近年来，随着物联网技术和智能交通的发展，车联网越来越受到研究学者的关注并催生了大量的新应用，如交通效率与管理、驾驶员行驶安全以及满足驾驶人和乘客的商业娱乐等方面的应用^[1-3]. 为了保证这些应用的可靠运行，车联网借助于人、车、路、云平台之间的全方位连接和信息交互，实现车-车通信（V2V）、车-路通信（V2R）和车-人通信（V2P）等. 在未来的车联网应用中，特别对于即时应用服务，短距通信的车-车通信将成为信息服务的重要途径. 直连模式的车-车通信很容易遭受恶意车辆的虚假信息攻击，恶意车辆可以直接通过V2V的方式发布虚假信息导致交通秩序混乱，甚至造成更严重的交通事故^[4]. 车联网中车辆的高度动态性和网络的开放性，使得上述攻击易于实施并难以被发现. 区分恶意车辆节点和检测虚假信息以确保车联网中车辆节点的可靠性和信息的可信度，成为保证车联网安全的重要方面.

为了解决恶意车辆节点和虚假信息的问题，Suresh等^[5-8]提出多种安全解决方案，主要有基于密码学的认证机制、基于可信平台模块（trusted platform module, TPM）的认证方法、信誉机制. 基于密码学的认证授权主要是基于身份的认证方法，但是普遍依赖复杂的证书和密钥管理系统，严重影响运算效率和网络性能. 基于TPM的认证授权方法通过集成车载安全模块，利用密码安全引擎保证认证的安全，但是可信终端构建的代价相对较高，且安全模块标准不一，安全性难以统一. 信誉机制主要基于车辆节点行为经验动态实时累积或削减其可信度，完成可信度阈值授权，信誉评估的方法适合车联网的高动态自组织特性，能够主动应对节点的潜在恶意行为.

目前，关于车联网信誉机制的研究^[8-17]主要是结合车辆历史行为及其他车辆的评价，为每辆车赋予信誉. Jaimes等^{[11, 15]}以实体为中心进行信誉管理，由于车联网网络规模的庞大，很容易造成单点瓶颈及计算过程复杂等问题. Rivas等^{[9, 13]}只是单一地考虑从邻近车辆获得所有的信誉评价因素，使得信誉评价不准确甚至会遭到合谋攻击等安全问题. 为了解决上述问题，本文提出基于层次分析法的车联网多因素信誉评价机制，综合考虑多方面的因素对车辆信誉的影响. 本文的主要贡献如下.

1）考虑多因素对车辆节点信誉的影响，即结合车辆的历史信誉和其他车辆的评价、路侧单元RSU和发送信息的时间和位置因素对车辆信誉的影响，能够较全面、客观地描述车辆信誉情况.

2）面向车联网多应用场景即车辆间的通信信息有多种类型，考虑不同类型信息对车辆信誉影响的不同，根据信息类型对车辆信誉进行更新，更准确地反映车辆节点的可信度.

3）在信誉计算过程中，使用层次分析法系统化地将多因素对车辆节点信誉的影响程度量化，使得信誉计算过程更加客观，能够科学、合理地计算车辆节点信誉.

信誉机制是一种先发和后发结合的机制，即在交易前通过对对方信誉的评估来决定是否进行交易，在交易后通过对对方是否履行合同的检查来调整信誉度^[18]. 目前，按照信誉系统的组织和管理方式来划分，一般有2种：有中心的集中式信誉系统和无中心的分布式信誉系统. 集中式的信誉系统中需要有一个完全可信的权威信誉管理中心，它收集全网节点的信誉、在一定的时间周期内对全网中所有节点的信誉不断进行更新、对节点进行撤销和发布信息等操作. 典型的有在互联网电子商务应用场景下的eBay、Amazon、Taobao等使用到的信誉模型，主要是基于二元评价的累加模型. Jaimes等^[11]提出的“ARS”匿名信誉系统是使用假名并为车辆的不同行为提供信誉级别，以此来达到隐私保护和信誉评价的作用，有助于减少虚假信息的传播. 集中式管理容易出现单点瓶颈和负载均衡的缺点. 无中心的分布式信誉系统中不存在信誉管理中心，该系统中对节点的信誉评估主要来自于节点的直接信誉和来自其他节点的推荐信誉等因素. Oluoch^[12]提出车联网中基于状态感知的分布式信誉方案，方案中车辆向通信范围内的其他车辆或路侧单元请求消息发送车辆的可信度，它应用条件概率来识别恶意的同伴.

在车联网信誉机制研究^[13-17]中，可以将信誉机制分为基于消息的信誉机制和基于节点的信誉机制. Dotzer等^[13]的VANETs信誉系统“VARS”提出一种消息协议，将附加意见用于分组转发，然后每辆车都可以利用这些意见计算信誉. Shrivastava等^[14]提出基于消息分发的信誉系统，使用隐马尔科夫模型，考虑车联网中2种通信，即车辆到车辆通信（V2V）和车辆到基础设施通信（V2I）. Michiardi等^[15]提出CORE的信誉模型，它通过综合3种信誉计算节点的全局信誉，但全局算法的迭代计算在网络规模庞大的车联网中难以实现. Yang等^[16]为了准确、快速地检测自私和共谋行为，提出动态的3层信誉证据决策和管理机制“REDS”，可以对自私节点和共谋者有较高的检测速度. 陈辰等^[17]提出在VANETs中建立面向应用的车辆节点声誉模型（VASRep），该模型使用贝叶斯网络实现多数据源的数据融合，削弱了单一错误数据对声誉系统的影响，有较好的抗攻击能力. Rivas等^[9]使用用户签名共享VANETs中的信息，当另一个用户需要某类信息推荐时，可以向系统查询其他用户存储的评论，然后进行反馈及建议.

近年来，许多研究者基于不同的理论基础和角度，对车联网有关领域提出许多信誉评估方法和模型，主要集中在基于不同方法的信誉计算. 按照信誉的计算方式，大致可以将相关信誉模型分为以下几类.

1）基于高斯概率分布的信誉模型. 基于高斯概率分布的信誉模型^[18-20]中，信誉的计算是将节点信誉这一变量通过高斯分布来描述，节点最新的信誉信息是合并原有信誉和新的评价计算得到的. 肖德琴等^[18]提出基于高斯分布的传感器网络信誉模型“GRFSN”，它将二元评价结果作为输入，通过统计评价来更新概率密度函数. 通过贝叶斯理论可以很好地保持信誉的稳定性且比较直观，但是无法应对网络中的不确定性.

2）基于β分布的信誉模型. 基于β分布的信誉模型^[20-22]与基于高斯概率分布的信誉模型相似，都是基于贝叶斯理论为基础. 基于β分布的信誉计算模型考虑到人类社会中的信誉习惯，对系统的初始化不是统一的赋值，而是服从均匀分布，且结合了最近信息更可信的特点. 基于β分布的信誉模型的信誉更新过程比基于高斯分布的信誉模型更加灵活. Feng等^[21]融合密码学、统计学、数据分析等相关领域，提出无线传感网络的信誉模型来建立可信的无线网络，它在网络中建立信任网，以此来决策节点的行为，引用贝叶斯公式来表示、更新和整合信誉.

3）基于主观逻辑的信誉模型. 基于主观逻辑的信誉模型^{[20, 23]}主要利用主观逻辑的理论量化节点的信誉信息，主观逻辑定量地定义了可信度的表示、计算方法. Liu等^[20]提出改进的基于主观逻辑的信誉计算方法，在方案中引入“familiarity”的概念，即对被评价节点熟悉的邻居节点的评价意见的权重较高. 该方法利用了熟悉节点的作用，但不能有效地抵御恶意节点的合谋攻击，且这类模型的信誉计算复杂度一般都较大.

在该方案中，如图1所示，该系统模型主要由3大部分组成：信誉中心（RC）、路侧单元（RSU）及通信车辆.

1）信誉中心（RC）中存储着网络内车辆的最新信誉，当RSU从车辆侧获取的信誉与RSU自身存储的该车辆信誉相差过大时，RSU会从RC中请求获取相应的车辆最新信誉. 该模型假设RC是完全可信的.

2）路侧单元RSU一般部署在各个路段的路边或交叉路口，多个RSU之间通过有线方式进行通信，便于RSU可以快速知晓路况、事故及车辆通信等信息，因此该信誉评价模型中RSU的主要作用是收集通信范围内的通信信息，为车辆节点的信誉作出可信的评价，且该模型假设RSU是可信的.

3）通信车辆是系统的直接使用者，该模型中的通信车辆可以细分为3种：消息发送者、消息接收者及推荐信誉者. 其中消息发送者即主动广播发送自己所观察到的事故、路况等信息或者是主动转发自己认为真实的信息. 消息接收者即通过所收集到的信誉数据计算得到每个消息发送者的信誉，根据最终信誉决定接收哪个消息发送者发送的信息，在当前车辆经历实际情况后对该次通信信息的虚实进行反馈，该反馈用以车辆节点的信誉更新. 推荐信誉者主要负责向消息接收者提供自身存储的消息发送者的信誉信息，为消息接收者选择消息发送者提供参考.

该信誉评价方案的运行过程如下：当消息接收者接收到多个车辆发送来的信息，决定接收哪个消息发送者发送的信息时，需要收集各个影响因素的信誉，经过信誉机制的计算后得到本次通信的信誉；将各个对应消息发送者的通信信誉进行排序，选择通信信誉较高的车辆，并与之通信. 消息接收者需要对该信息的真实性进行反馈，一段时间周期后用以对消息发送者的信誉进行更新.

车联网中的信息服务种类繁多，不同的业务需求对应不同的信息类型，不同的信息类型需要车联网提供不同的处理机制. 在一般情况下，可以将车联网应用分为降低各类交通事故发生率的主动道路安全应用、提高道路运行效率的交通效率和管理应用、提供基于位置的兴趣点服务的商业娱乐应用^[24]. 不同的应用业务对应不同的信息类型，则在车联网应用场景下，通常车辆间通信的信息可以分为3类：安全行驶类信息、交通管理类信息、商业娱乐类信息. 由于每种信息在车联网应用中所占的重要程度是不同的，车辆主动发送正确或错误的不同种类的车联网信息对其自身的信誉影响应该是不同的. 设定每个信誉包含3部分的信誉，即安全行驶类信息信誉T_sec、交通管理类信息信誉T_man、商业娱乐类信息信誉T_ent，如下所示：

(1) $ T = {a_1}{T_{\rm sec}} + {a_2}{T_{\rm man}} + {a_3}{T_{\rm ent}}. $

参数a₁、a₂和a₃分别为安全行驶类、交通管理类和商业娱乐类信息信誉所占的权重，即a₁+a₂+a₃=1. 在后面所提到的信誉更新阶段，根据通信信息的类型，用计算得到的信誉更新总信誉的相应信息类型的信誉部分.

在计算2辆车本次通信信誉时，考虑两大因素对本次通信后消息发送者车辆的信誉的影响：节点信誉T_J和环境信誉T_E，如下所示：

(2) $ {T_{\rm{C}}} = \alpha {T_{\rm{J}}} + \beta {T_{\rm{E}}}. $

式中：参数α和β分别为节点信誉和环境信誉在本次通信信誉中所占的权重，α+β=1.

1）节点信誉的计算.

节点信誉反映的是消息发送者的信誉情况，如图2所示，消息接收者A在计算消息发送者S的节点信誉时需要考虑：消息发送者S的历史信誉（T_HS）、RSU存储的S的信誉（T_OS）以及其他推荐信誉者O_i提供的关于S的间接信誉T_RS，具体计算过程如下：

(3) $ {T_{\rm{J}}} = {b_1}{T_{\rm{HS}}} + {b_2}{T_{\rm{OS}}} + {b_3}{T_{\rm{RS}}}. $

式中：b₁+b₂+b₃=1. 对其中各个参数的说明如下.

历史信誉（T_HS）：消息接收者A对消息发送者S的历史信誉的获取分为以下2种情况. 1）若在A与S有过历史通信的情况下，A中存储有S的历史信誉，则此时A可以直接使用自身存储的S的历史信誉；若A与S之前未通信过，此时A接收并使用S发送过来的自身历史信誉，在该情况下，由于A不能确定S是否有修改过自身存储的历史信誉，A应该减弱S自身发送的历史信誉的影响度，即减小权重a₁. 不管是哪种情况，历史信誉都受时间因素的影响，即历史信誉会随着时间的增长而没有及时更新，因此在历史信誉中加入时间衰减因子λ，则 ${T_{\rm{HS}}} = {{\rm exp}\,{({{ - {\rm{\Delta }}t}}/{\lambda })}}T'_{\rm{HS}}$. 其中λ为历史信誉随时间的衰减速度，一般设 ${\rm{\lambda }} ={{{T_0}}}/{\rm{ln}}\;2$（其中T₀为信任半衰期，若设60个时间片为半衰期，则λ=0.5）.

间接信誉（T_OS）：间接信任值指消息接收者A从周围收集n个信誉推荐者O中存储的消息发送者S的信誉. 阈值n由消息接收者自己定义. A优先选择A与S的共同“朋友”推荐的S的信誉（即A周围与S有过历史通信的O都会向A提供S的历史信誉，但A会更愿意选择与自己有过历史通信的O提供的信息），且A会更多地考虑由信誉较高的O推荐的信誉，则 ${T_{\rm{OS}}} ={{\sum\nolimits_{i = 1}^n {T_i}{T_{i{\rm{S}}}}}}/{{\sum\nolimits_{i = 1}^n {T_i}}}$，其中T_i为信誉推荐者O自身的信誉，T_iS为O中存储的S的信誉.

RSU存储的信誉（T_RS）：由于RSU部署在各个路段中，它了解每个事件信息的交互，且能够接收到通信范围内车辆发出的消息，知道消息的正确性. 若O和S未有过历史通信，即O需要接收S发送过来的自己的信誉，则消息接收者A可以将T_HS与T_RS进行比较：

(4) $\left. {\begin{array}{*{20}{l}} {\left| {{T_{{{\rm{HS}}}}} - {T_{{{\rm{RS}}}}}} \right|/\Delta t < \gamma ,}&{{T_{{{\rm{HS}}}}}{\text{很大程度可信}}};\\ {\left| {{T_{{{\rm{HS}}}}} - {T_{{{\rm{RS}}}}}} \right|/\Delta t > \gamma ,}&{{T_{{{\rm{HS}}}}}{\text{很大程度不可信}}}. \end{array}} \right\} $

式中：∆t为消息接收者接收到T_HS和T_RS的时间间隔. 当 $\left| {{T_{\rm{HS}}} - {T_{\rm{RS}}}} \right|/\Delta t > \gamma $时，说明T_HS发生了突变，即车辆S可能篡改了自己的信誉，此时T_HS很大程度上不可信，有可能是由于车辆S在很长时间内未经过当前RSU，导致当前RSU内存储的S的信誉失去有效性. 此时RSU会向信誉中心RC请求获取车辆S的最新信誉，若与T_HS相差过大，则系统需要自动调节T_HS所占的权重a₁，即降低历史信誉对总信誉的影响，RSU同时更新自身存储的S的信誉. 综合RSU存储的车辆的信誉，使得最终的信誉更加准确，且防止恶意车辆对自身信誉的篡改.

2）环境信誉T_E的计算.

环境信誉反映的是该次通信中消息发送者所发送消息的真实情况. 考虑环境信誉受消息的时效性和消息发送者发送消息的地理位置的影响，即消息生成的时间离事件发生的时间越久，环境信誉越低；消息生成地理位置离事件发生的地理位置越远，环境信誉越低.

假设当事件产生的地理位置与信息生成的地理位置间的距离为0~L时，认为在距离影响因素方面，该信息是可信的. 将车联网中信息分为3个种类：安全行驶类、交通管理类和商业娱乐类. 每一类的信息都有时效性，在车联网中这3类通信信息的最佳有效时间段（0～t_TN）各不相同，在一般情况下，不同信息的最佳有效时间段如表1所示.

定义T_time和T_loc分别表示时间和距离影响因素，即

(5) $ {T_{\rm{E}}} ={T_{{\rm{time}}}}/{2}+ {T_{{\rm{loc}}}}/{2}. $

令∆t=t₂−t₁，其中t₁和t₂分别为信息产生的时间和消息发送者S生成消息的时间，

(6) $ \left. {\begin{array}{*{20}{l}} {{T_{{\rm{time}}}} = 1,}&{\Delta {t} < {t_{{\rm{TN}}}}};\\ {{T_{{\rm{time}}}} = {{{t_{{\rm{TN}}}}}}/{{\left( {{t_2} - {t_1}} \right)}},}&{\Delta {t} > {t_{{\rm{TN}}}}}. \end{array}} \right\} $

令 $\Delta L = \sqrt {{{\left| {{X_{\rm{S}}} - X} \right|}^2} + {{\left| {{Y_{\rm{S}}} - Y} \right|}^2}} $，

(7) $\left. {\begin{array}{*{20}{l}} {{T_{{\rm{loc}}}} = 1,}&{\Delta L \leqslant L};\\ {{T_{{\rm{loc}}}} = \dfrac{L}{{2\sqrt {{{\left| {{X_{\rm{S}}} - X} \right|}^2} + {{\left| {{Y_{\rm{S}}} - Y} \right|}^2}} }},}&{\Delta L > L}. \end{array}} \right\} $

式中：（X_S，Y_S）和（X，Y）分别为消息发送者S生成消息的位置坐标和信息产生的地理位置坐标.

综上所述，可以计算出发送消息车辆S的节点信誉T_J和该次通信的环境信誉T_E，得到本次通信发送消息车辆S的信誉T_C. 当消息接收车辆A收到多条同样内容的消息时，可以选择信誉较高的车辆节点作为服务节点；当车辆收到一条消息时，可以通过判断发送消息车辆的信誉是否达到自己可信的阈值，决定是否接收.

层次分析法通过将目标相关的影响因素进行分解，用决策者的经验将多因素进行两两比较得出相对重要程度；利用矩阵的数学方法计算各个因素的权重，它将定性分析与定量分析结合起来，量化多因素之间的重要程度. 方案中可以使用层次分析法更加合理、科学地确定信誉建模公式中的各个因素的具体权重.

1）建立层次结构模型. 基于层次分析法，需要建立多因素的层次结构模型，通过信誉建模过程中各个因素的定义及将有关的各个因素，按照不同的属性自上而下地分解成若干层，可得如图3所示的多因素层次结构模型图.

2）构造判断矩阵.

如图4所示，通信信誉受5个因素的影响：历史信誉、间接信誉、RSU存储的信誉、时间影响因素以及距离影响因素. 各类信息类型相对于这5个因素的重要性是不同的，因此根据不同的实际场景需求，可以将这些因素的重要性相对于上一层因素进行两两比较，用如表2所示的1-9比例标度法构造出多个比较判断矩阵，如下所示：

$\begin{array}{l} \begin{array}{*{20}{c}} \quad\quad {} &\;{{{{T}}_1}} & {{{{T}}_2}} & \cdots & {{{{T}}_j}} & \cdots & {{{{T}}_n}} \end{array}\\ \begin{array}{*{20}{c}} {{{{T}}_1}}\\ {{{{T}}_2}}\\ \vdots \\ {{{{T}}_i}}\\ \vdots \\ {{{{T}}_n}} \end{array}\left[ {\begin{array}{*{20}{c}} {{a_{11}}} & {{a_{12}}} & \cdots & {{a_{1j}}} & \cdots & {{a_{1n}}}\\ {{a_{21}}} & {{a_{22}}} & \cdots & {{a_{2j}}} & \cdots & {{a_{2n}}}\\ \vdots & \vdots & {} & \vdots & {} & \vdots \\ {{a_{i1}}} & {{a_{i2}}} & \cdots & {{a_{ij}}} & \cdots & {{a_{in}}}\\ \vdots & \vdots & {} & \vdots & {} & \vdots \\ {{a_{n1}}} & {{a_{n2}}} & \cdots & {{a_{nj}}} & \cdots & {{a_{nn}}} \end{array}} \right] \end{array}$

3）判断矩阵的求解和一致性检验.

使用和积法对矩阵进行求解，计算步骤如下：利用公式 ${b_{ij}} ={{{a_{ij}}}}/{{\mathop \sum \nolimits_{i = 1}^n {a_{ij}}}}$，即将矩阵中的每一项除以该项所在列中每一项的和，将矩阵标准化；利用公式 ${w_i} = {{\mathop \sum \nolimits_{j = 1}^m {b_{ij}}}}/{m}$，对新矩阵的每一行取均值，得到各因素的权重w_i.

由于人在带有主观因素中构造判断矩阵时可能会存在比较不一致的问题，需要验证每个矩阵的一致性，步骤如下：计算每个矩阵A的最大特征根 ${\lambda _{{\rm{max}}}} = \sum\nolimits_{i = 1}^n {{{{ {{ A}} }_i}}}/({{n{w_i}}})$；计算一致性指标 ${\rm{CI}} = $ $({{{\lambda _{{\rm{max}}}} - n}})/({{n - 1}})$，当CI=0时，表明矩阵一致，CI越大，表明矩阵不一致性程度越严重；由矩阵的阶数n查表3，可得随机一致性指标RI；计算一致性比率CR=CI/RI，当CR<0.1时，表明矩阵的不一致性程度在容许范围内，此时所求得的对应的权向量可用.

通过层次分析法的计算，可以确定不同场景下具体的 $\{ \alpha ,{\rm{\beta }},{\rm{}}{a_i},{b_i}\} ,i \in \left( {1,2,3} \right)$，得到车辆与消息发送者车辆本次通信的通信信誉T.

在经过信誉的计算后，消息接收者A决定接收消息发送者S的信息，假设接收的信息类型为安全行驶类信息（如余杭塘路口与高教路口有一起车祸），当车辆A经过该路口时，需要给出消息正确与否的反馈C_i，其他类型信息也须给出反馈.

(8) $ {C_i} =\begin{cases} 1, &{\text{信息真实}};\\ 0,&{\text{信息不真实}}. \end{cases} $

在一定时间周期∆T内，根据每辆车自身收到的对应信息类别的反馈对车辆的信誉进行更新. 假设车辆i在∆T内共有N次通信（包括安全行驶类信息N₁次、交通管理类信息N₂次、商业娱乐类信息N₃次）. 以安全行驶类信息为例，设∆T内“0”的个数为p₁，若p₁≥N/2，则认为车辆i为恶意车辆，排除网外；否则首先根据“1”的个数q₁，增加信誉，即更新 $T'_{{{\rm{C}}_{{\rm{new}}1}}} \!=\! \sin\,\left[ {{\rm{arcsin}}\;T \!+\! {{{(q_1}}}/{{{N_1})}}( {{{\text{π}} }/{2}\! -\! {\rm{arcsin}}\;T} })\right] $， 然后根据“0”的个数p₁，降低信誉，即 ${T_{{{\rm{C}}_{{\rm{new}}1}}}} = $ $\sin\left[ {{\rm{arcsin}}\;T'_{{{\rm{C}}_{{\rm{new}}1}}} - ({{{p_1}}}/{({2{N_1}}))}{\rm{arcsin}}\;T'_{{{\rm{C}}_{{\rm{new}}1}}}} \right]$.

其他类型信息的更新同以上描述的安全行驶类信息一样，计算后得到 ${T_{{\rm{C}}_{\rm{new1}}}}$、 ${T_{{\rm{C}}_{\rm{new2}}}} $和 ${T_{{\rm{C}}_{\rm{new3}}}} $. 经过该时间周期后，计算可得消息发送者车辆S的信誉为

(9) $T = {a_1}{T_{{{\rm{C}}_{{\rm{new}}1}}}} + {a_2}{T_{{{\rm{C}}_{{\rm{new}}2}}}} + {a_3}{T_{{{\rm{C}}_{{\rm{new}}3}}}}. $

获取到最新信誉后，将该值同步更新至信誉中心RC. 方案中，每辆车存储的内容有：1）该车辆自身的最新信誉；2）与自己通信过的车辆的身份信息、历史信誉及存储时间等信息. 在信誉更新阶段，按照式（9），车辆每隔∆T的时间，根据收到的反馈更新存储的自身信誉，根据发送出去的反馈更新存储的其他车辆的历史信誉，为了减少车辆的存储负担，车辆会定期清理时间过长的车辆信誉.

使用层次分析法，确定实际场景中车辆的信誉，由于安全行驶类信息和交通管理类信息的影响范围较大以及通信的需求较高，假设在该实验场景下，不同类型信息的重要性从高到低依次为：安全行驶类、交通管理类、商业娱乐类. 依据层次分析法的步骤，对因素间的重要性进行两两比较，可以构造如表4~9所示的判断矩阵.

使用和积法对表4~9所示的判断矩阵进行求解，可得各因素的权重如下：

(10) $\left.\begin{aligned} {{{w}}_1} = \left[\begin{aligned} {0.214}\\ {0.122}\\ {0.420}\\ {0.122}\\ {0.122} \end{aligned}\right],\quad{{{w}}_2} = \left[\begin{aligned} {0.623}\\ {0.240}\\ {0.139} \end{aligned}\right],\quad{{{w}}_3} = \left[\begin{aligned} {0.413}\\ {0.313}\\ {0.248} \end{aligned}\right],\\{{{w}}_4} = \left[\begin{aligned} {0.571}\\ {0.286}\\ {0.143} \end{aligned}\right],\quad{{{w}}_5} = \left[\begin{aligned} {0.724}\\ {0.193}\\ {0.083} \end{aligned}\right],\quad{{{w}}_6} = \left[\begin{aligned} {0.320}\\ {0.557}\\ {0.156} \end{aligned}\right]. \end{aligned}\right\} $

检验数据的一致性，如对于判断矩阵1来说，CR=0.013<0.1，即所求得的权向量w₁可用，其他矩阵可以同理检验一致性，都可用. 根据式（10）中w₁以及计算w₂～w₆中对应每行的平均值，可得各因素的权重如下：

(11) $\left.\begin{array}{*{20}{l}} {T = 0.530\;2{T_{{\rm{sec}}}} + 0.317\;8{T_{\rm{man}}} + 0.153\;8{T_{\rm{ent}}}},\\ {T_{\rm{C}} = 0.756{T_{\rm{J}}} + 0.244{T_{\rm{E}}}},\\ {{T_{\rm{J}}} = 0.283{T_{\rm{HS}}} + 0.161{T_{\rm{OS}}} + 0.569{T_{\rm{RS}}}}. \end{array}\right\} $

式（11）为实验中车辆信誉的计算表达式.

与现有的车联网中的信誉机制相比，分别从3个不同方面，将其与本文的信誉评价机制进行比较. 如表10所示，除了考虑主体车辆提供的直接信誉和其他邻居车辆提供的间接信誉，还综合考虑路侧单元的信誉评价和消息本身的位置和时间属性，使得车辆的信誉评价更具客观性，可以防止其他恶意车辆的合谋攻击. 在信誉计算方法上，使用易于实现的加权方法，结合层次分析法更加合理、科学地确定加权中的因素所占权重；在信誉更新过程中加入反馈机制，及时地对车辆信誉进行更新，准确计算车辆信誉.

在网络环境中引入恶意车辆节点，恶意车辆节点的行为主要分为2种：不发送信息的自私节点以及发送虚假信息的节点. 实验中模拟的街道地图如图4所示，将实际道路场景抽象化为5×5的格子，每个格子的大小为500 m×500 m. 如图4所示，在4个路口处部署RSU，设定RSU的通信范围半径为500 m. 将300个车辆节点加入模拟场景中，车辆的行驶速度为0~80 km/h；车辆信誉的计算基于式（11），信誉为0~1.0，系统初始时每辆车的信誉统一设定为0.5. 由于车辆之间的通信使用专用短程通信协议（DSRC），根据DSRC标准假设车辆单点通信范围为300 m.

根据以下标准对所提模型的性能进行评估. 1）准确性. 主要检测通过该信誉评价模型，车辆作出正确的决策率，即车辆接收到真实消息的比率. 2）恶意车辆排除率. 主要检测采用该信誉评价模型处理后车联网中还存在的恶意车辆节点数量. 实验结果分析如下.

1）车辆决策准确性. 为了检验在本文的信誉评价模型下车辆接收真实消息的准确性，实验假设恶意节点比率分别为5%、10%、15%、20%和25%. 在信誉机制运行后系统排除完全部恶意车辆节点时，比较本文的信誉评价模型与VARS^[13]、CORE^[15]、VASRep^[17]模型中的车辆决策准确率：

(12) $ {\rm{\alpha }} = \frac{{{N_{\rm real}}}}{{{N_{\rm false}} + {N_{\rm real}}}}. $

式中：N_real为接收的真实消息数量，N_false为接收的虚假消息数量.

图5给出当VANETs系统中存在的恶意车辆节点比率不同时，车辆接收真实消息正确率的变化情况. 可以看出，当VANETs系统中存在25%的恶意车辆节点时，本文方案的车辆决策准确率大于92%. 由于方案中基于反馈机制的信誉更新，使得车辆总体信誉能够准确、快速地变化. 在相同恶意车辆节点比率的情况下，系统加入本文方案后，与其他3种模型比较，车辆的决策准确率较高，性能表现优于VARS和CORE模型.

2）恶意车辆节点排除率. 为了验证本文的信誉评价机制能够准确地排除恶意车辆节点，针对恶意车辆节点比率以及车辆行驶速度不同对恶意节点排除速率的影响，假设车辆发送消息的频率为每15 s发出一条消息，设置VANETs系统中的恶意车辆节点比率R分别为5%、15%、25%和40%，车速分别为20、60、120 km/h，检测系统中恶意车辆节点排除率：

(13) $ {\rm{\beta }} = {{{N_{\rm re}}}}/{{{N_{\rm all}}}}. $

式中：N_re为已排除的恶意车辆节点数，N_all为系统初始恶意车辆节点数.

图6中，t为系统运行时间，v为车速. 如图6（a）所示，系统经过该信誉评价机制处理后，能够有效地排除网络中的全部恶意车辆节点，且即使当恶意车辆比率达到40%时，在一定的可接受时间内，系统仍能够排除全部恶意车辆节点，实际场景中恶意车辆比率达到40%是一种非常极端的情况，很少会出现. 如图6（b）所示为不同车速对系统排除恶意车辆的影响，可得不同车速下系统使用信誉评价机制后能够有效地排除恶意车辆. 在车速较慢的情况下，车辆在某一位置停留时间较久，即恶意消息发送车辆与已经通信过其他车辆的连接时间较长，使得其他车辆对恶意消息发送车辆的信誉评价都较低，从而导致恶意消息发送车辆的总体信誉快速降低，所以在车速较慢的情况下恶意车辆节点排除率比车速较快情况下上升较快，能够更快地排除网络中的全部恶意车辆节点.

车联网中恶意节点的存在会严重影响网络性能，一旦存在恶意节点入侵主动共享虚假信息，甚至可能会造成不可估量的后果. 本文提出基于层次分析法的车联网多因素信誉评价模型. 该模型不仅可以反映在不同应用场景下车辆共享不同类型信息对自身信誉的影响，而且能够检测出车联网中的恶意车辆节点，提高车辆接收真实信息的决策正确率，保证车辆信息接收的可信性，提高了整个车联网环境的可信度. 下一步的研究考虑将机制运用到更加真实的车联网场景中进行模拟，在保证信誉机制有效性的前提下提高方案的运行效率.