System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种路边单元信任预测方法及系统,属于路边单元信任预测。
技术介绍
1、随着车载自组网(vehicularadhoc networks,vanets)的出现,车辆可以通过车载单元(on board unit,obu)与路边单元(road side unit,rsu)进行无线通信,获取实时信息,从而获得较好的驾驶体验,例如车辆可以通过路边单元rsu获得道路的交通情况,以便选择最合适的行驶路径。
2、然而,这当中存在着安全隐患,如果存在恶意路边单元rsu发布虚假消息,可能会导致车辆做出错误决策,因此引发严重的交通事故。此外,即使是非恶意路边单元rsu,由于存在资源上的差异,可能无法满足车辆在通信时延或通信开销等方面的需求。
3、现有的信任管理方案从主体上主要分为三类:面向实体的、面向数据的以及混合信任模型,从方法上主要分为两类:基于数学建模的和基于机器学习的,从应用场景上也主要分为两类:基于移动边缘计算的物联网环境以及基于非移动边缘计算的物联网环境。然而,以上信任预测方案大多都是集中式的,集中式的信任预测方案易受单点故障影响,有着严重安全挑战,恶意rsu的预测准确性较低。
4、因此,需要一种信任预测机制来解决vanets当中的路边单元rsu安全问题,通过对路边单元rsu的信任预测,为车辆筛选出安全可靠且能满足自身需求的路边单元rsu。
5、上述问题是在路边单元信任预测过程中应当予以考虑并解决的问题。
技术实现思路
1、本专利技
2、本专利技术的技术解决方案是:
3、一种路边单元信任预测方法,包括以下步骤,
4、s1、获取车辆对路边单元rsu的信任评分数据,包括车辆序号、路边单元rsu序号和真实信任值;
5、s2、将信任评分数据转化为信任评分矩阵,通过信任评分矩阵计算车辆信任偏好矩阵p和rsu信任属性矩阵q;
6、s3、通过车辆对路边单元rsu的信任评分数据,计算出车辆隐含信任偏好矩阵w;
7、s2、计算当前车辆对路边单元rsu的直接预测信任值以及可信且相似车辆对路边单元rsu的间接预测信任值,由直接预测信任值与间接预测信任值分别加权融合确定预测信任值并添加基于相似rsu的正则化项,构建路边单元信任预测模型;
8、s3、使用信任评分数据对路边单元信任预测模型进行训练,得到训练后的路边单元信任预测模型;
9、s4、对选择的目标路边单元,使用训练后的路边单元信任预测模型,得到目标预测信任值;
10、s5、由得到的目标预测信任值判定目标路边单元是否被信任,在得到的目标预测信任值大于设定值时,判定目标路边单元被信任时,进入下一步骤s6;否则为不被信任时,选择下一目标路边单元,并返回步骤s4;
11、s6、车辆与目标路边单元交互,产生真实信任评分,并由真实信任评分更新步骤s1的信任评分数据。
12、进一步地,步骤s2中,可信且相似车辆基于通过车辆的社交网络并利用皮尔逊相关系数和车辆影响力确定。
13、进一步地,步骤s2中,构建路边单元信任预测模型:
14、
15、其中,为预测信任值,为有过历史交互记录的车辆-rsu集合,ti,j为车辆序号i的车辆对路边单元rsu序号j的路边单元rsu的真实信任值,λ是一个正则化参数,||p||fro、||q||fro、||w||fro是车辆信任偏好矩阵p和rsu信任属性矩阵q、车辆隐含信任偏好矩阵w的frobenius范数,u(i)为车辆评分偏差,f(j)为路边单元rsu资源偏差,qj为rsu信任属性矩阵q中路边单元rsuj的信任属性特征向量,ts(j)为相似rsu集合:ts(j)={r|r∈top_k_s(k),sim′(j,r)>0},其中,sim'(j,r)表示路边单元rsuj与路边单元rsur的皮尔逊相似度,puj,r是一个标准化权重,qr为rsu信任属性矩阵q中路边单元rsur的信任属性特征向量;
16、进一步地,步骤s2中,标准化权重puj,r:
17、
18、其中,sim'(j,t)表示路边单元rsuj与路边单元rsut的皮尔逊相似度,sim'(j,r)表示路边单元rsuj与路边单元rsur的皮尔逊相似度:其中,其uj和ur分别表示调用了rsuj和rsur的车辆集合,其中,u为同时调用了rsuj与rsur的车辆集合,和分别表示rsuj与rsur的平均信任度。
19、进一步地,步骤s2中,计算当前车辆对路边单元rsu的直接预测信任值以及可信且相似车辆对路边单元rsu的间接预测信任值,由直接预测信任值与间接预测信任值分别加权融合确定预测信任值具体为,
20、s21、计算当前车辆对路边单元rsu的直接预测信任值
21、
22、其中,pi是车辆信任偏好矩阵p中车辆vi的信任偏好向量,ti,z、ti,a分别为车辆序号i的车辆对路边单元rsuz、rsua的真实信任值,wz为车辆隐含信任偏好矩阵w中路边单元rsuz反应出来的车辆vi的车辆隐含信任偏好向量,u(i)为车辆评分偏差,f(j)为路边单元rsu资源偏差,qj为rsu信任属性矩阵q中路边单元rsuj的信任属性特征向量,t表示转置;
23、s22、计算可信且相似车辆对路边单元rsu的间接预测信任值
24、
25、其中,px是车辆信任偏好矩阵p中车辆vx的信任偏好向量,tx,h、tx,b分别为车辆序号x的车辆对路边单元rsu序号h、b的路边单元rsu的真实信任值,wh是车辆隐含信任偏好矩阵w中路边单元rsuh反应出的车辆vx的隐含信任偏好;
26、s23、计算间接预测信任值权重η和直接预测信任值权重1-η;
27、s24、计算每个可信且相似车辆预测信任值的权重γi,x;
28、s25、由直接预测信任值与间接预测信任值分别加权融合确定预测信任值
29、
30、其中,(1-η)为直接预测信任值权重;η为间接预测信任值权重;tu(i)为可信且相似的车辆集合:tu(i)={x|x∈f(i),sim'(i,x)>0},其中,f(i)为车辆vi的信任车辆集合,sim'(i,x)为车辆vi和车辆vx的车辆相似度。
31、进一步地,步骤s23中,计算间接预测信任值权重η是通过可信且相似车辆与目标rsu是否有过交互历史的占比计算得到:
32、
33、其中,α是信任且相似的车辆中与目标rsu交互过的车辆数量;β是信任且相似的车辆中没有与目标rsu交互过的车辆数量。
34、进一步地,步骤s24中,计算每个可信且相似车辆预测信任值的权重γi,x,具体为,
35、s241、利本文档来自技高网...
【技术保护点】
1.一种路边单元信任预测方法,其特征在于:包括以下步骤,
2.如权利要求1所述的路边单元信任预测方法,其特征在于:步骤S2中,可信且相似车辆基于通过车辆的社交网络并利用皮尔逊相关系数和车辆影响力确定。
3.如权利要求1所述的路边单元信任预测方法,其特征在于:步骤S2中,构建路边单元信任预测模型:
4.如权利要求3所述的路边单元信任预测方法,其特征在于:步骤S2中,标准化权重PUj,r:
5.如权利要求1-4任一项所述的路边单元信任预测方法,其特征在于:步骤S2中,计算当前车辆对路边单元RSU的直接预测信任值以及可信且相似车辆对路边单元RSU的间接预测信任值,由直接预测信任值与间接预测信任值分别加权融合确定预测信任值具体为,
6.如权利要求5所述的路边单元信任预测方法,其特征在于:步骤S23中,计算间接预测信任值权重η是通过信任且可信且相似车辆与目标RSU是否有过交互历史的占比计算得到:
7.如权利要求5所述的路边单元信任预测方法,其特征在于:步骤S24中,计算每个可信且相似车辆预测信任值的权重γi,x,具体为
8.如权利要求7所述的路边单元信任预测方法,其特征在于:步骤S241中,利用皮尔逊相关系数计算车辆Vi和车辆Vx的相似度Sim(i,x):
9.如权利要求7所述的路边单元信任预测方法,其特征在于:步骤S243中,通过介数中心度确定车辆x在社交网络中的影响力BC(x)为:
10.一种路边单元信任预测系统,其特征在于:包括车辆、路边单元RSU、雾服务器和云服务器,
...【技术特征摘要】
1.一种路边单元信任预测方法,其特征在于:包括以下步骤,
2.如权利要求1所述的路边单元信任预测方法,其特征在于:步骤s2中,可信且相似车辆基于通过车辆的社交网络并利用皮尔逊相关系数和车辆影响力确定。
3.如权利要求1所述的路边单元信任预测方法,其特征在于:步骤s2中,构建路边单元信任预测模型:
4.如权利要求3所述的路边单元信任预测方法,其特征在于:步骤s2中,标准化权重puj,r:
5.如权利要求1-4任一项所述的路边单元信任预测方法,其特征在于:步骤s2中,计算当前车辆对路边单元rsu的直接预测信任值以及可信且相似车辆对路边单元rsu的间接预测信任值,由直接预测信任值与间接预测信任值分别加权融合确定预测信任值具体为,
6.如...
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。