车联网传输交通控制信息,事故警告,车辆定位等安全敏感性信息。若被恶意干扰、篡改或窃听,可能造成隐私泄露,通信中断甚至失去车辆的控制权,造成严重的经济损失和社会影响。敌意干扰攻击可能阻断车联网的信息交互,甚至造成拒绝服务攻击。数据篡改攻击破坏数据的完整性和真实性。窃听者旨在窃取车联网用户的隐私信息。因此,论文研究基于强化学习的车联网通信安全方案,抑制攻击动机实现主动防御,同时抵御敌意干扰攻击,数据篡改攻击,窃听攻击等多种攻击。论文提出一种基于间接互惠的车载单元信誉安全机制,规范车载单元的通信行为,抑制自私车联网用户的攻击动机。针对难以预知攻击策略场景,提出基于强化学习的车载单元通信模式选择算法,优化其数据包传递成功率、攻击率等性能。论文进而提出基于深度Q网络的车载单元通信模式选择算法,提升可支持深度学习算法的车载单元的通信优化速率,在大规模车联网中进一步抑制自私车联网用户的攻击动机,提高其数据包传递成功率和攻击率等性能。仿真结果表明,当附近区域存在8个车载单元,基于深度Q网络的车载单元通信模式选择算法相较于基于强化学习的算法在100个时间周期内减少了48.9%的攻击率。论文针对路侧单元广播过程中的敌意干扰问题,提出路侧单元协同功率控制方案,并针对干扰机攻击模式的不可知场景,设计基于深度强化学习的协同功率控制算法,提高车联网通信的抗敌意干扰能力。论文通过卷积神经网络将车联网的通信状态降维,并使用记忆模块加快动作状态值的更新速度、减少存储空间,加快学习速度。仿真结果表明在有三个路侧单元的车联网中,相较于基于Q学习的独立功率控制算法,所提基于强化学习的协同功率控制算法将数据包传递成功率提升了 12.0%。