车联网作为智能交通系统的基础,实现车辆节点之间以及车辆节点与路边基础设施之间的数据协作与信息交换,例如协同交通信息发布系统是这种节点间协作的典型应用。由于车辆之间的通信是间歇性的,当网络中存在恶意实体时,提供基础安全信息的共享环境面临挑战。一方面,车辆节点向其邻居车辆节点以及RSU共享其安全基础信息（如当前位置、速度、方向与控制信息等）,另一方面,接受消息的车辆节点可以根据当前数据构建交通视图及其他应用程序,车联网中的实体既是服务的提供者又是消费者。车联网应用的性能受到实体间协作、数据安全、用户隐私、交换信息的可靠性、真实性等诸多因素的影响。在上述因素中,数据来源的真实性与数据本身是接收实体接受或拒绝该数据的关键因素,因此在根据所接收到的信息采取决策之前,网络中的实体应评估所收到消息的可信度。本文研究车辆节点对消息真实性判别机制,具体包含以下主要贡献:随着攻击手段的多样化与智能化,静态被动的传统防御机制呈现出一定的局限性。攻击者可以对网络状态进行观察,收集脆弱目标信息制定完整高效的攻击策略,防御技术需保证网络中所有实体的安全性,合理设置网络随机性增加攻击的不确定性形成动态防御体系。首先描述了当前恶意车辆节点对车载网络的多样化攻击策略,并提出改进型信任模型,系统可以通过动态调整信任阈值帮助正常车辆节点正确评估所接收的消息,基于随机博弈构建单个恶意车辆节点与信任阈值调整机制之间的攻防过程,并通过Nash Q-learning得到双方的最佳策略,得到每个网络状态下的最佳信任阈值,仿真验证了在动态信任阈值调整机制下,能够有效降低正常车辆节点对恶意车辆节点虚假消息的接受率。其次,针对网络中多个恶意车辆节点的攻击行为,提出基于不完全信息随机Stackelberg博弈与强化学习的动态信任评估机制,首先描述了恶意车辆节点间的非合作不完全信息随机博弈,利用强化学习算法得到恶意车辆节点间的最佳攻击动作,并且将恶意车辆节点与动态信任评估机制的相互作用构建为随机Stackelberg博弈,引入深度强化学习算法使得系统能够预测恶意车辆节点的攻击强度,并确定最佳的信任阈值,限制网络中恶意车辆节点的攻击行为,保证车辆网络的正常运行,并通过仿真验证了提出机制的有效性。