基于深度信念网络的车联网信息分发策略生成方法及系统与流程

本发明涉及车联网信息安全，具体涉及一种基于深度信念网络的车联网信息分发策略生成方法及系统。

背景技术：

1、车联网(vehicular ad hoc network，vanet)被认为是未来智能车联网发展最具前景的技术之一。在车联网场景中，车联网事故信息的分发对实现车联网智能管理、智能车路管控、路径规划等应用具有重要意义。对于待分发的车联网事故信息，制定基于属性的访问控制策略(简称分发策略)，只有属性满足分发策略的车辆才能访问信息，能够实现一对多的信息安全分发。

2、在分发策略的生成上，现有技术主要是基于历史数据挖掘分发策略、或通过交通动力学知识预设规则来生成分发策略，虽然能够实现自动化的分发策略生成，但生成的分发策略具有较强的主观性和局限性，策略结构较为单一，缺乏足够的灵活性，难以适应高度复杂和动态的车联网环境。在车联网事故信息分发中，单一、静态的分发策略难以覆盖事故所影响的车辆群，导致受事故影响的车辆无法及时获取事故信息，或不受事故影响的车辆接受到大量冗余信息，从而影响车联网信息服务的质量。

技术实现思路

1、本发明的目的在于提供一种基于深度信念网络的车联网信息分发策略生成方法，用以解决现有技术中生成的策略具有较强的主观性和局限性、分发策略结构较为单一、缺乏足够的灵活性的问题。

2、一方面，本发明实施例提供了一种基于深度信念网络的车联网信息分发策略生成方法，包括：s1，获取车联网事故信息并对车联网事故信息进行预处理，得到预处理后的车联网事故向量，并对车联网事故信息数据标注基于属性的分发策略，将分发策略进行策略编码，得到分发策略编码；s2，基于深度信念网络和多标签分类网络构建分发策略生成模型，在深度信念网络底层引入高斯分布函数，通过深度信念网络对所述车联网事故信息数据进行特征提取，得到车联网事故信息特征；s3，在深度信念网络顶层引入二层的多标签分类网络，将分发策略编码作为标签，通过独立阈值的损失函数训练深度信念网络和多标签分类网络，得到训练后的分发策略生成模型；s4，采集实时车联网事故信息并进行预处理，将预处理后的车联网事故向量输入训练后的车联网信息访问策略生成模型，得到分发策略编码，并根据分发策略编码的标准，将分发策略编码转换为文字形式的分发策略。

3、进一步的，所述s1中获取的车联网事故信息包括事故严重程度、事故发生道路、事故发生的道路方向、受影响的道路长度、可见度和天气；

4、对车联网事故信息进行预处理还包括：对事故严重程度、事故发生道路、事故发生的道路方向和天气进行one-hot编码；对受影响的道路长度和可见度进行归一化，将其映射到[0,1]值域区间，得到预处理后的车联网事故向量。

5、进一步的，所述对提取得到的车联网事故信息数据标注基于属性的分发策略中，标注的分发策略包括属性表达式和属性表达式间的逻辑运算符，将标注的分发策略记为pol：

6、

7、其中，∧表示与操作，k表示属性表达式的总个数，attrexpri表示第i个属性表达式；属性表达式的种类包括车辆类型、行驶道路、行驶方向的表达式。

8、进一步的，所述属性表达式还包括属性叶子和属性叶子之间的逻辑运算符，属性表达式attrexpri满足：

9、

10、其中，op表示逻辑与或者逻辑或的操作，ni表示第i个属性表达式中包含的属性叶子的个数i∈[1,k]，k为属性表达式的个数，attrleafij表示第i个属性表达式中的第j个属性叶子，j∈[1,ni]，当分发策略中包含某一属性时，对应的属性叶子被置为1，否则被置为0。

11、进一步的，将基于属性的分发策略进行策略编码：由树形策略的根节点开始，从上到下、从左到右进行编码得到分发策略编码polcode，编码中第0位表示根节点的逻辑运算符，第1～k+1位表示k个属性表达式中的逻辑运算符，用1表示逻辑“与”，用0表示逻辑“或”；编码中最后n1+n2+...+nk个位置代表策略中的属性叶子，属性叶子的取值即为编码中对应位置的取值。

12、进一步的，所述深度信念网络由二层受限波尔兹曼机叠加生成，在深度信念网络网络的底层引入高斯分布来处理连续数据，隐变量层为伯努利分布，其能量函数表示为：

13、

14、其中，v为可见层的输入向量，h为隐含层的输出向量，d表示可观测变量的数量，f表示隐变量的数量；vi表示可观测变量，每个可观测变量vi服从(μi,σi)的高斯分布；μi表示可观测变量vi分布的平均值，σi表示可观测变量vi分布的标准差；hj表示隐变量，bj表示为每个隐变量hj的偏置；wij表示可观测变量vi和隐变量hj之间边的权重；

15、进一步的，所述s2还包括：将s1中得到的预处理后的车联网事故向量作为输入，通过深度信念网络无监督地提取车联网事故及其道路、环境的特征。

16、进一步的，在深度信念网络顶层引入二层的多标签分类网络，所述分发策略编码polcode作为模型训练的标签；

17、通过独立阈值的损失函数训练模型，为不同的标签引入独立的阈值函数，增加一倍的输出神经元作为标签的阈值输出。

18、进一步的，所述损失函数为：

19、

20、

21、其中，m为标签数量，yp为相关标签集合，为不相关标签集合，表示相关标签的输出值，表示相关标签的阈值，表示不相关标签的输出值，表示不相关标签的阈值。

22、另一方面，本发明实施例还提供了一种基于深度信念网络的车联网信息分发策略生成系统，包括：采集单元、预处理单元、模型构建及训练单元、分发策略生成单元；采集单元用于获取车联网事故信息，包括事故严重程度、事故发生道路事故发生的道路方向、受影响的道路长度、可见度和天气；预处理单元对采集单元采集到的车联网事故信息进行预处理，得到车联网事故向量；模型构建及训练单元基于深度信念网络和多标签分类网络构建车联网信息访问策略生成模型并对其进行训练；分发策略生成单元能够基于实时采集的车联网事故信息和训练后的车联网信息访问策略生成模型，得到分发策略编码，并将分发策略编码转换为文字形式的分发策略。

23、本发明的有益效果为：本发明提出的车联网事故信息分发策略生成方法，使用基于属性的树形结构以实现细粒度、灵活的分发策略表达，并对分发策略进行编码以实现动态的策略生成；本发明通过提取车联网事故信息及其道路、环境的特征，生成精准、完备的分发策略，提高车联网事故信息分发的精确性，区别于传统的基于历史数据或交通动力学的策略生成方法，本发明根据环境、道路状况等因素动态地生成分发策略，对属性表达式进行编码，支持灵活的策略表达，并为每个属性设置独立阈值的损失函数，提高策略生成的准确性和完备性，使得根据策略进行事故信息分发时，更准确地传递给所需信息的车辆群体；本发明基于属性分发策略实现对事故信息的细粒度分发，并对树形的分发策略进行编码，支持灵活、动态的分发策略生成；通过挖掘车联网事故大数据及其道路、环境信息，利用深度信念网络分析其对周围道路状况、车辆行驶的影响，并在模型训练中为每个属性设置独立阈值的损失函数，提高策略生成的准确性和完备性，为车联网事故信息分发自动化地生成精准、动态的分发策略。