基于机器学习和深度学习的车载自组织网络恶意节点检测

车载自组织网络（VANETs）在专用短程通信（DRSC）中为车辆提供有效的安全运行保障，并实现更环保、更高效的车辆间通信。车载网络拓扑的动态特性为车辆间的有效通信带来了诸多安全挑战。因此，文献中已应用多种模型来应对车载网络中的安全问题。现有模型在高度易变的车载通信系统中捕获恶意节点的动态行为方面缺乏灵活性和足够的功能。鉴于现有模型未能应对车载网络拓扑带来的挑战，采取补充措施来解决系统中的安全问题已势在必行。针对现有模型在网络安全领域的不足，本文提出了一种基于机器学习/深度学习（ML/DL）的信任模型方法。所提出的模型旨在提供一种数据驱动的方法来解决动态网络中的安全挑战。该模型在概念上超越了现有研究，将信任建模为一个分类过程，并利用类似 Bayesian Neural Network（将深度学习与概率建模相结合）的混合模型来提取相关特征，从而在网络中诚实节点和不诚实节点的信任计算中实现智能决策与有效泛化。