能的负面影响。

关键词：

车载网络;车载自组织网络;恶意数据;交通信号灯;智慧城市;智能交通系统

1.简介

城市道路网的一个特殊特征是有必要控制信号交叉口的红绿灯。无线车辆网络技术的最新发展使得能够引入使用从特定车辆传递的信息来控制交通灯的新系统。在这种系统中，车辆将其当前位置（速度等）发送到路边控制节点。这些数据实时用于优化交通信号，即调整信号相位的持续时间，并将必须在十字路口停车的车辆延误降至最低。通过考虑来自车辆的详细数据，控制节点可以更好地使交通信号适应交通参与者的实际需求。因此，可以实现更高的交通信号控制性能，这意味着减少车辆延误、降低油耗、排放和拥堵，以及提高安全性[1,2].

在存在恶意数据的情况下，基于车辆网络数据的交通信号控制的有效运行是不可能的。例如，接近十字路口的自私车辆可以将恶意数据注入车辆网络。此类车辆可以执行Sybil攻击，即报告给定车道上的多辆虚假车辆，以立即获得绿灯。恶意数据的另一个来源可能是传感器出现故障的车辆，例如不断报告相同（错误）位置的移动车辆。先前的研究结果表明，少量恶意数据会显著影响交通信号控制的有效性[三]. 因此，有必要对恶意数据进行检测和过滤。

本文介绍了一种识别由车辆节点和路侧单元组成的城市车辆网络中恶意数据的方法。所考虑的场景假设车辆节点周期性地将其位置传输给控制十字路口交通信号的路侧单元。恶意数据的检测是使用基于细胞自动机的微观流量模型进行的。该交通模型允许确定代表接近信号交叉口的车辆可能位置的间隔。引入可信度评分算法来确定特定车辆报告的位置是否可靠，并且在控制交通信号时应考虑该算法。通过一个真实的仿真环境验证了该方法是否能够准确检测到恶意数据并确保交通信号控制系统的有效运行。

本文的其余部分结构如下。相关作品和作者的贡献在第2节.第3节介绍了该方法和可信度评分算法。实验及其结果如所述第4节。最后，得出的结论如下第5节.

2.相关工作和贡献

车辆网络中的恶意数据检测问题已经引起了研究界的极大兴趣。到目前为止，已经提出了各种方法来识别和消除恶意数据[4,5,6]. 最先进的方法可以分为四类，包括基于行为、信任、一致性和合理性的方法[7]. 本节讨论了上述方法的最重要特征，并回顾了最新的相关工作。有关最先进方法的详细调查，请参见[7,8].

已经提出了基于行为的方法来检测与交通事件有关的恶意信息，例如事故或拥堵。例如，可以通过比较报告车辆的实际轨迹和例外轨迹来检测错误的事故信息，该轨迹是在假设发生事故时的典型驾驶员行为的情况下确定的[9]. 如果这两个轨迹显著不同，则事件信息被识别为恶意。另一种方法是将事件信息与报告事件附近其他驾驶员的行为进行比较[10].

基于信任的方法要求车辆网络中的节点之间共享数据，以根据邻居中其他车辆节点报告的信息确定一个车辆节点的置信度[11]. 信任管理方法的一个示例是[12]. 根据该算法，每辆车从邻居处接收信标消息，其中包括速度和密度信息。信任级别是通过考虑接收到的信息和阈值之间的差异来确定的。类似地，由一辆车发送的位置信息可以由附近的其他节点验证，即由相邻车辆或路边装置验证。该方法于年实施[13]通过使用安装在车辆中的传感器作为高级驾驶员辅助系统的一部分。在低流量密度的情况下，基于信任的方法缺乏关于相邻节点的足够信息[14]. 此外，节点之间的消息交换是一项耗时的操作。

恶意数据检测一致性方法背后的基本思想是验证从车辆接收的消息在连续的时间步长中是否相互一致。例如，当考虑一辆车时，则以时间步长报告车辆位置之间的距离t吨和

t吨 + 1

，必须与在时间步长处发送的消息中指示的速度一致

t吨 + 1

一致性算法还尝试在可能的情况下解决接收到的不一致数据之间的冲突[15]. 其他方法检查从多辆车收集的数据的一致性。在这种情况下，相邻车辆先前的平均速度必须与新报告的速度一致。在[16]卡尔曼滤波器用于跟踪从相邻车辆接收到的机动信息，卡尔曼滤波器的误差用于评估相邻车辆的数据一致性。另一种方法是验证一组车辆在给定时间从指定区域传输的交通数据是否符合交通流理论所描述的基本特性[17]. 该方法基于交通流量和密度之间的基本相关性来估计车头时距和速度分布。当车辆的平均车头时距和速度偏离预期值较大时，会检测到车辆网络中的恶意数据。

基于合理性的方法依赖于物理规则和模型（例如运动学模型、时间、距离和速度之间的关系）来解释数据的有效性[18]. 基本的合理性验证方法通过使用一些预定义的规则来检测恶意数据，例如，两个车辆节点不能同时被两个节点占用同一位置。车辆节点的速度不应超过最大速度限制。更复杂的方法结合了道路几何和车辆动力学的知识。在[19]通过基于传输车辆的车辆运动物理特性和道路的物理特性（如曲率、长度和牵引力）的仿真，验证了车辆节点报告的位置的合理性。这种方法的缺点是计算复杂度高。

其他有趣的恶意数据检测方法包括无人驾驶飞行器的应用[20]和区块链算法[21]. 这些方法需要特殊设备，导致传输开销增加。

相关工作重点是车辆网络的安全和交通监控应用。相反，这项工作致力于城市车辆网络中的恶意数据检测，其中包括控制十字路口交通信号的路侧单元。这里的主要目标是消除恶意数据，这会降低交通信号控制的有效性。据作者所知，到目前为止，其他研究人员尚未对上述问题进行调查。

在我们之前的论文中[三]我们介绍了一种用于交通信号控制系统的车辆网络恶意数据检测方法。之前的方法结合了最先进的方法（一种带有位置验证的预期驾驶员行为模型），并假设车辆配备了能够检测相邻车辆的传感器。该研究中的实验是使用一个简单的单车道单向道路路网模型进行的。

本文的主要贡献是提出了一种新的可信度评分算法，用于检测城市车辆网络中的恶意数据。该算法使用微观流量模型评估收集数据的可信度。交通模型描述了城市道路网中单个车辆的机动性。它能够估计反映信号主干道中特定车辆预期不确定位置的间隔。建议算法的详细信息在第3节应注意，在交通信号控制系统中，必须实时过滤恶意数据。因此，为了消除传输延迟，该方法避免了车辆之间的数据交换。引入的解决方案具有成本效益，易于实施，因为车辆中不必安装任何附加传感器。这项工作的贡献还包括在复杂路网和各种交通控制策略的现实仿真环境中对所提方法进行实验评估。针对各种交通控制策略，提出了建议方法和最新方法的应用新结果。

3.建议方法

本节介绍了一种方法，使我们能够检测城市车辆网络中的恶意数据。该方法适用于具有信号交叉口的城市道路网络。车辆网络的主要元素是车辆和路边单元。车辆定期向路边单位报告其位置。该方法的目标是识别和过滤恶意车辆可能注入车辆网络的虚假位置数据。为此，确定每辆车的可信度得分。考虑到预期车辆位置的偏差和相邻车辆数据之间的不一致，更新可信度得分。根据该方法，可信度得分低于预定阈值的车辆报告的位置数据被归类为恶意。上述操作的详细信息将在以下小节中讨论。

3.1. 利用单元区间交通模型预测车辆位置

该方法使用道路交通模型估计车辆可能的位置。该模型将交通元胞自动机与不确定车辆位置和速度的区间表示相结合。细胞自动机方法涉及时间和空间的离散化，如图1根据该方法，车辆沿行车道的位置由单元近似，即等长的非重叠车道段。一个单元格的长度对应于完全拥挤道路（7.5 m）中停车车辆所占的平均距离。在本研究中，根据文献选择7.5米的细胞长度[22,23]. 交通元胞自动机以1秒的步长更新车辆位置，粗略估计平均驾驶员的反应时间。

车辆通过车辆网络报告的位置被转换为单元的索引。例如，图1显示了沟通的位置我-连续三个时间步的第t辆车(

{x个}_{我} (t吨 - 2), {x个}_{我} (t吨 - 1), {x个}_{我} (t吨)

). 这些位置用单元格表示为

{c（c）}_{我} (t吨 - 2) = 2, {c（c）}_{我} (t吨 - 1) = 4, {c（c）}_{我} (t吨 - 2) = 6

，这意味着根据我-第辆车，这辆车在时间步长时位于2号牢房

t吨 - 2

，在时间步长的单元格4中

t吨 - 1

，当前位于单元格6中(t吨表示当前时间步长）。

为了评估来自车辆网络的上述信息的可信度我-采用小区间隔交通模型确定第h辆车。换句话说，流量模型允许我们找到一个单元格间隔

[{\hat{c（c）}}_{我}^{-} (t吨), {\hat{c（c）}}_{我}^{+} (t吨)]

在时间步长可被考虑的车辆占用t吨。此单元格间隔确定如下。首先我-针对前一时间步长对车辆进行评估：

{v（v）}_{我} (t吨 - 1) = {c（c）}_{我} (t吨 - 1) - {c（c）}_{我} (t吨 - 2) .

(1)

其次，使用交通元胞自动机的更新规则来确定间隔

[{\hat{v（v）}}_{我}^{-} (t吨), {\hat{v（v）}}_{我}^{+} (t吨)]

，它描述了当前时间步的可能速度范围：

\begin{matrix} {\hat{v（v）}}_{我}^{-} (t吨) = 最小值 {{v（v）}_{我} (t吨 - 1) + 1, 克_{我} (t吨 - 1), {v（v）}_{最大值}^{-}}, \\ {\hat{v（v）}}_{我}^{+} (t吨) = 最小值 {{v（v）}_{我} (t吨 - 1) + 1, 克_{我} (t吨 - 1), {v（v）}_{最大值}^{+}} . \end{matrix}

(2)

应注意，此模型中的车速以每时间步长（1s）的单元格表示。车辆的最大速度由间隔表示

[{v（v）}_{最大值}^{-}, {v（v）}_{最大值}^{+}]

它必须反映所考虑交通流中可能的自由流速度。数量，表示为

克_{我} (t吨 - 1)

，对应于我-第辆车及其前方最近的障碍物：

克_{我} (t吨 - 1) = c（c） {o个}_{我} (t吨 - 1) - {c（c）}_{我} (t吨 - 1) - 1,

(3)

哪里

c（c） {o个}_{我} (t吨 - 1)

是最近障碍物（另一辆车或红灯）单元格的索引。

细胞自动机的更新规则（方程式(2))考虑到再现真实交通流的基本特征所必需的3个假设。第一个假设是驾驶员倾向于尽可能快地驾驶。因此，驾驶员尝试加速，即在每个时间步长将车速增加1。第二个假设是避免碰撞的必要性。它说速度（以每个时间步长的单元格为单位）不能超过车辆前方的自由单元格数量(

克_{我}

). 第三个假设与驾驶员必须遵守限速的事实有关(

{v（v）}_{最大值}

).

最后，当前可被占用的单元格间隔我-使用以下公式确定车辆：

\begin{matrix} {\hat{c（c）}}_{我}^{-} (t吨) = {c（c）}_{我} (t吨 - 1) + {\hat{v（v）}}_{我}^{-} (t吨), \\ {\hat{c（c）}}_{我}^{+} (t吨) = {c（c）}_{我} (t吨 - 1) + {\hat{v（v）}}_{我}^{+} (t吨) . \end{matrix}

(4)

这些公式假设车辆根据方程式确定的新速度移动(2).

在图1，上述定义的单元格间隔用灰色表示，即。，

{\hat{c（c）}}_{我}^{-} (t吨) = 5

和

{\hat{c（c）}}_{我}^{+} (t吨) = 6

该整数值区间被转换为实数区间

{\hat{X（X）}}_{我} (t吨) = [{\hat{x个}}_{我}^{-} (t吨), {\hat{x个}}_{我}^{+} (t吨)]

描述了连续坐标域中不确定的期望位置。如所示图1，端点

{\hat{x个}}_{我}^{-} (t吨)

对应于单元格左边界的定位

{\hat{c（c）}}_{我}^{-} (t吨)

和端点

{\hat{x个}}_{我}^{+} (t吨)

，对应于单元格的右边界

{\hat{c（c）}}_{我}^{+} (t吨)

基于此观察，实值区间

{\hat{X（X）}}_{我} (t吨)

当每条车道被划分为7.5m长的单元时，很容易确定为单元边界的位置，这是在交通模型校准期间设置的。

上述单元间隔模型也用于确定多车道交通中可能的车辆位置。如果是车辆我，在行车道上行驶我，可以为相邻车道评估其可能的位置(

我 + 1

和/或

我 - 1

). 为此，验证电池

{c（c）}_{我} (t吨 - 1)

在相邻的车道上是空的。如果满足此条件，则单元格间隔

[{\hat{c（c）}}_{我}^{-} (t吨), {\hat{c（c）}}_{我}^{+} (t吨)]

根据方程式（1）–（4）确定相邻车道，假设车辆在时间步长处位于目标（相邻）车道

t吨 - 1

.

图2显示了确定三车道道路可能的车辆位置的示例。假设交通流方向对应于增加的单元指数。带有黑色矩形的单元格显示车辆在时间步的位置

t吨 - 1

，而充满特定颜色的单元格对应于时间步长处可能的车辆位置t吨例如，如果车辆1在时间步长处占据车道2中的单元格1

t吨 - 1

，时间步长的可能位置t吨由间隔表示

[{\hat{c（c）}}_{1}^{-} (t吨), {\hat{c（c）}}_{1}^{+} (t吨)] = [2, 三]

适用于所有三条车道。如果是车辆2，则间隔

[{\hat{c（c）}}_{1}^{-} (t吨), {\hat{c（c）}}_{1}^{+} (t吨)]

车道1等于[5,5]，车道2等于[5,16]，车道3为空。应注意，预期的车辆位置图2已确定用于

{v（v）}_{我} (t吨 - 1) = 2, 我 = 1 \dots 6

和

[{v（v）}_{最大值}^{-}, {v（v）}_{最大值}^{+}] = [1, 2]

。不同车辆的预期位置可能重叠。例如，中的模型图2假设在时间步t吨，车道2中的小区10可以被车辆4、5或6占用。重叠的预期位置未显示在图2为了表达清晰。出于同样的原因，车辆4和6的可能位置没有用颜色表示。对于车辆4，可能的位置与间隔相对应

[9, 10]

用于2号和3号车道。对于车辆6，车道1和车道2中的可能位置由间隔给出

[10, 11]

.

3.2. 可信度得分评估

使用单元间隔交通模型预测的可能车辆位置来评估其可信度得分。算法1的伪代码给出了可信度评估的详细信息。可信度评估算法的输入数据包括车道标识符(

我_{我}

)以及车辆报告的最后三个时间点的位置。应注意，符号米在算法1中，表示路侧装置当前登记的车辆数量。此外，·输入数据包括以前的车辆可信度得分(

c（c） 秒_{我}

)必须更新。新注册车辆的可信度得分设置为零。在算法1的第5行中，在第3.1节用于查找可能的车辆位置。这意味着间隔

{\hat{X（X）}}_{我} (t吨)

描述了车辆的不确定预期位置，根据等式（1）–（4）进行计算。如果车辆报告的当前位置

{x个}_{我} (t吨)

与预测的可能位置一致，则车辆可信度得分增加

α

在相反的情况下，分数减少

α

（参见算法1的第6-10行）。

算法1。可信度分数评估。

输入：

T型 = {〈 {x个}_{我} (t吨 - τ), 我_{我} (t吨 - τ) 〉 : 我 = 1 \dots 米, τ = 0 \dots 2}

,

c（c） 秒_{1} \dots c（c） 秒_{米}

输出：已更新

c（c） 秒_{1} \dots c（c） 秒_{米}

1:: 对于 $我 = 1 \dots 米$ 做
2:: 如果车辆我是新的然后
三：: $c（c）秒_{我} : = 0$
4:: 结束条件为
5:: 使用交通模型进行预测 ${\hat{X（X）}}_{我} (t吨)$ 用于车道 $我_{我} (t吨)$ 基于T型
6:: 如果 ${x个}_{我} (t吨) \in {\hat{X（X）}}_{我} (t吨)$ 然后
7:: $z_{我} = α$
8:: 其他的
9:: $z_{我} = - α$
10:: 结束条件为
11:: 对于 $j个 = 1 \dots 我 - 1$ 做
12:: 如果车辆我在旁边停止j个和 $c（c）秒_{我} > 0$ 然后
13:: $z_{j个} : = z_{j个} + α$
14:: 结束条件为
15:: 如果车辆j个在旁边停止我和 $c（c）秒_{j个} > 0$ 然后
16:: $z_{我} : = z_{我} + α$
17:: 如果结束
18:: 如果车辆的时空轨迹我和j个相交然后
19:: 如果 $c（c）秒_{我} > 0$ 然后
20:: $z_{j个} : = z_{j个} - β$
21:: 结束条件为
22:: 如果 $c（c）秒_{j个} > 0$ 然后
23:: $z_{我} : = z_{我} - β$
24:: 结束条件为
25:: 结束条件为
26:: 结束
27:: 结束
28:: 对于 $我 = 1 \dots 米$ 做
29:: $c（c）秒_{我} : = 最小值 (最大值 (c（c）秒_{我} + z_{我}, c（c）秒_{最小值}), c（c）秒_{最大值})$
30:: 结束

随后，可信度评分算法考虑了车辆排队。当形成交通队列时，可信度得分为正的车辆停在单元格中

c（c） - 1

确认牢房内前方有其他车辆c（c）.在这种情况下，车辆在单元中的可信度得分c（c）增加了

α

（参见算法1第11–17行）。应该注意的是，“车辆我在旁边停止j个“当车辆我和j个在单元格中停止

c（c） - 1

和c（c）分别是。

该算法还可以检测与不真实交通状况相对应的车辆位置数据中的不一致性。该操作基于时空轨迹的概念，可以用图表的形式表示，其中时间表示在水平轴上，距离垂直轴上的参考点的距离表示。图3显示了三辆汽车的时空轨迹示例。在本例中，车辆1减速，其余两辆车辆以恒定速度行驶。请注意，这三辆车在一条车道上行驶。由于车辆无法在单车道超车，因此交叉轨迹（时间步长4，单元格8和时间步长8，单元格9）应视为不现实的情况。车辆的交叉时空轨迹我和j个在时间步长t吨使用算法2识别。该算法检查车辆是否在同一车道上（2号线），并通过考虑车辆占用的单元格（2号和4号线）来验证车辆顺序是否发生变化。当第一辆车的时空轨迹与可信度得分为正的第二辆车的轨迹相交时，则第一辆车可信度得分减少

β

（参见算法1第18–25行）。

算法2。交叉时空轨迹的检测。

1:: 如果 $我_{我} (t吨) = 我_{j个} (t吨)$ 然后
2:: 如果 ${c（c）}_{我} (t吨) \geq {c（c）}_{j个} (t吨)$ 和 ${c（c）}_{我} (t吨 - 1) < {c（c）}_{j个} (t吨 - 1)$ 然后
三：: 返回真的
4:: 结束条件为
5:: 如果 ${c（c）}_{j个} (t吨) \geq {c（c）}_{我} (t吨)$ 和 ${c（c）}_{j个} (t吨 - 1) < {c（c）}_{我} (t吨 - 1)$ 然后
6:: 返回真的
7:: 结束条件为
8:: 结束条件为
9:: 返回假

算法1使用两个参数(

α

和

β

)更新可信度得分。引入了两个不同的参数，以区分可能更频繁发生的更新（与可能的位置和停止车辆有关）和不太频繁的更新（交叉时空轨迹）。可信度得分的变化在更新频率较高的情况下应较小，而在潜在罕见事件中应较大。本节中给出的示例(图4和图5)假设

α = 0.1

和

β = 1

用于说明目的。如果实验报告在第4节,

α

已设置为

0.2

和

β

至1。选择这些值是因为它们在初步测试期间提供了恶意数据检测的最佳结果。

还应注意，可信度得分值的范围受到最大值的限制

c（c） 秒_{最大值}

和最小值

c（c） 秒_{最小值}

（见算法1第28行）。根据初步实验，假设

c（c） 秒_{最大值} = 30

和

c（c） 秒_{最小值} = - 30

.

可信度得分评估的示例如所示图4和图5这些示例考虑了信号调车时单车道上的车辆。在第一个场景中(图4)十字路口的红绿灯为红色，而在第二种情况下(图5)交通信号灯是绿色的。应该注意的是图4a和图5a在时空图中显示车辆位置。时空图中的黑色数据点对应于车辆报告的位置(

{x个}_{我} (t吨)

). 此外，预期的车辆位置(

{\hat{X（X）}}_{我} (t吨)

)由充满颜色的单元格描述。图4b和图5b描述了根据算法1为特定车辆评估的可信度分数(

α = 0.1

,

β = 1

). 在这些示例中，假设最大速度间隔

[{v（v）}_{最大值}^{-}, {v（v）}_{最大值}^{+}]

等于[1,2]（以每个时间步长的单元格为单位）。

在第一种情况下(图4)由于红色信号灯（图中未显示），所有车辆应排队停车。然而，一辆私家车报告了额外的虚假车辆（第3辆和第4辆），以更快地获得绿灯。真正的车辆（车辆1和车辆2）停在队列的末尾。车辆3和4的虚假（恶意）时空轨迹与停止车辆的轨迹交叉。应该注意的是，攻击自私的车辆不知道真实车辆的位置，因此，它不能生成真实的错误轨迹。因此，车辆3和4的可信度得分在时间步骤7和9处降至零以下，这意味着这些车辆被所提出的算法正确识别为恶意车辆。

第二种情况下没有红绿灯(图5)因此，所有车辆应在不停车的情况下通过所考虑的路段（类似于车辆1）。然而，在本例中，存在传感器故障的车辆（车辆2和车辆3）。这些车辆报告了恶意的时空轨迹，这表明它们停在第4和第5单元。当车辆4通过单元格4和5时，正确检测到轨迹为假。还应注意的是，真实车辆（车辆4）的可信度分数也降至零以下，但在时间步骤7至9中，该分数呈积极趋势，经过几个时间步骤后，车辆将再次归类为真实车辆。由于车辆2和3被认定为恶意，后续车辆通过单元格4和5的可信度分数不会降低。

4.实验

该恶意数据检测方法在芝加哥某道路网的真实仿真场景中进行了实验评估。图6显示了该路网的地图。模拟的道路和十字路口用黄色标记。此场景中的道路每个方向都有一条或两条车道。16个模拟十字路口中的每一个都由红绿灯控制。模拟的四向交叉口示例如所示图7模拟是在SUMO（城市机动性模拟）中进行的[24]. 模拟车辆的最大速度为50 km/h。

在模拟实验中，假设所有车辆通过车辆通信网络向安装在十字路口的路边装置报告其位置。该模型中的每个十字路口都有一个专用的路边单元，该单元从相邻道路的车辆收集数据，并使用自适应自组织策略控制交通信号。通过向路边单位报告错误的车辆位置来模拟恶意数据。生成了两种类型的恶意数据。第一种类型考虑了执行Sybil攻击的车辆。此类车辆报告多个虚假的车辆位置，这些位置对应于其在之前时间点注册的自身位置。第二类恶意数据是通过模拟虚假车辆获得的，这些车辆以从[0,60]km/h间隔中选择的随机速度行驶。

在实验过程中，将所提出的恶意数据检测方法与相关文献中的两种代表性方法进行了比较。第一种方法[13]假设车辆装有传感器，能够定位周围的物体。发送信息的车辆的位置必须由相邻车辆验证。该方法在图表中表示为“方法1”。第二种方法[17]使用基本的交通流理论来检测车辆之间的异常速度和车头时距。在此基础上，对车辆广播信息的可信度进行评估。该方法在图表中表示为“方法2”。

对于建议的方法，参数

α

和

β

分别等于0.2和1。这些值是根据初步结果选择的。交通元胞自动机用于每一时间步的最大速度间隔[1,2]个单元。

对于比较的方法，通过考虑平衡的准确性和敏感性来评估恶意数据检测的质量。在大多数情况下，恶意数据和真实数据的数量差异很大。为了处理不平衡数据集，平衡精度

B类 A类

被视为主要指标：

B类 A类 = 0.5 \cdot (\frac{T型 对}{对} + \frac{T型 N个}{N个}),

(5)

哪里对和N个分别表示恶意数据和真实数据的数量。

T型 对

是正确检测到的恶意数据的数量，并且

T型 N个

是正确识别的真实数据的数量。此外，灵敏度定义为

T型 对 / 对

进行了分析。应该注意的是，数据是由车辆传输的，并被归类为恶意或非恶意，时间间隔为1秒（时间步）。

实验针对不同强度的真实和恶意车辆进行。真实车辆的强度在每秒0.02到0.14辆之间变化，这使我们能够分析低交通量和高交通量场景（包括拥堵）。对于虚假（恶意）车辆，强度从0.02到0.1不等。应注意，强度被理解为在一秒钟内进入每个模拟道路的平均车辆数量。每种强度组合进行10次一小时模拟。所有仿真的总结结果见图8这些结果表明，所提出的方法以最高的平衡精度和最高的灵敏度检测恶意数据，优于其他比较方法。方法2的结果最差，该方法考虑了车辆的平均车头时距和速度，并将这些参数与根据交通理论确定的理论值进行了比较。这种方法不适用于有信号交叉口的道路，因为通常会观察到速度和车头时距的高时空变化。

流量强度对恶意数据检测准确性的影响如所示图9。此图表中的交通强度对应于真实车辆的强度。对于真实车辆的所有强度，该方法达到了最高的平衡精度。在所有比较方法的情况下，精度随着交通强度的增加而增加。然而，方法1和方法3（建议）的增长速度更快。这一观察背后的原因是，在方法1中，虚假车辆是由真实车辆的传感器检测的，因此当真实车辆的数量较高时，恶意数据检测的准确性会提高。类似地，使用所提出的方法，当真实车辆的数量很高时，并且真实和恶意数据报告之间的不一致（例如，相交的时空轨迹）发生得更频繁时，更容易检测到虚假车辆。

对恶意车辆不同强度的比较方法的准确性进行了分析图10.随着虚假车辆强度的增加，恶意数据检测的准确性略有下降。对于方法1，这种影响在图10因为差异很小。同样，对于新提出的方法，获得了最佳结果。

图11比较了三种情况下恶意数据检测的准确性。在第一种情况下（图表左侧），模拟真实车辆数量（T）高于恶意车辆数量（M）。第二个案例涉及恶意和真实车辆数量相等的模拟（T=M）。最后，图表右侧显示了恶意车辆数量较高（T<M）时获得的结果。在这种情况下（对于T<M），所有比较方法的准确度最低。中的结果图11结果表明，即使虚假车辆占主导地位，所提出的方法在每个分析案例中都优于最先进的方法。

本节讨论的实验结果的最后一部分涉及不同恶意数据检测场景下交通信号控制的性能。如前所述，模拟路网中的交通信号通过使用自组织控制策略进行控制。自组织信号控制方案能够对许多十字路口的交通信号进行分散优化和全局协调。根据自组织策略，道路网络中每个十字路口的交通信号都是根据与给定十字路口相连的路段中存在的车辆传输的实时交通数据独立控制的。本研究考虑了四种不同的自组织策略：背压策略（BP）[25]Lämmer和Helbing提出的战略[26]基于预测区间微观模型（SOS）的自组织系统[2]以及基于神经进化（Neuro）的控制策略[27].

通过考虑车辆总延误，对上述策略的交通信号控制性能进行了比较(图12)和平均速度(图13). 需要注意的是，上述控制算法的输入数据包括可信度得分大于零的车辆的位置。如所示图12和图13，该方法允许我们在没有恶意数据的情况下获得与场景类似的结果。对于每种控制策略，该方法都优于其他方法。此外，值得注意的是，每个分析的控制策略都以不同的方式利用输入数据（例如，在BP策略中，特定车道上的车辆总数被考虑在内，而对于神经策略，个人的位置也很重要）。因此，可以得出结论，该方法既适用于简单的控制策略，也适用于复杂的控制策略。最后，使用基于神经进化（Neuro）的控制策略可以获得最佳结果。

5.结论

恶意数据的存在阻碍了通过城市车辆网络从车辆收集的信息的有效使用。如果车辆网络是管理十字路口交通信号的控制系统的信息源，则必须实时消除恶意数据。为了滤除恶意数据，提出了一种可信度评分算法，该算法利用微观交通模型确定单个车辆的可能位置。该算法计算效率高，不需要在车辆之间进行任何额外的数据交换，也不需要安装专用传感器。因此，该方法易于在智能城市中实现。该算法适用于智能交通系统中的应用，该系统收集有关单个车辆的细粒度信息，以进行控制。该算法的作用是通过拒绝虚假信息来提高上述应用程序的安全性和有效性。

进行了大量的仿真实验，以验证该方法在实际场景中的有效性。实验考虑了在多个十字路口设置交通信号的城市道路网。通过使用各种分散的自组织策略来控制交通信号。实验结果表明，所提出的方法检测恶意数据的准确性高于所考虑的最先进的方法。检测恶意数据的准确性提高，可以缓解其对交通信号控制性能的负面影响。

拟议方法的主要局限性与详细参数校准的必要性有关。尤其是交通模型的参数必须仔细校准。否则，该模型会错误地预测驾驶员可能的行为。另一个缺点是高比例恶意数据的准确性降低。

进一步的研究方向包括扩展该方法以实现基于所收集的数据的交通模型参数的自动自适应。未来研究的另一个有趣的主题与基于边缘计算的交通监控系统拟议方法的可能修改以及在自动车辆中的应用有关。

作者贡献

概念化，B.P。；数据管理、B.P.和M.B。；形式分析，B.P。；融资收购业务伙伴。；调查、B.P.和M.B。；方法，B.P。；项目管理，业务伙伴。；资源、B.P.和M.C。；软件、B.P.和M.B。；监管业务伙伴。；验证、B.P.和M.C。；可视化B.P.和M.B。；撰写原始草案B.P。；写作-评论和编辑，B.P.，M.B.和M.C.所有作者都阅读并同意手稿的出版版本。

基金

这项研究没有得到外部资助。

鸣谢

本文所报告的研究部分受到了LIDER/18/0064/L-7/15/NCBR/2016号拨款的启发。

利益冲突

作者声明没有利益冲突。

工具书类

北卡罗来纳州Bermad。；Zemmoudj，S。；Omar，M.基于VANET的智能城市的上下文软件协商、声誉和优先交通灯管理协议。电信通信。系统。 2019,72, 131–153. [谷歌学者] [交叉参考]
Płaczek，B.基于预测区间微观模型的城市交通控制自组织系统。工程应用。Artif公司。智力。 2014,34, 75–84. [谷歌学者] [交叉参考] [绿色版本]
Płaczek，B。；Bernas，M.交通信号控制应用中车辆自组网中恶意数据的检测。在国际计算机网络会议; 施普林格：瑞士查姆，2016年；第72-82页。[谷歌学者]
顾克。；Dong，X。；基于雾计算的VANET中基于数据和网络拓扑相关性的恶意节点检测方案。IEEE传输。云计算。 2020. [谷歌学者] [交叉参考]
雷兹古伊，J。；Doucet，C.检测恶意车辆的记过和奖励等级系统。2017年5月16日至18日，摩洛哥马拉喀什，2017年网络、计算机和通信国际研讨会论文集；第1-6页。[谷歌学者]
Yang，Y。；欧，D。；薛，L。；Dong，D.《基于基础设施的城市车辆网络恶意车辆检测方案》（No.17-05475）。2017年1月8日至12日，美国华盛顿特区，运输研究委员会第96届年会会议记录。[谷歌学者]
阿尔沙德，M。；Z.乌拉。；艾哈迈德，N。；哈立德，M。；Criuckshank，H。；Cao，Y.VANETs中基于本地/协作的恶意信息检测技术的调查。Eurasip J.Wirel公司。Commun公司。Netw公司。 2018,2018, 62. [谷歌学者] [交叉参考]
哈斯鲁尼，H。；A.E.萨姆哈特。；巴西尔，C。；VANet安全挑战和解决方案：一项调查。车辆。Commun公司。 2017,7, 7–20. [谷歌学者] [交叉参考]
戈什，M。；瓦尔盖塞，A。；古普塔，A。；Kherani，A.A。；Muthaiah，S.N.，利用综合根癌分析检测VANET中的不良行为。特设网络。 2010,8, 778–790. [谷歌学者] [交叉参考]
Vulimiri，A。；古普塔，A。；罗伊·P。；Muthaiah，S.N。；Kherani，A.A.二次信息在VANET中的不当行为检测应用。在网络研究国际会议; 施普林格：德国柏林/海德堡，2010年；第385-396页。[谷歌学者]
孙，M。；Li，M。；Gerdes，R.VANET的数据信任框架，支持虚假数据检测和安全车辆跟踪。2017年10月9日至11日在美国内华达州拉斯维加斯举行的2017 IEEE通信和网络安全会议（CNS）会议记录；第1-9页。[谷歌学者]
阿尔沙德，M。；乌拉，Z。；哈立德，M。；艾哈迈德，N。；Khalid，W。；Shahwar，D。；Cao，Y.车载自组织网络中信标信任管理系统和伪数据检测。IET智能。运输。系统。 2018,13, 780–788. [谷歌学者] [交叉参考]
Lim，K。；K.M.Tuladhar。；Kim，H.在VANETs中使用ADAS传感器检测位置欺骗。在2019年1月11日至14日于美国内华达州拉斯维加斯举行的2019年第16届IEEE年度消费者通信与网络会议（CCNC）的会议记录中；第1-4页。[谷歌学者]
阿祖玛，S。；Tsukada，M。；野村证券。；Sato，K.《利用相互车辆位置监测检测伪装数据的方法》，载于2017年6月6日至9日在法国尼斯举行的第六届车辆系统、技术和应用先进性国际会议论文集（Vehicular 2017）。[谷歌学者]
范德海登，R。；迪特泽尔，S。；Kargl，F.车载自组织网络中的错误行为检测。2013年2月21日至22日，奥地利蒂罗尔，第1届GI/ITG KuVS Fachgespräch车辆间通信会议记录（FG-IVC 2013）。[谷歌学者]
加勒布，F.A。；Maarof，文学硕士。；Zainal，A。；Rassam，文学硕士。；赛义德，F。；Alsaedi，M.车辆自组网的上下文软件数据中心错误行为检测方案，使用合作感知消息之间一致性的时间和空间相关性的顺序分析。车辆。Commun公司。 2019,20, 100186. [谷歌学者] [交叉参考] [绿色版本]
拉纳韦拉，M。；Seneviratne，A。；雷伊，D。；萨贝里，M。；Dixit，V.V.使用交通流理论检测车辆网络中的异常数据。2019年IEEE第90届车辆技术会议（VTC2019-Fall）会议记录，美国俄亥俄州火奴鲁鲁，2019年9月22日至25日；第1-5页。[谷歌学者]
范德海登，R.W。；迪特泽尔，S。；Leinmüller，T。；Kargl，F.合作智能交通系统中不当行为检测的调查。IEEE通讯。Surv公司。导师。 2018,21, 779–811. [谷歌学者] [交叉参考] [绿色版本]
雅夫瓦里，C。；杜里奇，Z。；Wijesekera，D.基于车辆动力学的合理性检查。2017年10月16日至19日在日本横滨举行的2017 IEEE第20届智能交通系统国际会议（ITSC）会议记录；第1-8页。[谷歌学者]
科拉奇，C.A。；Lakas，A。；北拉格拉。；Barka，E.无人机辅助技术，用于检测VANET中的恶意和自私节点。车辆。Commun公司。 2018,11, 1–11. [谷歌学者] [交叉参考]
卢，Z。；王，Q。；Qu，G。；Liu，Z.Bars：一个基于区块链的匿名声誉系统，用于货车中的信任管理。2018年8月1日至3日，在美国纽约举行的第17届IEEE计算与通信信任、安全和隐私国际会议/第12届IEEE大数据科学与工程国际会议（TrustCom/BigDataSE）上；第98–103页。[谷歌学者]
Janczykowski，M。；Turek，W。；Malawski，M。；Byrski，A.使用Scala和高性能计算系统进行大规模城市交通模拟。J.计算。科学。 2019,35, 91–101. [谷歌学者] [交叉参考]
阮，X。；周，J。；Tu，H。；Jin，Z。；Shi，X.用于微观交通模拟的改进的轴信息元胞自动机。运输。研究C部分应急技术。 2017,78, 63–77. [谷歌学者] [交叉参考]
Krajzewicz，D。；埃德曼，J。；贝里希，M。；Bieker，L.《SUMO-城市流动性模拟》的最新发展和应用。国际期刊高级系统。测量。 2013,5, 4. [谷歌学者]
扎伊迪，A.A。；Kulcsár，B。；Wymeersch，H.城市车辆网络固定和自适应路由的背压交通信号控制。IEEE传输。智力。运输。系统。 2016,17, 2134–2143. [谷歌学者] [交叉参考] [绿色版本]
Lämmer，S。；Helbing，D.城市道路网中交通灯和车流的自我控制。《统计力学杂志》。理论实验。 2008,2008，第P04019页。[谷歌学者] [交叉参考] [绿色版本]
伯纳斯，M。；Płaczek，B。；Smyła，J.基于传感器网络数据控制交通信号的神经进化方法。传感器 2019,19, 1776. [谷歌学者] [交叉参考] [公共医学] [绿色版本]