论文部分内容阅读
车联网支持车辆与其它网络设备进行通信,能够为车辆提供相关驾驶信息,交通路况、以及多媒体业务。这些信息能够降低交通事故发生概率,提升驾驶体验。本文主要关注车辆之间安全告警信息的可靠传输问题。具体的研究成果和贡献概况如下:与普通用户相比,车辆通信环境复杂多变,车辆间通信可靠性难以保障。然而,车到车间通常传输安全告警信息,这些信息为安全驾驶提供重要参考,因此车辆间的通信时延要求严格,可靠性要求高。实验表明,城市交通环境下,车辆之间数据传输的丢失大概率由于遮挡等非视距因素导致。在车辆间的链路为非视距的情况下,车与车之间的通信需要其他车辆或者基础设施的辅助转发,以保证通信的可靠性。因此,准确识别非视距链路尤为重要。本文借助卷积神经网络算法,提出了利用信道状态信息,车辆位置信息,和信号接收强度指示作为输入向量,对链路的视距和非视距进行判定。在十字路口环境中,收集真实视距和非视距链路的信号特性作为依据,验证了提出的链路非视距识别算法的准确性。同时,将链路识别机制作为车辆间信号散播的参考依据,基于NS3搭建了车联网系统仿真平台,验证了非视距链路识别对车辆间通信可靠性的提升。其次,本文研究了车联网异常节点行为检测问题。车联网环境复杂,节点异常行为可能受到多方面的影响,如网络攻击,节点故障等。本文对节点异常行为进行定义,其主要包括了物理性异常与网络性异常,其中物理性异常表现为车辆节点受到外界环境影响导致其无法正常行驶,网络性异常体现在车辆节点受到DOS攻击或黑洞攻击而无法正常可靠地进行通信,这些异常行为导致安全告警信息无法可靠地传输给车辆节点,从而威胁网络通信安全以及车辆驾驶安全。为了消除异常节点对网络可靠性的影响,本文提出了异常节点检测机制。考虑到环境中可能存在未知的电子攻击类型以及故障类型,本文需要使用无监督机器学习算法。变分自编码器是一种无监督学习算法,其不需要提前获取更多的系统先验信息,并且会自动快速学习到正常环境下的行为信息。本文使用变分自编码器进行异常节点的检测。考虑到现实环境中训练数据样本数目受限,本文借助变分自编码器特性,人工地生成训练数据本数目。除此之外,当编队经过中心节点覆盖区域时,为了减少系统占用带宽,本文使用联合平均算法实现了检测模型的校准,提升了检测准确率。