关键词:
车联网安全
区块链
共识
信誉评估
联邦学习
摘要:
随着智能汽车工业、卫星通信等技术的应用,以及智能驾驶、无人驾驶等概念的提出,车联网技术正处于蓬勃发展阶段。与此同时,随着接入网络的车辆越来越多,安全问题也随之而来。虽然车联网是物联网的一种典型范例,但不同于其它传统物联网场景,车联网具有节点高移动性、网络拓扑结构变化快、设备和通信信道多且异构、设备资源不平衡且受限、网络规模大但网络强度持续变化等独有特性。因此,传统的网络安全解决方案无法直接应用在车联网场景中。虽然研究者们已经提出了基于身份认证和信誉评估等的解决方案,但是由于集中式架构、数据隐私和单点故障等问题,传统网络安全解决方案在实施上存在困难。近年来,学术界和工业界对面向车联网场景的基于信誉概念的区块链技术在理论和实践层面进行了广泛研究。由于区块链本身仍是一个正在不断发展完善的技术,在应用时,其性能和适应性上仍存在若干挑战和难题,如将区块链应用于不同场景下的可扩展性和安全性、基于区块链的信誉的定义、量化以及更新方案、针对不同场景的冷启动问题等。这些关键问题的突破对于区块链应用的发展具有重要意义。本文围绕车联网场景下应用区块链技术存在的若干问题,选取了三个典型车联网场景,从信誉角度切入,分别从设计面向共乘服务场景的安全/轻量/高效的区块链共识算法、设计面向数据共享场景和联邦学习场景下基于区块链技术的安全问题解决方案等,这三个方面展开研究,提出了三类新方法和新模型。论文的创新性工作如下:(1)针对基于信誉的区块链共识存在的效率和可扩展性较差、安全防御覆盖面较小、缺乏激励等问题,提出了一种基于自适应随机过滤和多特征信誉评估优化的共识算法MPoR(Modified Proof of Reputation)。该方法通过采用车辆节点唯一标识的哈希值作为随机过滤的量化标准,在显著减少了共识矿工数量的同时,实现了共识矿工组大小的自适应控制;此外,为抵御恶意攻击,消除现有的单信誉评价标准的不足,设计了一种基于多特征的信誉评估算法,优化了共识矿工组,对共识过程中的安全性,在抵御能力和抵御范围上都有提升。安全性分析和大量仿真实验表明,MPoR可以有效提高共识效率,并能抵御潜伏攻击和共谋攻击。(2)针对目前数据交互以及信任评估和信誉管理中存在的安全风险,提出了一种基于双层区块链的车联网安全信誉模型DBREMM(Double-layer Blockchain Reputation Evaluation&Management Model),基于该模型设计了一个完整信誉更新方案。首先提出了一种双联盟区块链协作运行的车联网信誉更新模型,分别用于记录事件和信誉。其次,针对数据共享场景中事件安全验证这一典型模型,设计了一套完整的信誉评估与更新方案。包括:1)基于多因素贝叶斯推理的直接信任计算,减少了信任计算过程中的观测误差,提高了评估可靠性;2)基于历史累积信誉值和衰减因子的间接信任计算方法,以及基于数量阈值和波动因子的安全信誉融合方案,从而降低了串通攻击和虚假信息注入等攻击的可能性。实验表明,相比现有的信誉评估模型,DBREMM具有更好的可用性、准确性和抵御攻击能力。(3)针对目前车联网联邦学习场景中信誉量化问题和冷启动问题,提出了一种基于区块链的混合信誉感知联邦学习模型BHRFL(Blockchain-based Hybrid Reputation-aware Federated Learning Model)。在 BHRFL 中,使用节点信誉链 NRBC(Node Reputation Blockchain)和学习信誉链 LRBC(Learning Reputation Blockchain)两条联盟链协作,分别记录车辆在网络中长期活动累积的信誉,以及在联邦学习任务中根据训练情况产生的学习信誉。基于双链模型,通过智能合约实现了 BHRFL框架的运行全流程,并在以太坊开发环境中对设计的面向BHRFL的智能合约进行了性能评估。此外,设计了一个全新的信誉评估方案,通过车辆历史信誉解决冷启动问题,以及通过综合车辆历史信誉和任务贡献,解决在数据非独立同分布场景下的节点选择问题。实验结果表明,针对效率、安全性、时延等指标,所提出的算法相比现有的基于信誉的联邦学习模型具有更好的性能。