基于强化学习的自适应信任管理 VANET 邻居选择
网络与互联网体系结构
2023-10-03 v1
摘要
在车载自组织网络(VANET)中，从源到目的地的成功信息传播可能因邻近攻击节点导致的不必要丢包而受阻。潜在攻击者随时间改变其行为，并因 VANET 的自组织性质而未被检测到。捕获动态攻击者行为并在不损害服务质量要求的情况下更新相应邻居信息是一项持续挑战。本工作提出一种基于强化学习(RL)的 VANET 邻居选择框架，带有自适应信任管理系统，以捕获潜在攻击者的行为变化并动态更新邻居信息。与现有工作不同，我们统一考虑信任与链路生存时间作为邻居选择准则，以实现可信通信。我们的自适应信任模型考虑了社会关系、时间及信任观测中的置信度，以避免四类攻击者。为更新邻居信息，我们的框架根据邻居节点的速度设置 RL 智能体的学习率，以提高模型对网络拓扑变化的适应性。结果表明，我们的方法在大型网络规模下可用更少跳数到达目的地，同时响应比基线方法快达 54%。此外，所提模型通过将攻击者引起的丢包率降低达 57% 而优于另一基线方法。
引用
@article{arxiv.2310.00635,
title = {Reinforcement Learning Based Neighbour Selection for VANET with Adaptive Trust Management},
author = {Orvila Sarker and Hong Shen and M. Ali Babar},
journal= {arXiv preprint arXiv:2310.00635},
year = {2023}
}
备注
This article is accepted at the 22nd IEEE International Conference on Trust, Security and Privacy in Computing and Communications (TrustCom) 2023