分类。深圳大学的研究人员提出了一种新的特征抽取方式，基于ghsom神经网络分类器提取两个主要特征，分别为交通流量特征和车辆位置特征，利用这两个主要特征判断恶意车辆和恶意攻击。研究人员还提出了两部确认机制，这种ids优化了现有vanet中ids的精度，提高了系统稳定性和处理效率。在此基础上还提出了基于隐式马尔可夫模型滤波器，这个滤波器通过规划、过滤和更新三大模块可以实现对车辆消息的快速过滤，优化了ids的检测时间，减少了系统负载。 РРР （三）风险评估与信任管理 Р 上海交通大学安泰经管学院的研究人员设计了一种车联网隐私泄露风险评估模型并利用该模型动态给出防御策略。这个模型以一个攻击防御树的模式展现，模型结合每一种安全隐患被突破的概率计算攻击花销和防御花销。不仅如此，他们还探讨了多级攻防模式下的风险评估模型的表现，并检验了在模拟多级攻防博弈下防御策略的动态生成能力。美国霍华德大学电气工程和计算机科学系的研究人员基于信任模型用两种方法检测恶意车辆，一是概率方法检测通信车辆信噪比的变化，二是结合恶意车辆的gps位置信息与通过通信时延得出的距离差异评估检测恶意车辆。纽约理工大学的研究人员提出了一个可抵抗攻击的信任管理方案，可以有效地对传输中的数据进行评估和对恶意通信进行检测。 Р 三、结语 Р 接入车联网的汽车是已经成为汽车制造行业与互联网行业协同发展的产物，人们对待互联车辆的积极期待的态度远远超出了对安全的担忧。在消费者期待享受更多驾驶乐趣和舒适体验的同时，也应清楚地意识到车联网安全威胁潜伏于这些不断扩展的服务当中。汽车主机厂和互联服务提供商需要正视潜在问题，发展与防护相结合，在设计之初就要考虑到网络安全的重要性，做到防微杜渐。车联网安全应该得到充分的关注，相关领域的研究还应得到足够重视。 РРР （本文刊登于《中国信息安全》杂志2018年第6期）
全文预览
