车载自组网中的条件隐私保护认证方案研究

来源 :西华大学 | 被引量 : 0次 | 上传用户:wwg139580
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
车载自组网作为智慧交通的重要组成部分,在给人们带来便利的同时,其安全性和隐私性一直是学术界关注的焦点。在现有的车载自组网环境中,攻击者能够轻易地截获,甚至篡改传输中的消息,对车载自组网的可认证性、完整性等安全要素提出了挑战,也对车载自组网的隐私性提出了更高的要求。车载自组网认证方案作为保障信息安全和用户隐私的重要手段,逐渐成为车载自组网研究的热点之一。由于车载自组网动态的网络拓扑特性,以及车载云所带来的更加复杂的网络问题,本文基于区块链技术和密钥协商技术,设计了两种车载自组网环境下满足条件隐私保护的认证方案,主要研究内容如下:(1)基于区块链技术,设计了一种满足跨域认证需求的条件隐私保护认证方案。该方案实现了同级认证节点之间的信息共享,以及车辆认证过程中的不可链接性,最终满足了跨域认证的场景假设,达成了条件隐私保护效果。仿真实验表明,在认证和成员秘密生成阶段,该方案比同类型方案的计算效率有显著的提升。(2)基于密钥协商技术,设计了一种可快速增删认证节点的条件隐私保护认证方案。该方案不仅实现了分布式系统的信息同步和认证过程中的条件隐私保护,还了单个认证节点在加入或移出系统时,系统内部对会话密钥的更新。实验表明,该方案在保持计算优势的同时,方案采用的分布式系统拥有更好的容错性。本文对车载自组网中的认证方案进行了研究。针对条件隐私保护中的不可链接性问题,提出了基于区块链的认证方案。在该方案的基础上,深入分析了分布式系统的容错机制,提出了基于密钥协商技术的认证方案,用于解决分布式系统中的信息同步问题。本文方案实现了认证过程中的信息安全保护和用户隐私保护,推动了车载自组网的信息安全和用户隐私研究,促进了车载自组网创新生态的发展。
其他文献
在远程预警和空间监视等领域,红外弱小目标检测和跟踪一直是一项重要任务。由于红外系统的成像距离较远,与红外图像背景相比,真实目标只占极其小的一部分,可使用的纹理、颜色、形状特征十分匮乏。同时,天气、成像系统等因素造成的噪声也在不同程度上影响红外弱小目标的能量强度和分布。现有的红外弱小目标检测算法在面临复杂背景时鲁棒性较差,存在漏检多、虚警高的情况。注意到红外图像的背景环境具有丰富特征的特点,围绕卷积
学位
近年来随着以比特币为代表的加密货币受到国际国内的广泛关注,使得其底层区块链技术得到了持续的创新发展与应用。区块链技术作为一种全新的分布式基础架构与计算范式,能够在缺乏第三方信任的机制下实现多方共识,不仅为数据隐私保护和安全传输提供了全新的技术支持,同时还提高了价值交互的效率并降低了成本。共识算法作为区块链的核心技术之一,具有维护区块链系统稳定运行和节点相互信任的重要作用,保障了区块链数据的可验性和
学位
边缘检测可以保留二维图像的重要特征,降低二维图像的信息量,从而应用于行人检测和无人驾驶等领域。现有的边缘检测方法往往会有一些共同的缺点:边缘不连续、弱边缘、易受噪声影响、梯度阈值设置困难等。动态阈值神经P系统(简称DTNP系统)是一种分布式并行计算模型,它拥有局部区域神经元的协同点火与动态阈值机制。通过对原始彩色图像进行颜色空间转换和多尺度处理,计算出边缘特征,将这些信息输入构造好的DTNP边缘检
学位
人们对一件事情的看法越来越多地受到社交媒体(如Tweet,Facebook,微博等)的影响,这些事件往往涉及政治、经济、社会等方方面面。了解社交网络中的邻居如何形成自己的意见,不同用户之间的观点是如何被影响的,对互联网舆情的引导,对社会的稳定至关重要。同时,了解人们的意见形成机制,对产品的营销、信息的传播、观点的引导等起着促进作用,在这些相关领域中关键节点扮演了十分重要的角色。现有的关键节点发现与
学位
学位
近年来,社交网络平台成为舆情发酵和爆发的主要阵地,众多突发事件和热点话题在微博上引发轩然大波,也有更多网民通过社交平台来表达诉求。部分事件由于涉及政治、民生等话题,短时间内能在网络中引起巨大轰动,此类事件如果不及时发现并及时处理可能会给政府和媒体带来极大的负面影响,严重时还会影响社会稳定。舆情的爆发与参与其中的公众关系紧密,由于个人的观点在网络中自由地表达,同时和其他网民进行了充分交流,使得舆情传
学位
报纸
随着近几年移动拍摄设备的兴起,图像去模糊逐渐在计算机视觉领域引起广泛关注。图像模糊是由于众多原因造成的,例如相机抖动、物体运动,进而导致图像出现伪影,图像质量下降。已有的去模糊算法将模糊图像建模为清晰图像与模糊核卷积的结果,并根据是否已知模糊核分为盲图像去模糊算法和非盲图像去模糊算法。在实际生活中,模糊核通常是未知的,因而盲图像去模糊方法具有更高的研究背景与应用价值。盲图像去模糊算法中,从一幅模糊
学位
自将卷积神经网络引入超分辨领域(Super-Resolution,SR)以来,因其使得图像重建效果显著等优点,基于深度学习的方法成为了超分辨率领域的主要研究热点之一。在将深度网络用于单幅图像超分辨(Single Image Super-Resolution,SISR)的成功应用环境下,众多研究者和学者为了进一步提高图像的重建效果,提出了大量的新网络模型和改进方法。其中大多网络模型以及改进方法主要侧
学位
随着深度学习的飞速发展,卷积神经网络(CNN)被广泛应用于图像分类和目标识别。虽然基于深度学习的目标检测算法的精度远远超过传统方法,但是卷积运算庞大的计算资源需求在很大程度上限制了算法在边缘设备中的推理。面向边缘计算场景的目标检测算法无法同时满足对于实时性和准确性的要求。为了平衡网络模型的大小和性能,满足嵌入式平台目标检测算法计算低成本、低功耗和低延迟的“三低”要求,本文对基于深度学习的目标检测方
学位