买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉杭州师范大学申请的专利基于深度强化学习的车联网可信数据共享方法及其系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116684442B 。

龙图腾网通过国家知识产权局官网在2026-01-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310576930.0，技术领域涉及：H04L67/12；该发明授权基于深度强化学习的车联网可信数据共享方法及其系统是由周漫;韩迎迎;连艳陆;孟倩设计研发完成，并于2023-05-18向国家知识产权局提交的专利申请。

本基于深度强化学习的车联网可信数据共享方法及其系统在说明书摘要公布了：本发明公开了一种基于深度强化学习的车联网可信数据共享方法及其系统。本发明包括信任信息建模模块、信任评估模块、信任策略更新模块、阈值比较模块。本发明首先收集车联网实时上下文信息，然后将上下文信息输入基于证据理论的信任评估模块，使用直接信任度与间接信任度的综合加权平均值来计算全局信任值。为了提高冲突证据源合成的有效性，本发明提出基于Pignistic距离的冲突证据合成方法以确保虚假消息不会对行驶决策造成影响。其次，为了提高恶意车辆检测准确率和鲁棒性，本发明设计基于深度强化学习的信任策略更新模型，该模型可以通过强化学习算法来学习和优化车辆检测系统的决策策略。

本发明授权基于深度强化学习的车联网可信数据共享方法及其系统在权利要求书中公布了：1.一种基于深度强化学习的车联网可信数据共享方法，其特征在于所述方法包括以下步骤： S1、获取各车辆的上下文信息： 根据车联网上下文信息，提取各车辆vi的上下文向量所述车联网的上下文信息包括用户身份CUi、社会关系CRi与环境知识CEi，记为所述社会关系CRi包括直接相连的社会关系与间接连接的社会关系，采用基于图论的广泛模型来表示，即采用社会关系的平均跳数来衡量用户之间的社会关系紧密程度； S2、利用直接信任度与间接信任度的综合加权平均值计算得到全局信任值 S201、信任评价： 利用D-S证据理论，得到信任评价的总不确定测度函数UF；具体是： S2011D-S证据理论包括识别框架与证据两项基本概念，用二元组Θ,M表示；定义车联网可信数据共享识别框架Θ＝{trust,distrust,uncertain}，其中trust表示可信的，distrust表示不可信的，uncertain表示不确定的，则概率分配函数m:2Θ→[0,1]，其中2Θ是Θ的幂集；若命题B表示识别框架中的任一子集，记作其基本概率分配函数mB表示对命题B为真的信任程度；识别框架Θ上定义任意条证据hii＝1,2,…,l，所述证据指代一条上下文信息证据hi的集合表示为H＝{hi|i∈{1,2,…,l}}，简称为证据集； S2012不一致性测度函数Im的计算： 其中，pl为命题B的似然函数，描述命题成立的最大不确性程度；命题mA表示命题A的概率分配； S2013混乱测度函数Cm的计算： 其中，bel为命题B的信任函数，描述命题成立的最小不确性程度； S2014冲突测度函数CFm的计算： 其中|·|表示集合的势，CFm表示命题B与子集命题A之间的冲突程度之和； S2015总不确定测度函数UFm的计算： S202、基于Pignistic距离的证据源修正；具体是： S2021证据集之间的相似性测度计算： 证据集hi与证据集hj之间的Pignistic距离dismi,mj度量表示如下： 其中分别表示命题B的与证据hi,hj相关的Pignistic概率函数，miB、mjb表示证据集hi,hj对命题B为真的信任程度；i，j＝1,2,…,l，且i≠j； 则证据集hi与证据集hj之间的相似性测度simmi,mj计算为： simmi,mj＝1-dismi,mj式6 S2022证据集的支持测度计算：利用证据集相似度矩阵，得到证据集hi的支持测度supmi； S2023证据集的可信测度计算：将证据集的支持测度归一化，得到证据集hi的可信测度crdmi； S2024基于折扣率的证据源修正： 其中，是修正后的可信度，折扣率αjj＝1,2,…,l的计算如下： 其中，Δcrdmj表示证据集可信测度的差值，eumj表示证据集的总不确定度测度的权重；UFmj表示证据集hj的总不确定测度函数； S2025基于D-S证据规则合成修正的证据源： 采用Dempster合成规则对修正的证据源进行n-1次合成；其中Dempster合成规则如下： 其中C1,C2,…,Cn是识别框架Θ下的命题， S203、利用上下文信息进行信任评估，得到全局信任值具体是： S2031直接信任度计算： 直接信任表示为两辆车之间的关系强度，评估车辆vp对被评估车辆vq的直接信任度表示为DTpq＝Dbelpqtrust,Dbelpqdistrust,Dbelpquncertain，其中Dbelpqtrust表示vp对vq的评估为值得直接信任的信任函数，Dbelpqdistrust表示vp对vq的评估为不值得直接信任的信任函数，而Dbelpquncertain表示vp对vq的评估为不确定直接信任的信任函数；依据式11，当命题B为trust，distrust与uncertain时，直接信任函数值计算如下： Dbelpqtrust＝mtrust Dbelpqdistrust＝mdistrust Dbelpquncertain＝muncertain式12 S2032间接信任度计算： 给定源车辆vp为评估车辆，vr为vp通信域内的推荐车辆，r∈Nep，Nep表示vp通信域内的车辆的集合，vq为被评估车辆或称为目标车辆； vp对vq的间接信任度表示为ITpq＝Ibelpqtrust,Ibelpqdistrust,Ibelpquncertain；其中Ibelpqtrust表示vp对vq的评估为值得间接信任的信任函数，Ibelpqdistrust表示vp对vq的评估为不值得间接信任的信任函数，而Ibelpquncertain表示vp对vq的评估为不确定间接信任的信任函数；将统计vp通信域内其他推荐车辆vr的社交亲密度SocFampr与社交关系重合度SocConpr，来表达车辆间社交相似度SocSimpr，从而选择合适的推荐节点； SocFampr＝InterprIntermax+Intermin 式13 其中Interpr表示vp与vr的交互总次数，Intermax是vp通信域内所有车辆节点的最大交互次数，Intermin是vp通信域内所有车辆节点的最小交互次数；Relp与Relr分别表示vp与vr的社交圈的节点集； 判断是否满足SocSimprτ，τ表示阈值，若是则认为车辆节点vr作为评估车辆vp的推荐车辆，反之则不是； Ibelpqtrust、Ibelpqdistrust与Ibelpquncertain的计算方法如下： 其中Dbelprtrust表示源车辆vp对推荐车辆vr的评估为值得信任的信任函数，Dbelrqtrust表示推荐车辆vr对目标车辆vq的评估为值得信任的信任函数，Dbelprdistrust表示源车辆vp对推荐车辆vr的评估为不值得信任的信任函数，Dbelrqditrust表示推荐车辆vr对目标车辆vq的评估为不值得信任的信任函数，Dbelpruncertain表示源车辆vp对推荐车辆vr的评估为不确定的信任函数，Dbelrqucertain表示推荐车辆vr对目标车辆vq的评估为不确定的信任函数； S2033使用直接信任度与间接信任度的综合加权平均值来计算全局信任值GTpq； 其中α与β分别是直接信任度与间接信任度的调整权重； 又因为全局信任值GTpq包含三个部分：命题为trust、distrust与uncertain时的基本概率分配函数值，现将这三个部分分别记作m1,m2与m3；则最终得到的归一化后的全局评估信任值为： S3、更新信任评估策略： 利用深度强化学习模型来学习和更新信任评估策略，通过与环境的交互和反馈，在不断变化的网络拓扑环境中获得最佳的信任更新策略； S4、将全局信任值与事先定义的信任检测阈值Th进行比较，如果则车辆vq是值得信赖的，可进行数据共享，否则将发出针对vq的警告信息，拒绝进行数据共享。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州师范大学，其通讯地址为：311121 浙江省杭州市余杭区余杭塘路2318号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。