【技术实现步骤摘要】
基于局部和全局行为模式分析的车辆身份验证方法及系统
[0001]本专利技术涉及一种基于局部和全局行为模式分析的车辆身份验证方法以及基于该方法实现的系统，属于车联网
。
技术介绍
[0002]作为智慧城市基建中的关键技术，车联网
(InternetofVehicles
，
IoV)
正在被许多人关注和研究
。
信息和数据可以通过车对车通信
、
车对基础设施通信在车辆之间或车辆与基础设施之间高效传输和有效处理
。
车联网中辅助驾驶
、
碰撞前感知和预警等越来越多的潜在应用，提高了出行体验和交通效率
。
[0003]然而，车联网作为一个包含人
、
车辆
、
基础设施等多个可交互元素的复杂网络，人与车之间
、
车与车之间
、
车与基站之间频繁的信息交互都会给不法分子提供可乘之机，使得用户暴露在一个存在安全与信任问题的环境中
。
随着入网车辆越来越多，如何高效准确对其身份进行验证成为了一个重要的研究问题
。
为了保证车联网通信的安全，必须在车联网部署之前解决车辆身份安全问题
。
[0004]目前的身份验证方法主要有三种：
(1)
基于密码学的身份验证方案；
(2)
基于数字签名的身份验证方案；
(3)
基于行为的身份验证方案
。>前两类传统的基于密码学和基于数字签名的身份验证方案可以保证访问用户拥有合法的用户名和对应的密码或凭证，这可以作为验证系统的第一道防线
。
但是无法发现车辆身份被盗用的问题，如果用户名和密码，甚至证书被广告泄露或窃取，验证系统仍然会将被盗的账号视为正常账号，因为他们确实拥有合法的账号
。
事实上，这是非常危险的，因为合法账号已经被恶意用户操纵
。
并且这类身份验证方法不能及时检测出司机的反常行为，当发生事故时一般只能执行事后的惩罚措施
。
基于行为的身份验证方案在检测金融系统中的身份盗窃中受到越来越多的关注
。
主要包括鼠标移动行为
、
键盘输入行为
、
触摸屏交互和社交行为
。
特别是在检测可疑行为时，采用了机器学习算法
。
但上述基于行为的身份验证的对象模型主要集中在键盘输入行为
、
鼠标移动行为和触摸屏行为上，不同于车辆驾驶行为模型，并且车联网中的行为数据非常稀疏
。
因此，直接使用上述验证方法解决车联网中的身份盗窃问题是不合适的
。
技术实现思路
[0005]本专利技术的目的是：为联网车辆设计并实现一套合理可靠的身份验证机制，解决现有技术中无法检测出车联网中的车辆身份盗用问题
。
[0006]为了达到上述目的，本专利技术的技术方案是提供了一种基于局部和全局行为模式分析的车辆身份验证方法，其特征在于，包括以下步骤：
[0007]S1
：通过路边单元对过往车辆的行驶数据进行采集和预处理，得到车辆的历史行为数据，包括以下步骤：
[0008]S11
：通过路边单元，采集关于车辆
u
的原始行驶数据项，包括车辆
u
的
ID
号
ID
u
、
当前原始行驶数据所对应的时间戳
t
u
、
车辆
u
的即时
GPS
位置
p
u
、
车辆
u
的即时速度
s
u
、
车辆
u
的
行驶方向
d
u
，其中，行驶方向定义为车头与地图正北方向的顺时针夹角；
[0009]S12
：将时间戳
t
u
扩展到时隙，将即时
GPS
位置
p
u
映射到子路段；
[0010]S2
：基于位于本地的历史行为数据，在每个路边单元上通过局部行为模型执行局部行为模式分析，计算每个车辆与其历史行为的差异，为每个车辆得到基于行为的身份验证的局部模型，从而定量地评估车辆的行为表现，以反映车辆到达当前路边单元时的行为习惯；
[0011]S3
：中央云服务器收集网络中所有路边单元内的所有车辆历史行为数据，基于可观察和有顺序的输入，进行全局行为模式分析，在车辆到达下一个路边单元之前，获得车辆将移动到的下一个路边单元的概率值；
[0012]S4
：路边单元利用车辆当前的实时行为数据，集成局部和全局行为模式分析的结果，进行最终身份验证
。
[0013]优选地，所述步骤
S12
中，将即时
GPS
位置
p
u
映射到子路段进一步包括以下步骤：
[0014]S12
‑1：在地图上过滤出道路交叉点和拐点，将道路段划分为不同方向的子路段，其中，拐点根据以下公式得到：
[0015]|
Γ
(l
i
，
l
j
)
‑
Γ
(l
i
，
l
k
)|
＞
ε
[0016]式中，
Γ
(l
i
，
l
j
)
表示起点为
l
i
、
终点为
l
j
的线段的斜角，
Γ
(l
i
，
l
k
)
表示起点为
l
i
、
终点为
l
k
的斜角，
ε
表示偏置阈值；
[0017]S12
‑2：在得到所有子路段后，用一个序列号来标记每个子路段，这样每个即时
GPS
位置
p
u
都可以映射到一个子路段
。
[0018]优选地，所述步骤
S2
包括以下步骤：
[0019]S21
：根据交通数据的强时空关联特性，利用张量分解技术来填补数据缺失值，包括以下步骤：
[0020]S21
‑1：构造速度张量和行驶角度张量每个张量的大小为
M
×
Z
×
L
，其中，速度张量和行驶角度张量的三个维度分别是子路段序列号
、
时隙和车辆
ID
，速度张量或行驶角度张量中的每个元素表示在特定时间内某个特定车辆在本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种基于局部和全局行为模式分析的车辆身份验证方法，其特征在于，包括以下步骤：
S1
：通过路边单元对过往车辆的行驶数据进行采集和预处理，得到车辆的历史行为数据，包括以下步骤：
S11
：通过路边单元，采集关于车辆
u
的原始行驶数据项，包括车辆
u
的
ID
号
ID
u
、
当前原始行驶数据所对应的时间戳
t
u
、
车辆
u
的即时
GPS
位置
p
u
、
车辆
u
的即时速度
s
u
、
车辆
u
的行驶方向
d
u
，其中，行驶方向定义为车头与地图正北方向的顺时针夹角；
S12
：将时间戳
t
u
扩展到时隙，将即时
GPS
位置
p
u
映射到子路段；
S2
：基于位于本地的历史行为数据，在每个路边单元上通过局部行为模型执行局部行为模式分析，计算每个车辆与其历史行为的差异，为每个车辆得到基于行为的身份验证的局部模型，从而定量地评估车辆的行为表现，以反映车辆到达当前路边单元时的行为习惯；
S3
：中央云服务器收集网络中所有路边单元内的所有车辆历史行为数据，基于可观察和有顺序的输入，进行全局行为模式分析，在车辆到达下一个路边单元之前，获得车辆将移动到的下一个路边单元的概率值；
S4
：路边单元利用车辆当前的实时行为数据，集成局部和全局行为模式分析的结果，进行最终身份验证
。2.
如权利要求1所述的一种基于局部和全局行为模式分析的车辆身份验证方法，其特征在于，所述步骤
S12
中，将即时
GPS
位置
p
u
映射到子路段进一步包括以下步骤：
S12
‑1：在地图上过滤出道路交叉点和拐点，将道路段划分为不同方向的子路段，其中，拐点根据以下公式得到：
|
Γ
(l
i
,l
j
)
‑
Γ
(l
i
,l
k
)|>
ε
式中，
Γ
(l
i
,l
j
)
表示起点为
l
i
、
终点为
l
j
的线段的斜角，
Γ
(l
i
,l
k
)
表示起点为
l
i
、
终点为
l
k
的斜角，
ε
表示偏置阈值；
S12
‑2：在得到所有子路段后，用一个序列号来标记每个子路段，这样每个即时
GPS
位置
p
u
都可以映射到一个子路段
。3.
如权利要求1所述的一种基于局部和全局行为模式分析的车辆身份验证方法，其特征在于，所述步骤
S2
包括以下步骤：
S21
：根据交通数据的强时空关联特性，利用张量分解技术来填补数据缺失值，包括以下步骤：
S21
‑1：构造速度张量和行驶角度张量每个张量的大小为
M
×
Z
×
L
，其中，速度张量和行驶角度张量的三个维度分别是子路段序列号
、
时隙和车辆
ID
，速度张量或行驶角度张量中的每个元素表示在特定时间内某个特定车辆在某个特定子路段的速度值或行驶方向值；
S21
‑2：分别对速度张量和行驶角度张量进行
Tucker
分解，获得复原张量，完成数据填充，获得复原的速度张量以及复原的驱动角张量其中：采用相同的方法获得复原的速度张量以及复原的驱动角张量其中，复原的速度张量采用以下方法获得：对速度张量进行
Tucker
分解，则有：
式中，
×1、
×2和
×3表示乘积的顺序，
c
为核心张量，
U、R、T
分别表示三因子矩阵，且矩阵
U、R
和
T
被认为是车辆
ID、
子路段和时隙维度的主成分；引入检验矩阵作为辅助信息，检验矩阵分别为交通环境矩阵
E
和出行熟悉度矩阵
F
，其中，交通环境矩阵
E
收集每个时段各子路段的车流量，大小为
L
×
Z
；出行熟悉度矩阵
F
存储每辆车在每个子路段的出现次数，大小为
M
×
Z
，则定义目标函数为：式中，表示正则化项，
λ
表示正则化系数；表示辅助项，
β
是辅助信息的权重，
||
·
||
表示
L2
范数，矩阵
A
和
B
是交通环境矩阵
E
和出行熟悉度矩阵
F
的两个辅助因子矩阵；通过目标函数来比较源张量和之间的非零元素，利用梯度下降算法调整核心张量和因子矩阵中的值，使得目标函数的值越来越小，直到收敛；通过附加的估计项来获得复原张量，得到复原的速度张量
S22
：根据填充完成的数据集进行局部行为模式拟合，得到用于行为验证的局部行为模型
。4.
如权利要求3所述的一种基于局部和全局行为模式分析的车辆身份验证方法，其特征在于，步骤
S22
中，实现局部行为拟合包括以下步骤：
S22
‑1：为每个车辆建立关于驾驶行为的概率分布模型，考虑车辆
u
的二维高斯分布的概率密度分布函数，则有：式中，
X
u
＝
(s
u
,d
u
)
T
代表车辆
u
的行为样本数据；分别为两个行为属性
s
u
和
d
u
的均值；
∑
u
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。