[发明专利]车载自组织网络中基于决策树机制的多副本路由方法

摘要

本发明涉及一种车载自组织网络中基于决策树机制的多副本路由方法，属于车载自组织网络技术领域。在该方法中，采用一种机器学习内容里的决策树C4.5学习方法，车辆首先根据对历史数据的采集，然后对采集的历史数据进行整合处理，并使用决策树学习方法对所选取的相应属性进行分类和评级，生成决策规则树，之后在初始消息和消息副本的传递中利用构建的决策规则树使得消息的传输更加具有方向性和目的性。本方法解决了在多副本路由中消息副本数盲目洪泛转发带来的网络开销过大的问题，同时也解决了由于被动地采用直接传输使得投递率不高以及时延较大的问题，该方法相比于传统方法及时性、可靠性等性能更强，更适合高动态拓扑且网络密度较大的车载自组织网络。

主权项

1.一种车载自组织网络中基于决策树机制的多副本路由方法，其特征在于：包括以下步骤：步骤1、车辆对在相同网络下的历史数据进行采集；步骤2、对步骤1中采集的历史数据进行预处理；步骤3、对处理过的历史数据，采用机器学习C4.5学习算法，并建立相应的决策树准则；步骤4、在扩散阶段，车辆节点采集当前网络的数据并递归生成决策规则，看是否符合扩散规则并以二分法进行扩散；步骤5、在转发阶段，车辆节点采集当前网络的数据，将数据发送到规则树入口，看是否符合转发规则，进行数据包的转发；在步骤1中，车辆收集到历史节点网络环境和节点自身的属性，将其定义为车辆数据集：Vl＝(A1,A2,…,Al)，即所选取的类别属性，其中l为车辆标记数据集的个数；车辆约束数据集：Vu＝(A1,A2,…,Au)，即在车辆数据集的前提下，对其进行数据处理所得出的结果，其中Vu∈Vl,u∈l；在步骤2中，根据车辆属性建立车辆属性集合A＝(a1,a2,…,am)，其中，m为车辆属性个数，aj,j∈(1,2,…,m)代表车辆节点在网络中或者自身的第j个属性；在步骤3中，对于收集到的车辆属性集合A，依据决策树C4.5学习方法，计算出车辆网络信息熵：其中，S为跟踪投递数据集，目标变量C_i有k个分类；ratio(C_i,S)表示S中目标属性C_i所占比例，其中，i＝0,1，"0"表示投递失败，"1"表示投递成功；|S|表示数据集S中的样本个数之和；再计算出网络属性条件熵：设车辆的某种属性变量为T，有n个分类，这里的分类数n＝0,1,2…，其中，T_j表示考虑该属性时该属性的分类集合，j＝0,1,2…；根据计算出的车辆网络信息熵Info(S)和网络属性条件熵Info(T)，得出车辆网络中属性变量T对该网络带来的信息增益为，VehicleGain(T)＝Info(S)‑Info(T)，同时，车辆网络中属性变量T对该网络带来的车辆信息增益率为，其中，SplitInfo(T)为依据生成的车辆信息增益率VehicleGainRatio(T)，利用决策树C4.5学习算法生成决策规则树；依据决策规则树对每次相遇的车辆节点进行决策规则树搜索，如果满足决策规则，则采用二分法进行副本的扩散；新近度、节点活跃因子、接近中心度、中介中心性车辆网络属性是通过移动加权指数平均方法来更新，选取上一状态的数据和当前状态的数据加权更新；α的值设置为0.7效果最好，更新公式定义为：A←(1‑α)*Ai‑1+α*Ai其中，A表示更新的属性值，Ai‑1表示上一次的值即历史的属性值，Ai表示当前采集到的属性值，α为更新因子。