随着车联网(VANETs)的快速发展,越来越多的移动车辆终端设备和基础设施实现网络连接,传统互联网模式已经不能满足高移动性、分布位置感知、低延迟服务需求。雾计算集成了广泛分布在边缘网络中的异构计算资源,为用户提供更强大的计算服务,解决了车联网中低延迟和快速移动性的现状问题,同时也带来了车联网数据安全隐患。因此,本文主要针对如何检测车联网中的恶意节点提出了两个解决方案。本文以基于雾计算的车联网为基础,利用介数中心度、离群点检测技术、相关性分析、轨迹聚类技术提出两个恶意节点检测方案。主要工作概括如下:(1)提出一个基于数据和网络拓扑的相关性的恶意节点检测方案。本文将车联网中的移动车辆作为雾计算网络中的雾节点,利用雾服务器从雾节点获得的数据与其在网络拓扑中的位置来计算每个可疑车辆节点的信誉得分。本文提出的方案根据获取到的数据进行离群点检测后得到的异常值与节点影响力之间的相关性,然后建立了一个信誉机制来对每个可疑节点进行打分,最终实现恶意节点检测。(2)提出一个基于簇分类下行虚假数据的恶意节点检测方案。针对下行数据的安全性,本文提出了一个基于簇分类下行虚假数据的恶意节点检测方案。本文提出的方案首先基于距离和车辆节点之间链路的可靠性构造一个轨迹聚类方法,并在每个簇中根据与其他节点轨迹相似性来选择簇头节点,然后根据与其他邻居簇之间的介数中心度熵来决定边缘监测节点,最后雾服务器检测出每个簇中的边缘监测节点报告的可疑数据和记录报告的边缘监测节点所属的可疑簇和恶意节点。