[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

权利要求书

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：V_l＝(A₁,A₂,…,A_l)，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：V_u＝(A₁,A₂,…,A_u)，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V_u∈V_l,u∈l；

在步骤2中，根据车辆属性建立车辆属性集合A＝(a¹,a²,…,a^m)，其中，m为车辆属性个数，a^j,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)*A_i-1+α*A_i

其中，A表示更新的属性值，A_i-1表示上一次的值即历史的属性值，A_i表示当前采集到的属性值，α为更新因子。

2.根据权利要求1所述的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：在步骤4中，车辆根据决策规则进行数据包转发，车辆首先收集当前网络的数据，预处理后送入决策规则进行匹配，如果匹配规则且当前车辆携带的副本数大于1，则将进行转发的数据包按“二分法”进行扩散；如若不匹配则等待下次相遇机会；

当每辆车携带的数据包副本数仅剩一个副本时，结束扩散阶段，进入转发阶段；在转发阶段同样根据决策规则树主动进行下一跳的选择和转发；同时，对于决策规则树的更新，需要对历史数据进行重新采集。

3.根据权利要求2所述的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：在步骤5中，在转发阶段同样根据决策规则主动进行下一跳的选择和转发，可以有效降低投递延时；同时，对于决策规则树的更新，需要对历史数据进行重新采集建立新的决策规则。