基于GConvGRU-GAT的车联网安全性能智能预测方法研究

摘要

随着5G技术和物联网的不断发展，车联网业务层出不穷，其应用场景也越来越复杂多变。在车联网通信过程中，安全性能受车联网复杂多变环境的影响，难以进行实时准确的预测。因此，本文提出了一种基于GConvGRU-GAT的车联网安全性能智能预测方法。首先在N-Nakagami信道下，建立了车联网安全通信系统模型，并通过检测通信链路信噪比来进行安全性能分析，有效分析不同影响因素对安全性能的影响，构建了通信数据集。为了更好的对通信系统进行实时预测，本文融合了图注意力神经网络(Graph Attention Network, GAT)、图卷积神经网络(Graph Convolutional Network, GCN)和门控循环单元(Gated Recurrent Unit, GRU),设计了基于GConvGRU-GAT的移动安全性能预测网络模型。试验结果表明，相较于其他算法，GConvGRU-GAT算法具有更好的预测效果，比GCN模型性能提高了84.6%。

关键词

车联网 / 安全通信 / 安全性能预测 / 图注意力神经网络

基金资助

国家自然科学基金项目(62201313); 安徽省普通高校交通信息与安全重点实验室开放课题(JTX202404)资助