车载社交网络中融合社交属性的车辆节点信任评估方法

摘要

本发明公开了车载社交网络中融合社交属性的车辆节点信任评估方法，通过节点的历史通信行为计算节点的直接信任和间接信任，对节点的直接信任和间接信任加权相加得到通信信任；通过判断评估节点与受评节点是否属于同一个社区，对节点进行社区分类：评估节点与受评节点属于同一个社区的进行社区内计算，评估节点与受评节点不属于同一个社区的进行社区间计算，得到社交信任；基于节点的通信信任与社交信任计算节点总信任度。车载社交网络中的混合信任评估模型能对节点的信任度进行有效地评估，有效提高车辆节点信任评估的准确性，抵制恶意节点的攻击，提高车载社交网络的安全性。

说明书

技术领域

本发明涉及车载社交网络安全技术领域，具体为车载社交网络中融合社交属性的车辆节点信任评估方法。

背景技术

随着车载社交网络的发展，车载社交网络中的信息安全问题已成为近年来的研究热点，车辆节点的信任评估是解决车载社交网络信息安全的一种有效途径。通过对车辆节点进行可信度评估，能有效识别网络中的恶意节点，同时还能基于节点的可信度进行路由协议中继节点的选择，提高数据传输的效率。

目前，针对车载社交网络中的车辆节点评估方法主要是基于节点历史通信行为对节点的可信程度进行评估，并未挖掘和考虑节点的社交属性对节点可信度的影响，因此，对节点的信任评估不够全面，准确率有待进一步提高。本发明设计一种适用于车载社交网络的车辆节点信任评估方法，该方法基于节点的历史通信行为计算节点的通信信任，同时融合车辆节点的社交属性计算节点的社交信任，构建基于通信信任和社交信任的混合信任评估模型，全面准确的评估车辆节点的可信性，提高评估的准确率。

发明内容

本发明的目的在于提供车载社交网络中融合社交属性的车辆节点信任评估方法，以克服现有技术的不足，通过对车辆节点的通信信任和社交信任加权计算，获得车辆节点的综合信任评估模型，能有效全面评估节点的信任值，避免恶意节点转发消息，提高节点的转发性能，增强整个车载社交网络的安全性。

为达到上述目的，本发明采用如下技术方案：

车载社交网络中融合社交属性的车辆节点信任评估方法，包括以下步骤：

步骤1)，在车载社交网络中，基于节点V_j的历史通信行为计算节点的直接信任和间接信任，加权得到节点的通信信任；

步骤2)，判断节点V_i与节点V_j是否在同一个社区；

步骤3)，根据节点V_i与节点V_j是否在同一个社区，计算节点V_j的社交信任；

步骤4)，计算节点V_j在车载社交网络的总信任度，节点V_j的总信任度由通信信任与社交信任加权得到，T(V_i,V_j)表示节点V_j的通信信任，S(V_i,V_j)表示节点V_j的社交信任，则节点V_j的总信任度计算如下：

α₄,β₄是权重因子，α₄+β₄＝1。

进一步的，步骤1)中，1.1、计算节点V_j的直接信任：

设节点V_i与节点V_j总共进行了K次交互，其中第k次交互的交互行为权重为w_k(V_i,V_j),评价值为E_k(V_i,V_j)，V_i对V_j的直接信任度D(V_i,V_j)计算如下：

1.2计算节点V_j的间接信任

节点V_i对节点V_j的间接信任由V_j的推荐用户对V_j的直接信任得到，推荐信任是所有与V_j有过交互的节点对V_j做出的综合评价，表现了节点V_j在网络中的总体可信度，节点V_i对节点V_j推荐信任I(V_i,V_j)计算如下：

是节点V_i对推荐用户V_m的可信度，G为所有可信推荐用户的集合，λ为推荐阈值，只有当推荐用户的可信度节点V_i才会接受其推荐信息；

1.3计算节点V_j的通信信任：

采用加权平均的方法计算节点V_i对V_j的通信信任值T(V_i,V_j)，计算公式如下：

T(V_i,V_j)＝α₁D(V_i,V_j)+β₁I(V_i,V_j)>

α₁+β₁＝1,α₁为直接信任的权重，β₁为间接信任的权重。

进一步的，步骤2)中，假设已获取节点偏好习惯数据，每个节点兴趣内容随机分布，将节点多兴趣表示为I{m₁,m₂,m₃,m_i…,m_n}，其中元素m_i为任意兴趣具有二值属性，m_i取值0或1，当m_i＝1表示对该类信息感兴趣，m_i＝0表示对该类兴趣排斥，定义节点V_i与节点V_j的相似距离：

当两个节点的相似距离不大于1时，认为两个节点属于同一社区；否则，认为两个节点不属于同一社区。

进一步的，步骤3)中，3.1若节点V_i与节点V_j在同一个社区，通过计算节点V_i与节点V_j的相似性、亲密度，得到节点V_j的社交信任；

3.2若节点V_i与节点V_j不在同一个社区，用节点的社区中心性来量化节点的社交关系大小；计算节点V_j在社区的中心性，得到节点V_j的社交信任。

进一步的，节点V_i和节点V_j之间的相似性表示节点V_i和节点V_j的社区内共同邻居节点占两个节点所有的邻居节点的比例与节点V_i、节点V_j相似距离之和。在时刻τ，节点V_i和节点V_j之间的相似性表示为：

的值越大，表示节点V_i和节点V_j之间的共同邻居越多，越相似，它们之间的信任程度越高；表示节点V_i在τ时刻的邻居节点集合，即节点V_i通信范围内可以连接的节点集合，表示节点V_i在τ时刻的邻居节点集合，即节点V_j通信范围内可以连接的节点集合，L表示节点V_i与节点V_j的相似距离。

节点V_i和节点V_j的亲密度指在一段时间t内，节点V_i和节点V_j的连接总次数占节点V_i在时间t内与所有节点连接总次数的比例，连接越频繁，表示节点V_i与节点V_j交互次数越多，亲密度越高。亲密度计算公式如下：

表示节点V_i和节点V_j的亲密度，表示节点V_i和节点V_j在时间t内的连接总次数，表示在时间t内节点V_i与所在社区其他节点建立连接的总次数，N为节点V_i所在社区节点总数。

节点V_j的社交信任值S(V_i,V_j)计算公式如下：

α₂、β₂为权重系数，α₂+β₂＝1。

进一步的，在时刻τ，节点度中心性计算公式如下：

表示节点V_j在τ时刻的度中心性，是计算节点V_j与其他N-1个节点之间的直接连接的数量，如果节点V_j和节点V_r之间有连接，则N为节点V_j所属社区的节点总数。

在时刻τ，节点中介中心性计算公式如下：

表示节点V_j在τ时刻的中介中心性，g_u,v表示所有节点间最短路径的总数，g_u,v(V_j)表示所有节点间包含节点V_j的最短路径总数，N为节点V_j所属社区的节点总数。

在时刻τ，节点的社区中心性计算公式如下：

表示节点V_j在τ时刻的社区中心性，α₃、β₃为权重系数，α₃+β₃＝1；

进一步的，节点V_j的社交信任计算如下：

与现有技术相比，本发明具有以下有益的技术效果：

本发明车载社交网络中融合社交属性的车辆节点信任评估方法，通过节点的历史通信行为计算节点的直接信任和间接信任，对节点的直接信任和间接信任加权相加得到通信信任；通过判断评估节点与受评节点是否属于同一个社区，对节点进行社区分类：评估节点与受评节点属于同一个社区的进行社区内计算，评估节点与受评节点不属于同一个社区的进行社区间计算，得到社交信任；基于节点的通信信任与社交信任计算节点总信任度。车载社交网络中的混合信任评估模型能对节点的信任度进行有效地评估，有效提高车辆节点信任评估的准确性，抵制恶意节点的攻击，提高车载社交网络的安全性。

附图说明

图1为本发明所述算法的流程框图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

下面结合具体的实施对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

如图1所示，本发明具体为车载社交网络中融合社交属性的车辆节点信任评估方法，包括如下步骤：

定义当前车载社交网络中的车辆节点集合为V＝{V₁,V₂,V_i…V_n}，其中n为车辆节点总数，V_i为车载社交网络中任意一个车辆节点，V_j为V_i通信范围内的邻居节点。节点V_i通过计算节点V_j的通信信任和社交信任，得到V_j的总信任度，以此来评估节点V_j的可信度。

步骤1，在车载社交网络中，基于节点V_j的历史通信行为计算节点的直接信任、间接信任，加权得到节点的通信信任；

1.1计算节点V_j的直接信任

节点V_i对节点V_j的直接信任与两者之间的交互次数、评价信息、交互行为有关。交互行为根据重要程度、价值大小可以分为五类：

表1节点交互行为的分类

上表对不同的交互行为分配了相应的权重，可以在一定程度上区分不同交互行为对信任的影响。

设节点V_i与节点V_j总共进行了K次交互，其中第k次交互的交互行为权重为w_k(V_i,V_j),评价值为E_k(V_i,V_j)，V_i对V_j的直接信任度D(V_i,V_j)计算如下：

1.2计算节点V_j的间接信任

节点V_i对节点V_j的间接信任由V_j的推荐用户对V_j的直接信任得到，推荐信任是所有与V_j有过交互的节点对V_j做出的综合评价，表现了节点V_j在网络中的总体可信度，节点V_i对节点V_j推荐信任I(V_i,V_j)计算如下：

是节点V_i对推荐用户V_m的可信度，G为所有可信推荐用户的集合，λ为推荐阈值，只有当推荐用户的可信度节点V_i才会接受其推荐信息。

1.3计算节点V_j的通信信任

采用加权平均的方法计算节点V_i对V_j的通信信任值T(V_i,V_j)，计算公式如下：

T(V_i,V_j)＝α₁D(V_i,V_j)+β₁I(V_i,V_j)>

α₁+β₁＝1,α₁为直接信任的权重，β₁为间接信任的权重。

步骤2，判断节点V_i与节点V_j是否在同一个社区；

假设已获取节点偏好习惯数据，每个节点兴趣内容随机分布，将节点多兴趣表示为I{m₁,m₂,m₃,m_i…,m_n}，其中元素m_i为任意兴趣具有二值属性，m_i取值0或1，当m_i＝1表示对该类信息感兴趣，m_i＝0表示对该类兴趣排斥，定义节点V_i与节点V_j的相似距离：

当两个节点的相似距离不大于1时，认为两个节点属于同一社区；否则，认为两个节点不属于同一社区。

步骤3，计算节点V_j的社交信任；

3.1若节点V_i与节点V_j在同一个社区，通过计算节点V_i与节点V_j的相似性、亲密度，得到节点V_j的社交信任。

节点V_i和节点V_j之间的相似性表示节点V_i和节点V_j的社区内共同邻居节点占两个节点所有的邻居节点的比例与节点V_i、节点V_j相似距离之和。在时刻τ，节点V_i和节点V_j之间的相似性表示为：

的值越大，表示节点V_i和节点V_j之间的共同邻居越多，越相似，它们之间的信任程度越高；表示节点V_i在τ时刻的邻居节点集合，即节点V_i通信范围内可以连接的节点集合，表示节点V_i在τ时刻的邻居节点集合，即节点V_j通信范围内可以连接的节点集合，L表示节点V_i与节点V_j的相似距离。

节点V_i和节点V_j的亲密度指在一段时间t内，节点V_i和节点V_j的连接总次数占节点V_i在时间t内与所有节点连接总次数的比例，连接越频繁，表示节点V_i与节点V_j交互次数越多，亲密度越高。亲密度计算公式如下：

表示节点V_i和节点V_j的亲密度，表示节点V_i和节点V_j在时间t内的连接总次数，表示在时间t内节点V_i与所在社区其他节点建立连接的总次数，N为节点V_i所在社区节点总数。

节点V_j的社交信任值S(V_i,V_j)计算公式如下：

α₂、β₂为权重系数，α₂+β₂＝1。

3.2若节点V_i与节点V_j不在同一个社区，用节点的社区中心性来量化节点的社交关系大小。计算节点V_j在社区的中心性，得到节点V_j的社交信任。

节点度中心性(Degree Centrality)测量网络中一个节点与所有其它节点相联系的程度，一个节点的节点度越大就意味着这个节点的度中心性越高，该节点在网络中就越重要，在网络中的社交关系越强，节点越可信。在时刻τ，节点度中心性计算公式如下：

表示节点V_j在τ时刻的度中心性，是计算节点V_j与其他N-1个节点之间的直接连接的数量，如果节点V_j和节点V_r之间有连接，则N为节点V_j所属社区的节点总数。

节点中介中心性(Betweeness Centrality)指一个节点担任其它两个节点之间最短路径的桥梁的次数，一个节点充当“中介”的次数越高，它的中介中心度就越大，说明该节点更有能力促进其他节点间通信。在时刻τ，节点中介中心性计算公式如下：

表示节点V_j在τ时刻的中介中心性，g_u,v表示所有节点间最短路径的总数，g_u,v(V_j)表示所有节点间包含节点V_j的最短路径总数，N为节点V_j所属社区的节点总数。

节点的社区中心性是节点度中心性和节点中介中心性加权相加。在时刻τ，节点的社区中心性计算公式如下：

表示节点V_j在τ时刻的社区中心性，α₃、β₃为权重系数，α₃+β₃＝1。

综上所述，节点V_j的社交信任计算如下：

步骤4，计算节点V_j在车载社交网络的总信任度；

节点V_j的总信任度由通信信任与社交信任加权得到，T(V_i,V_j)表示节点V_j的通信信任，S(V_i,V_j)表示节点V_j的社交信任，则节点V_j的总信任度计算如下：

α₄,β₄是权重因子，α₄+β₄＝1。