CN111046090A - 基于车载自组织网络的车辆数据挖掘方法及系统 - Google Patents
基于车载自组织网络的车辆数据挖掘方法及系统 Download PDFInfo
- Publication number
- CN111046090A CN111046090A CN202010159461.9A CN202010159461A CN111046090A CN 111046090 A CN111046090 A CN 111046090A CN 202010159461 A CN202010159461 A CN 202010159461A CN 111046090 A CN111046090 A CN 111046090A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- association rule
- item set
- vehicles
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于车载自组织网络的车辆数据挖掘方法及系统,其中车辆数据挖掘方法包括:首先,通过车载自组织网络实时从相邻车辆收集表示车辆状态的车辆数据,构成数据集;然后,将上述收集到的车辆数据转化为项集树的紧凑结构;其次,对上述项集树进行项集挖掘,挖掘封闭项集及其关联的最小生成器,生成有序结构;接着,根据定义的关联规则结构通式提取有序结构数据对应的关联规则的实例,并计算置信度;最后,使用上述计算的置信度和关联规则的实例解释车辆之间的时间相关性,以进行非正常车辆检测;由此可知,通过上述车辆数据挖掘方法,可准确地检测出车联网中的故障或恶意车辆,从而提高车联网的安全性能,并有效提高车联网的运行效率。
Description
技术领域
本发明涉及网联汽车通信数据安全技术领域,尤其涉及一种基于车载自组织网络的车辆数据挖掘方法及系统。
背景技术
随着车联网技术的发展,车联网被广泛的研究并使用于当前的行车环境中。其中车载自组织网络(VANET)被认为是提高道路安全性的关键技术。VANET的安全应用能够降低交通事故的发生率,具有事故现场预警、交叉路口提醒、道路拥挤提醒等安全提示功能。在VANET安全应用中,每辆车都会在传输范围内定期从相邻车辆接收各自当前状态(包括位置,方向等)的信息。按照DSRC标准每10ms发送一次常规心跳安全消息来执行。这些安全应用程序的主要可靠性取决于从相邻的一辆或多辆车传感器收集的信息,这其中可能有故障或不正确的车辆信息,故障”车辆是传输故障信息的车辆,同样也会影响车联网的环境。另外,由于可能存在恶意车辆故意注入虚假信息,影响车联网中的其他车辆对其周围环境的感知,从而使问题进一步恶化,甚至发生事故。
为了保证车联网中车辆彼此之间相关安全数据的及时性,及安全应用的相关性,已经有研究者进行了很多工作来减少数据延迟并增加数据包接收,提出的方案包括基于退避算法改进的MAC层解决方案及通信速率/功率调整策略。 但是这些方案仅关注信息的及时性,无法检测和纠正错误,这些研究没有考虑到上述“恶意”车辆,还有它可能提供错误信息的事实。
发明内容
本发明的目的是提供一种基于车载自组织网络的车辆数据挖掘方法,以检测出车联网中的故障或恶意车辆,提高车联网的安全性能。
本发明的另一目的是提供一种基于车载自组织网络的车辆数据挖掘系统,以检测出车联网中的故障或恶意车辆,提高车联网的安全性能。
为了实现上述目的,本发明公开了一种基于车载自组织网络的车辆数据挖掘方法,其包括如下步骤:
1)、通过车载自组织网络实时从相邻车辆收集表示车辆状态的车辆数据,构成数据集;
2)、根据树形数据结构的表示方式,将步骤1)中收集到的所述车辆数据转化为项集树的紧凑结构;
3)、对步骤2)中的所述项集树进行项集挖掘,挖掘封闭项集及其关联的最小生成器,生成有序结构数据;
4)、根据定义的关联规则结构通式提取上述步骤3)中有序结构数据对应的所述关联规则的实例,并计算置信度;
5)、使用步骤4)得出的置信度和关联规则的实例解释车辆之间的时间相关性,以进行非正常车辆检测。
与现有技术相比,本发明基于车载自组织网络的车辆数据挖掘方法,挖掘分析车载自组织网络中交换的常规消息,在单个车辆上收集相邻车辆传输的表示车辆状态车辆数据,并提取附近车辆的车辆数据之间的时间相关性规则,然后根据该时间相关性规则检测出车联网中是否存在故障车辆或恶意车辆;由此可知,通过上述车辆数据挖掘方法,可准确地检测出车联网中的故障或恶意车辆,从而提高车联网的安全性能,并有效提高车联网的运行效率。
较佳地,步骤1)中收集的所述车辆数据包括相邻车辆所处的位置、方向、车速中的一个或多个。
较佳地,所述步骤4)中的关联规则结构通式包括第一通式和第二通式,所述第一通式为g(Y − g),所述第二通式为g(Y1- g),其中,g是一个封闭项目集Y的最小生成器,Y1是一个封闭项目集,Y<Y1,Y1是Y的后继者,根据所述第一通式提取出的所述关联规则的实例为最小精确关联规则,根据所述第二通式提取出的所述关联规则的实例为最小近似关联规则。
较佳地,还包括步骤6)、根据预先设定的阈值对所述最小近似关联规则进行过滤,以控制所述最小近似关联规则的判断精度。
本发明还公开一种基于车载自组织网络的车辆数据挖掘系统,其包括数据提取模块、表示结构模块、项集挖掘模块、关联规则计算模块和检测模块;
所述数据提取模块,用于通过车载自组织网络实时从相邻车辆收集表示车辆状态的车辆数据,构成数据集;
所述表示结构模块,用于根据树形数据结构的表示方式,将所述数据提取模块中收集到的所述车辆数据转化为项集树的紧凑结构;
所述项集挖掘模块,用于对所述表示结构模块中的所述项集树进行项集挖掘,挖掘封闭项集及其关联的最小生成器,生成有序结构数据;
所述关联规则计算模块,根据定义的关联规则结构通式提取所述项集挖掘模块中生成的有序结构数据对应的所述关联规则的实例,并计算置信度;
所述检测模块,用于使用所述关联规则计算模块得出的置信度和关联规则的实例解释车辆之间的时间相关性,以进行非正常车辆检测。
较佳地,所述数据提取模块提取到的所述车辆数据包括相邻车辆所处的位置、方向、车速中的一个或多个。
较佳地,关联规则计算模块中定义的关联规则结构通式包括第一通式和第二通式,所述第一通式为g(Y − g),所述第二通式为g(Y1- g),其中,g是一个封闭项目集Y的最小生成器,Y1是一个封闭项目集,Y<Y1,Y1是Y的后继者,根据所述第一通式提取出的所述关联规则的实例为最小精确关联规则,根据所述第二通式提取出的所述关联规则的实例为最小近似关联规则。
较佳地,所述基于车载自组织网络的车辆数据挖掘系统还包括决策模块,所述决策模块用于根据设定阈值对所述最小近似关联规则进行过滤,以控制所述最小近似关联规则的判断精度。
本发明还公开一种基于车载自组织网络的车辆数据挖掘系统,其包括:
一个或多个处理器;
存储器;
以及一个或多个程序,其中一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的基于车载自组织网络的车辆数据挖掘方法的指令。
本发明还公开一种计算机可读存储介质,其包括测试用计算机程序,所述计算机程序可被处理器执行以完成如上所述的基于车载自组织网络的车辆数据挖掘方法。
附图说明
图1为本发明实施例基于车载自组织网络的车辆数据挖掘系统的原理结构示意图。
图2为本发明实施例中项集树的形成结构示意图。
图3为本发明实施例中从彼此车辆中收集数据的原理结构示意图。
具体实施方式
为详细说明本发明的技术内容、构造特征、所实现目的及效果,以下结合实施方式并配合附图详予说明。
如图1所示,本发明公开了一种基于车载自组织网络的车辆数据挖掘系统,其包括数据提取模块10、表示结构模块11、项集挖掘模块12、关联规则计算模块13和检测模块14等功能模块。上述功能模块的工作原理为:首先,数据提取模块10通过车载自组织网络(VANET)实时从相邻车辆收集表示车辆状态的车辆数据,构成数据集;然后,表示结构模块11根据树形数据结构的表示方式,数据提取模块10收集到的车辆数据转化为项集树的紧凑结构;其次,通过项集挖掘模块12,对表示结构模块11生成的项集树进行项集挖掘,挖掘封闭项集及其关联的最小生成器,生成有序结构数据;接着,通过关联规则计算模块13,根据定义的关联规则结构通式提取项集挖掘模块12中生成的有序结构数据对应的所关联规则的实例,并计算置信度;最后,检测模块14根据关联规则计算模块13得出的置信度和关联规则的实例解释车辆之间的时间相关性,以进行非正常车辆检测。较佳地,数据提取模块10提取到的车辆数据包括相邻车辆所处的位置、方向、车速中的一个或多个。
下面以具体实例详细说明本发明基于车载自组织网络的车辆数据挖掘系统的具体工作过程。
一、关于车辆数据的收集和数据集的形成过程,具体如下:
1.1,为便于表示,令M = {M1,M2,Mm}代表1组车辆,假设将收集车辆数据的时间划分为相等大小的时隙{t1,t2……tn},使得χ= tn-t1,其中χ是选定的历史周期,α是每个时隙的长度,其中α= ti-ti-1。将车辆事件的发生定义为e=(NTS,Mi,Ev),其中NTS是事件发生的时隙编号,Mi是对应发生某一事件的车辆,Ev是包含在常规消息中的内容(例如位置、方向、车速等)。每辆车提取其自己的事件信息时,同时收集发生在相同时隙具有相同事件值的其它相邻车辆信息,该情况用e(NTS,I)表示,其中I是一个项目集,表示在同一时间段内通过车联网向其他车辆发送消息且具有相同事件值的一组车辆。
1.2,根据车辆在一定时间间隔(选定的历史周期χ)中的活动来捕获车辆之间短时内的关系,车辆数据提取的过程将在每辆车中进行,每个车辆Mi(i∈[1..n])都具有挖掘参数:历史周期χ和时隙α;车辆Mi在常规消息中将这些挖掘参数广播到范围内的其他车辆;范围内的每辆车都会在在每个时隙结束之前,检查它们本身是否有任何事件发生;如果有事件发生则发送其标识符和时隙号NTS,此时Mi将会创建一个时隙ti事件,将自身以其他有事件发生的车辆发送的车辆数据存储在临时交易数据库Ti中。
1.3,如图3,假设M={M1,M2.....M6}是彼此范围内的一组车辆。历史周期χ和时隙长度α分别设置为50秒和10秒。假设每个车辆Mi的车辆数据提取过程从08:00开始。 在第四个时隙结束时,车辆M2、M3、M6分别向其范围内其它车辆发送消息(4,m2)、(4,m3)、(4,m6)。在八点四十秒时,车辆M1将第四个时隙收集到的车辆数据表示为e(4,m2m3m6)并将其存储在临时交易数据库Ti中,如下表1所示,定期在每个时隙结束时重复该过程,直到历史周期结束,从而完成车辆数据的提取工作。
二、对于上述实施例中的项集树,如图2,每个节点具有<itemset/support>结构,最初项集树为空,仅由一个根节点组成,关于项集树的生成过程如下:
2.1,根据上表1,首先处理第一个交易数据m1m3m4m5m6,从根节点派生一个节点,然后添加一个包含字符串m1m3m4m5m6/1的新节点;
2.2,接下来处理表1中的第二个交易数据m1m2m3m4m5,此项目集与上一个项目集具有一个共同项目m1。因此项集树的第一个节点被拆分,即将根节点保留为m1/2,从该根节点派生出两个节点,分别包含m3m4m5m6/1和m2m3m4m5/1。
2.3,然后处理表1中的第三个交易数据m2m4,因为该交易与前面两个没有共同的项目前缀,将直接从根节点派生新节点m2m4/1。遵循以上描述过程,直到完成所有数据的处理。
三、项集树生成后,将其输入到项集挖掘模块12,执行项集挖掘工作,具体如下:
3.1,根据上述表1,得到的候选项目集及其相关支持的定义列表L1如下:<m1/3; m2/3;m3/4; m4/4; m5/3;m6/3>,其中,m1/3 表示m1在整个临时交易数据库Ti中出现了三次,m2/3表m2在整个临时交易数据库Ti中出现三次,其他以此类推。将得出六个子结构,每个子结构对应于列表L1中的一个项目集。
3.2,以< m1/3>子结构建造过程为例:
3.2.1,根据图3最后生成的树,m1节点有两个分支,根据该两个分支可知,m2(support)=1, m3 (support)=2+1 ,m4 (support)=2+1 ,m5 (support)=2+1 ,m6 (support)=2,那么,从m1的条件项集树开始,得到相关的项目集Lm1列表:< m2=1; m3=3; m4=3;m5=3; m6=2>。可以注意到列表Lm1中项目集m3、m4和m5与项目集m1一样,将它们构成一个封闭的项目集{ m1m3 m4 m5},其支撑等于3,并且项目集{ m1}是其最小生成器。项目集m3、m4和m5已经从Lm1中删除,由于后者不为空,则必须进一步递归深入,并分别为项目集{ m1m2}和{ m1m6}构造子树。
3.2.2,根据上述项目集Lm1列表的分析过程,项目集列表Lm1m2支持项等于1且项集{m1m2}是其最小生成器的封闭项集为{m1m2m3m4m5},项目集列表Lm1m6支持项等于2且项集{m1m6}是其最小生成器的封闭项集为{ m1m3m4m5m6}。
3.2.3,Lm1的处理完成后,由于没有更多要处理的元素,可以绘制子排序结构作为输出,Lm1列表的深入使我们能够首先连接已关闭的项目集{m1m3m4m5}和{ m1m2m3m4m5},其次能够连接{ m1m3m4m5}和{ m1m3m4m5 m6,进而提取本地关联的关联规则。对于列表L1中的其他项目集,重复上述相同的过程。
四、项集挖掘并生成有序结构数据后,根据定义的关联规则结构通式提取项集挖掘模块12中生成的有序结构数据对应的关联规则的实例,并计算置信度。关联规则描述事件的发生与数据之间的联系,用于识别临时交易数据库Ti中项目集之间的依赖关系。在实际数据库中会生成的大量的高置信度规则,其中许多是多余的,本发明选择关联规则的方法是用有效的算法从大型语料库中挖掘它们。本实施例中的关联规则结构通式包括第一通式和第二通式,第一通式为g(Y − g),第二通式为g(Y1- g),其中,g是一个封闭项目集Y的最小生成器,Y1是一个封闭项目集,Y<Y1,Y1是Y的后继者,根据第一通式提取出的关联规则的实例为最小精确关联规则,根据第二通式提取出的关联规则的实例为最小近似关联规则。那么,根据表1和置信度(Confidence)的计算公式:
得出本实施例中生成的各个最小精确关联规则和最小近似关联规则,具体如下面表2所示。
在上述项集挖掘模块12生成并显示的有序结构数据中,每个封闭的项目集都带有与其相关的最小生成器列表。实际上最小近似关联规则代表了车辆之间的关系,它们用给定的车辆、结构、子封闭项集到超封闭项集与统计信息(即置信度)进行分类。相反,最小精确关联规则是从每个车辆有序结构数据中提取的。
五、使用上述实施例中计算出的置信度与关联规则(最小精确关联规则和最小近似关联规则)解释车辆之间的时间相关性,进行故障车辆与恶意车辆检测。如,根据表2中的最小精确关联规则(1),假设从车辆M1接收到事件,则有100%的概率将在α个单位时间内从车辆M3、M4和M5接收到相同事件。如果没有从M3、M4和M5 中任一车辆接收到预期的事件,那么则可以得知无响应的车辆存在故障,或是恶意注入信息车辆。当要判断车辆M1与车辆M2之间的关联性时,则需要使用上述表2中的最小近似关联规则(4),假设从车辆M1接收到事件,则有33.3%的概率将在α个单位时间内从车辆M2、M3、M4、M5接收到相同事件。如果没有从车辆M2接收到预期的事件,那么则可以得知车辆M2存在故障,或是恶意注入信息车辆。
在上述实施例中,在α个单位时间内,由于车辆M1收到车辆M2的事件的概率仅为33.3,因此,极有可能出现误判的情况。鉴于此,本发明基于车载自组织网络的车辆数据挖掘系统还包括决策模块15,决策模块15用于根据设定的阈值对最小近似关联规则进行过滤,以控制最小近似关联规则的判断精度。如,当决策模块15中的阈值设置为50%,那么上述表2中的最小近似关联规则(4)就会被过滤掉,其不能用于判断车辆M1与车辆M2的关联关系,从而过滤掉概率比较小的最小近似关联规则,以提高对可疑车辆的判断率。但是,决策模块15中的阈值也不能设置的过大,否则,将会漏掉许多可疑车辆。当检测到故障或恶意车辆后,将他们从车联网中屏蔽掉并计入黑名单,然后从新从相邻车辆交换信息。
综上,本发明公开一种车载自组织网络的车辆数据挖掘系统,用于通过维护有关车辆之间传输的相关信息来检测异常,借助此方案,车辆将把常规消息数据存储在临时交易数据库Ti中,接下来将其转换为紧凑的表示形式,然后得出与车辆产生事件相关的关联规则。为了实现此方案,本发明使用了基于树的数据结构,即项集树,项集树扩展了FP Tree和Cats 作者提出的想法,使用特定结构来改善存储压缩并允许频繁的项目集挖掘,无需“显式”候选项目集生成步骤。另外,本发明调整了其使用的分治算法,以提取封闭项目集及其关联的最小生成器,然后根据定义提取与其关联的置信度和支持级别内的最小精确关联规则和最小近似关联规则,以此检测到可疑车辆,从而提高车联网的安全性能和利用效率。
另外,本发明还公开一种基于车载自组织网络的车辆数据挖掘系统,其包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的基于车载自组织网络的车辆数据挖掘方法的指令。
本发明还公开一种计算机可读存储介质,其包括测试用计算机程序,所述计算机程序可被处理器执行以完成如上所述的基于车载自组织网络的车辆数据挖掘方法。
以上所揭露的仅为本发明的优选实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明申请专利范围所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种基于车载自组织网络的车辆数据挖掘方法,其特征在于,包括如下步骤:
1)、通过车载自组织网络实时从相邻车辆收集表示车辆状态的车辆数据,构成数据集;
2)、根据树形数据结构的表示方式,将步骤1)中收集到的所述车辆数据转化为项集树的紧凑结构;
3)、对步骤2)中的所述项集树进行项集挖掘,挖掘封闭项集及其关联的最小生成器,生成有序结构数据;
4)、根据定义的关联规则结构通式提取上述步骤3)中有序结构数据对应的所述关联规则的实例,并计算置信度;
5)、使用步骤4)得出的置信度和关联规则的实例解释车辆之间的时间相关性,以进行非正常车辆检测。
2.根据权利要求1所述的基于车载自组织网络的车辆数据挖掘方法,其特征在于,步骤1)中收集的所述车辆数据包括相邻车辆所处的位置、方向、车速中的一个或多个。
3.根据权利要求1所述的基于车载自组织网络的车辆数据挖掘方法,其特征在于,所述步骤4)中的关联规则结构通式包括第一通式和第二通式,所述第一通式为g(Y − g),所述第二通式为g(Y1- g),其中,g是一个封闭项目集Y的最小生成器,Y1是一个封闭项目集,Y<Y1,Y1是Y的后继者,根据所述第一通式提取出的所述关联规则的实例为最小精确关联规则,根据所述第二通式提取出的所述关联规则的实例为最小近似关联规则。
4.根据权利要求3所述的基于车载自组织网络的车辆数据挖掘方法,其特征在于,还包括步骤6)、根据预先设定的阈值对所述最小近似关联规则进行过滤,以控制所述最小近似关联规则的判断精度。
5.一种基于车载自组织网络的车辆数据挖掘系统,其特征在于,包括数据提取模块、表示结构模块、项集挖掘模块、关联规则计算模块和检测模块;
所述数据提取模块,用于通过车载自组织网络实时从相邻车辆收集表示车辆状态的车辆数据,构成数据集;
所述表示结构模块,用于根据树形数据结构的表示方式,将所述数据提取模块中收集到的所述车辆数据转化为项集树的紧凑结构;
所述项集挖掘模块,用于对所述表示结构模块中的所述项集树进行项集挖掘,挖掘封闭项集及其关联的最小生成器,生成有序结构数据;
所述关联规则计算模块,根据定义的关联规则结构通式提取所述项集挖掘模块中生成的有序结构数据对应的所述关联规则的实例,并计算置信度;
所述检测模块,用于使用所述关联规则计算模块得出的置信度和关联规则的实例解释车辆之间的时间相关性,以进行非正常车辆检测。
6.根据权利要求5所述的基于车载自组织网络的车辆数据挖掘系统,其特征在于,所述数据提取模块提取到的所述车辆数据包括相邻车辆所处的位置、方向、车速中的一个或多个。
7.根据权利要求5所述的基于车载自组织网络的车辆数据挖掘系统,其特征在于,关联规则计算模块中定义的关联规则结构通式包括第一通式和第二通式,所述第一通式为g(Y− g),所述第二通式为g(Y1- g),其中,g是一个封闭项目集Y的最小生成器,Y1是一个封闭项目集,Y<Y1,Y1是Y的后继者,根据所述第一通式提取出的所述关联规则的实例为最小精确关联规则,根据所述第二通式提取出的所述关联规则的实例为最小近似关联规则。
8.根据权利要求7所述的基于车载自组织网络的车辆数据挖掘系统,其特征在于,还包括决策模块,所述决策模块用于根据设定阈值对所述最小近似关联规则进行过滤,以控制所述最小近似关联规则的判断精度。
9.一种基于车载自组织网络的车辆数据挖掘系统,其特征在于,包括:
一个或多个处理器;
存储器;
以及一个或多个程序,其中一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如权利要求1至4任一项所述的基于车载自组织网络的车辆数据挖掘方法的指令。
10.一种计算机可读存储介质,其特征在于,包括测试用计算机程序,所述计算机程序可被处理器执行以完成如权利要求1至4任一项所述的基于车载自组织网络的车辆数据挖掘方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010159461.9A CN111046090A (zh) | 2020-03-10 | 2020-03-10 | 基于车载自组织网络的车辆数据挖掘方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010159461.9A CN111046090A (zh) | 2020-03-10 | 2020-03-10 | 基于车载自组织网络的车辆数据挖掘方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111046090A true CN111046090A (zh) | 2020-04-21 |
Family
ID=70230907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010159461.9A Pending CN111046090A (zh) | 2020-03-10 | 2020-03-10 | 基于车载自组织网络的车辆数据挖掘方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046090A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103676645A (zh) * | 2013-12-11 | 2014-03-26 | 广东电网公司电力科学研究院 | 一种时间序列数据流中的关联规则的挖掘方法 |
CN104219663A (zh) * | 2013-05-30 | 2014-12-17 | 江苏大学 | 一种对车辆身份进行认证的方法和系统 |
CN105898815A (zh) * | 2015-10-22 | 2016-08-24 | 乐卡汽车智能科技(北京)有限公司 | 基于wave的车载自组织网络路由方法、装置和系统 |
CN106296401A (zh) * | 2016-11-24 | 2017-01-04 | 吴梅红 | 一种用于股市运行逻辑理解的强关联规则挖掘方法 |
-
2020
- 2020-03-10 CN CN202010159461.9A patent/CN111046090A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104219663A (zh) * | 2013-05-30 | 2014-12-17 | 江苏大学 | 一种对车辆身份进行认证的方法和系统 |
CN103676645A (zh) * | 2013-12-11 | 2014-03-26 | 广东电网公司电力科学研究院 | 一种时间序列数据流中的关联规则的挖掘方法 |
CN105898815A (zh) * | 2015-10-22 | 2016-08-24 | 乐卡汽车智能科技(北京)有限公司 | 基于wave的车载自组织网络路由方法、装置和系统 |
CN106296401A (zh) * | 2016-11-24 | 2017-01-04 | 吴梅红 | 一种用于股市运行逻辑理解的强关联规则挖掘方法 |
Non-Patent Citations (1)
Title |
---|
JIHENE REZGUI,ET AL.: "Detecting Faulty and Malicious Vehicles Using Rulebased Communications Data Mining", 《5TH IEEE WORKSHOP ON USER MOBILITY AND VEHICULAR NETWORKS》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103001811B (zh) | 故障定位方法和装置 | |
CN111030962B (zh) | 车载网络入侵检测方法及计算机可读存储介质 | |
CN102802158B (zh) | 基于信任评估的无线传感器网络异常检测方法 | |
CN101778112B (zh) | 一种网络攻击检测方法 | |
CN102340485B (zh) | 基于信息关联的网络安全态势感知系统及其方法 | |
CN109413109B (zh) | 基于有限状态机的面向天地一体化网络安全状态分析方法 | |
CN101267313B (zh) | 泛洪攻击检测方法及检测装置 | |
CN102624696B (zh) | 一种网络安全态势评估方法 | |
CN100463461C (zh) | 主动式网络安全漏洞检测器 | |
CN111541661A (zh) | 基于因果知识的电力信息网络攻击场景重构方法及系统 | |
CN104660594A (zh) | 一种面向社交网络的虚拟恶意节点及其网络识别方法 | |
CN111492625B (zh) | 非法检测方法以及非法检测装置 | |
CN112929845B (zh) | 一种基于区块链的车联网节点信任评估方法及系统 | |
CN111259204A (zh) | 基于图算法的apt检测关联分析方法 | |
CN101887498A (zh) | 混合式对等网络中基于免疫算法的病毒检测方法 | |
CN117473571B (zh) | 一种数据信息安全处理方法及系统 | |
CN101699787A (zh) | 一种用于对等网络的蠕虫检测方法 | |
CN101719906B (zh) | 一种基于蠕虫传播行为的蠕虫检测方法 | |
CN112257546B (zh) | 一种事件预警方法、装置、电子设备及存储介质 | |
CN101754206A (zh) | 无线传感器网络的多维途中过滤方法 | |
CN110213770A (zh) | 无线传感器网络的防串谋攻击方法及系统 | |
CN103501302A (zh) | 一种蠕虫特征自动提取的方法及系统 | |
CN111046090A (zh) | 基于车载自组织网络的车辆数据挖掘方法及系统 | |
CN105516164A (zh) | 基于分形与自适应融合的P2P botnet检测方法 | |
Qi et al. | An APT attack analysis framework based on self-define rules and mapreduce |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200421 |
|
WD01 | Invention patent application deemed withdrawn after publication |