论文部分内容阅读
随着车联网的不断发展,提供的服务越来越多样化,给人们的生活带来了诸多便利。然而车辆在获取基于位置的服务(location-based services,LBSs)时,需要提供其真实位置,这可能导致车辆位置隐私的泄露。同时车辆也可以作为位置服务的提供者,比如当车辆参与执行基于群智感知的任务时,同样可能暴露自己的位置隐私。而且,不管车辆是获取服务还是提供服务,为保证数据传输的安全性,都需要设置细粒度的安全策略。因此,在车联网中建立位置隐私保护机制和实施安全策略部署已经成为研究的前沿和热点。然而,现有的位置隐私保护机制和安全策略部署存在如下问题:首先,由于车辆移动速度较快、车辆与路侧单元(Roadside Units,RSUs)接触时间短等特点,传统的位置隐私保护机制(如K-匿名)难以同时满足用户位置隐私保护和服务质量的需求;其次,针对任务分配中车辆位置的隐私保护问题,传统的基于位置扰动或混淆的隐私保护机制很难阻挡具有背景知识的攻击者;最后,对于车联网的安全策略部署,利用软件定义网络,可以将其转化成OpenFlow交换机中流量传输问题。然而传统的安全策略部署难以应对不同安全敏感度的流量路径选择延时最小的问题。面对上述问题与挑战,本文从以下三个方面展开研究:(1)针对车联网中基于位置隐私保护的服务获取展开研究。通过在RSU上设置服务内容的缓存,利用K-匿名,提出基于位置隐私保护的主动缓存策略,并证明其是NP难问题。基于子模态优化,利用贪婪算法给出该问题的解。实验结果显示,与FIFO机制和NOP机制相比,本文提出的策略不仅能够保护用户的位置隐私,而且具有较高的缓存命中率,提高了用户的服务质量。(2)针对车联网中基于位置隐私保护的任务分配问题进行研究。基于位置差分隐私,建立了扰动机制高可用性、任务分配高完成率的多目标优化模型,利用Bender分解,将其分解为位置扰动机制优化和任务分配策略优化两个子问题,通过迭代求解子问题,得出基于位置不可区分性的任务分配策略。实验结果显示,与经典的Laplace机制和BD机制下的任务分配策略相比,本方案在参与者平均移动距离和任务完成率方面均表现出更优的性能。(3)针对车联网中安全策略部署问题进行研究。通过软件定义网络,将安全策略部署转化为流量转发路径的选择问题,提出针对不同安全敏感度的流量转发路径延时最短的优化模型。通过Log-det启发式算法对其进行求解。实验结果显示,与传统车联网中安全传输策略相比,本文提出的策略更能保证安全敏感度高的流量传输延时低,并从整体上实现流量传输延时最小化。综上所述,本文研究了车联网中位置服务获取、基于位置的任务分配和安全策略的部署三个方面,利用主动缓存、位置差分隐私和软件定义网络的方法,实现了车联网中位置隐私保护和安全策略的部署,并且提高了用户的服务质量。