本发明属于网络安全和流行病学模型的交叉应用领域，涉及基于流行病学的车联网病毒传播预测方法。
背景技术：
1、车联网是一种由车辆之间直接通信而形成的动态网络。它是一种特殊类型的自组织网络，旨在提供车辆之间的实时通信和信息交换。车联网的目标是增强道路交通的效率、安全性，以及为车辆和驾驶员提供各种交通相关的应用和服务。在车联网中，车辆通过无线通信技术(如wi-fi、dsrc、lte等)建立起临时性的网络连接，形成一个自适应的、动态变化的网络拓扑。这些车辆可以相互通信，交换路况信息、交通事件、事故警报、位置数据等。这种实时通信和信息交换使得车辆可以更好地适应路况，提前预警和应对潜在的安全风险，从而提高整体交通效率和安全性。因此，车辆自组织网络是一个复杂而具有前景的研究领域，将在未来的智能交通系统中扮演重要角色。
2、病毒传播模型是用来描述和分析病毒在计算机系统或网络中传播的方式和机制的数学模型。这些模型可以帮助研究人员理解病毒传播的规律、评估传播风险、设计有效的防御策略等。
3、目前的病毒传播模型：
4、sir模型，sir模型是一种经典的流行病学模型，被广泛应用于研究疾病传播。在病毒传播中，s代表易感者(susceptible)，i代表感染者(infected)，r代表恢复者(recovered)。这个模型基于人口的易感者、感染者和康复者之间的转变过程，描述了病毒在人群中的传播和衰减，但是此模型存在以下缺点：简化假设：sir模型基于一些简化的假设，如均匀混合的人群、恒定的感染率和恢复率等。这些假设可能并不符合现实世界的复杂情况。参数估计困难：模型的参数(如感染率、恢复率等)通常难以准确估计，这可能导致预测结果的不准确。忽视个体异质性：sir模型通常不考虑个体的年龄、性别、健康状况等异质性因素，而这些因素可能对疾病的传播有重要影响。
5、随机图模型，随机图模型用于描述网络中节点之间的连接关系和病毒传播的路径。在这种模型中，节点代表网络中的主机或用户，边代表节点之间的连接。通过随机图模型，可以模拟病毒在网络中的传播路径、传播速度和影响范围等，但是此模型存在以下缺点：网络结构简化：随机图模型可能简化了真实网络的结构和动态性，导致模型结果与实际情况存在偏差。缺乏动态性：大多数随机图模型是静态的，无法描述网络的动态演化过程，这限制了模型在描述病毒传播中的应用。数据获取困难：构建准确的随机图模型需要大量的网络数据，而这些数据往往难以获取。
6、时空传播模型，时空传播模型结合了时间和空间维度，考虑了病毒传播在不同时间和地点的变化。这些模型可以帮助研究人员更准确地预测病毒传播的动态特性和传播趋势，以及制定相应的控制策略，但是此模型存在以下缺点，数据需求量大：时空传播模型需要详细的时空数据来支持，而这些数据的获取和处理可能非常困难。计算复杂性：由于时空传播模型涉及多个维度(时间、空间、人口等)，其计算复杂性通常较高，需要高性能计算机和高效的算法支持。模型验证困难：由于时空传播模型的复杂性，其验证和校准过程可能非常困难，这可能导致模型结果的不确定性和偏差。
7、车联网是一种由车辆之间直接通信而形成的动态网络。它允许车辆之间进行信息交换、路况共享、交通管理等应用。然而，随着车联网的快速发展，也带来了一些安全挑战，其中之一就是病毒传播。在车联网中，病毒传播是指恶意软件或恶意代码通过网络传播并感染其他车辆或网络节点的过程。病毒可以利用网络通信、数据传输和车辆之间的交互来传播，可能导致网络性能下降、信息泄露、资源浪费等问题，甚至对交通安全产生威胁。而然现有的病毒传播模型不能实现对车联网中的病毒传播进行精准的预测、以及成本的控制。
技术实现思路
1、有鉴于此，本发明的目的在于提供基于流行病学的车联网病毒传播预测方法，该方法中构建的病毒传播模型具有精准预测、节约成本、指导决策以及具有较好扩展性的优点。所以基于病毒传播模型可以针对车联网中网络病毒的传播进行较好的模拟,并为预防病毒的传播提供决策上的参考。因此本发明基于流行病学构建符合车联网的病毒传播模型，分析车载网络中病毒传播的变化趋势，能够验证各种措施的有效性，最后构建有效的病毒传播模型以及车联网中病毒传播的抑制策略。
2、为达到上述目的，本发明提供如下技术方案：
3、基于流行病学的车联网病毒传播预测方法，该方法包括以下步骤：
4、s1：基于车辆移动特性，构建车辆交通预测模型；
5、s2：构建信息传播模型；
6、s3：构建车载网络中的病毒传播模型；
7、s4：利用所述s3中构建的病毒传播模型，结合实时检测车辆位置和状态数据预测病毒在车载网络中的传播趋势和范围；
8、s5：计算车联网中车辆的介数中心数，识别出网络的关键节点，进行补丁升级，抑制病毒在车联网中的传播。
9、进一步，所述s1中，基于车辆移动特性构建交通模型，具体为：
10、以集合g(t)location表示车联网中车辆：
11、g(t)location＝{x1,x2,…,xi,…,xn} (1)
12、以车辆水平方向速度垂直方向的移动速度车辆的位置(xi,yi)、水平方向加速度ah、垂直方向加速度av、t时刻加入网络车辆数量cin、t时刻离开网络车辆数量cout作为交通模型的参数；
13、通过t时刻车辆水平方向速度和垂直方向的速度结合水平方向加速度ah和垂直方向加速度av预测t+δt时刻车辆在车联网中的位置，计算公式如下：
14、
15、
16、其中，sv和sh是车联网中某一车辆在t时刻垂直方向和水平方向的速度以及垂直方向和水平方向的加速度得到的在δt时间内的行驶距离；
17、通过得到车辆的水平方向行驶距离sh和垂直方向行驶距离sv，以及t时刻车辆的位置信息，预测t+δt时刻车辆的位置xi(t+δt)，计算公式如下：
18、xi(t+δt)＝(xi+sh,yi+sv) (4)。
19、进一步，所述s2中，构建信息传播模型，具体为：
20、将车辆是否装通信模块划分为：unequipped和equipped状态，unequipped表示车辆不可进行通信，equipped表示车辆可以进行通信；
21、基于车辆交通模型预测得到的t+δt时刻的车辆位置信息，结合车辆的状态和通信范围，得到车辆间的通信状态表示为：
22、
23、其中参数r表示车辆的通信范围大小，表示车辆xi和xj可以互相通信，反之，则无法进行通信；
24、从而得到车联网的网络拓扑结构图，并确立车联网的信息传播模型。
25、进一步，所述s3中，构建病毒传播模型，具体为：
26、根据车辆感染情况将车辆划分为：感染状态i和未感染状态s，其中，状态为s的车辆会因为接收到状态为i的车辆传递的病毒，导致状态转变为i，而状态为i的信息会因为被打上补丁操作导致病毒程序被清楚从而状态回到s；
27、当车联网中状态为s的车辆接收到状态为i的车辆的病毒时，被感染的概率为α，当车辆的状态为i时，若补丁更新导致病毒被清除，则车辆状态回到s的概率为β；
28、通过信息传播模型得到车联网中每个可通信车辆通信范围内的车辆数量，计算公式如下：
29、
30、得到车辆xi在t+δt时刻通信范围内可通信车辆的数量，计算公式如下：
31、
32、其中，ej示车辆xj装备有通信模块的概率；
33、得到车辆被感染的概率，计算公式如下：
34、
35、iin(t+δt)表示在t+δt时刻进入网络的感染车辆数量，sin(t+δt)表示在t+δt时刻进入网络的感染车辆数量，得到t+δt时刻进出该区域的车辆数量cin(t+δt)，计算公式如下：
36、cin(t+δt)＝iin(t+δt)+sin(t+δt) (9)
37、iout(t+δt)表示在t+δt时刻离开网络的感染状态的车辆数量，sout(t+δt)为t+δt时刻离开网络的易感染状态的车辆数量，对应的在t+δt时刻离开网络的车辆数量cout(t+δt)计算公式如下：
38、cout(t+δt)＝iout(t+δt)+sout(t+δt) (10)
39、i(t)为t时刻感染状态的车辆数量，δt表示模拟时间间隔，iadd(t+δt)为在t到t+δt内原来网络中新增的感染车辆，则在t+δt时刻被感染的车辆数量为i(t+δt)，计算公式为：
40、i(t+δt)＝i(t)+iin(t)-iout(t)+iadd(t+δt) (11)
41、i(t+δt)为t+δt时刻感染车辆的数量，在恢复率β的作用下，该区域中状态为susceptible的数量，计算公式为：
42、s(t+δt)＝s(t)+i(t+δt)*β+sin(t)-sout(t) (12)
43、公式(12)中，s(t)为当前时间状态为易感染的车辆数量，则在t+δt时刻被感染的车辆数量和未感染车辆数量的展开计算公式为：
44、
45、s(t+δt)＝s(t)+[i(t)*β-sout(t+δt)+sin(t+δt)] (14)
46、其中，e表示其中装备有通信模块的概率；
47、得到相应的微分方程，表示为：
48、
49、在t＝0时，i的数量为i(0)，得到i(t)的计算公式为：
50、
51、其中，n表示区域内的初始化车辆的数量，e表示区域内装备有通信模块的概率，α表示感染率，t表示时间。
52、进一步，所述s4中，利用所述s3中构建的病毒传播模型，结合实时检测车辆位置和状态数据预测病毒在车载网络中的传播趋势和范围，具体为：
53、通过病毒传播模型进行数值模拟，比较不同初始感染个数的影响，得到在不同初始感染个数的情况下，病毒传播速度的变化、治愈率不变，比较感染率增加的影响，得到感染率变化导致的病毒传播速度变化的情况、装备通信模块概率不同的比较，分析在不同装备通信模块的概率下，其病毒在网络的传播情况，得到感染车辆数量随着时间其数量变化的结果，预测病毒的传播趋势。
54、进一步，所述s5中，计算车联网中车辆的介数中心数，识别出网络的关键节点，进行补丁升级，抑制病毒在车联网中的传播，具体为：
55、根据计算车联网中时间段t-(t+n)中，找到其累计介数中心数cb最大的前百分之十个节点，进行补丁升级，防止病毒的进一步扩散，cb计算公式如下：
56、
57、本发明的有益效果在于：
58、第一，本发明通过结合车辆移动特性、信息传播模型和基于流行病学的病毒传播模型，能够准确地预测病毒在车载网络中的传播趋势和范围。这为车联网中的病毒防控提供了有力的技术支撑，有助于及时采取应对措施，防止病毒的大规模扩散。
59、第二，本发明通过计算车联网中车辆的介数中心数，该方法能够识别出网络中的关键节点。这些节点在网络通信中扮演着重要角色，是病毒传播的关键路径。通过优先对这些关键节点进行补丁升级，可以有效抑制病毒在车联网中的传播，提高网络的整体安全性。
60、第三，本发明综合了车辆移动性、通信特性与网络结构变化，结合了流行病学原理，展示了跨学科技术创新的优势。它不仅提高了预测的准确性，还为车联网安全提供了新的研究思路和方法。
61、第四，本发明利用实时检测车辆位置和状态数据，能够实时预测病毒在车载网络中的传播情况。同时，通过比较不同条件下的模拟结果，可以灵活调整防控策略，以适应不同场景和需求。
62、第五，本发明为车联网中的病毒防控提供了决策支持。通过预测病毒的传播趋势和范围，以及识别关键节点，可以为决策者提供科学依据，帮助他们制定更加合理和有效的防控措施。
63、第六，本发明中构建的病毒传播模型具有精准预测、节约成本、指导决策以及具有较好扩展性的优点。所以基于病毒传播模型可以针对车联网中网络病毒的传播进行较好的模拟,并为预防病毒的传播提供决策上的参考。因此本发明基于流行病学构建符合车联网的病毒传播模型，分析车载网络中病毒传播的变化趋势，能够验证各种措施的有效性，最后构建有效的病毒传播模型以及车联网中病毒传播的抑制策略。
64、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
1.基于流行病学的车联网病毒传播预测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于流行病学的车联网病毒传播预测方法，其特征在于：所述s1中，基于车辆移动特性构建交通模型，具体为：
3.根据权利要求2所述的基于流行病学的车联网病毒传播预测方法，其特征在于：所述s2中，构建信息传播模型，具体为：
4.根据权利要求3所述的基于流行病学的车联网病毒传播预测方法，其特征在于：所述s3中，构建病毒传播模型，具体为：
5.根据权利要求4所述的基于流行病学的车联网病毒传播预测方法，其特征在于：所述s4中，利用所述s3中构建的病毒传播模型，结合实时检测车辆位置和状态数据预测病毒在车载网络中的传播趋势和范围，具体为：
6.根据权利要求5所述的基于流行病学的车联网病毒传播预测方法，其特征在于：所述s5中，计算车联网中车辆的介数中心数，识别出网络的关键节点，进行补丁升级，抑制病毒在车联网中的传播，具体为：
