一种基于区块链的汽车服务安全保障方法及系统

技术领域

本发明涉及电数字数据处理技术领域，具体涉及一种基于区块链的汽车服务安全保障方法及系统。

背景技术

区块链技术是一种分布式数据库技术，它通过去中心化、不可篡改、可追溯等特点，为汽车服务提供了更加安全和可信的保障。

在采集汽车数据时，通过每个传感器实时获取汽车的各项数据并进行存储，当汽车出现故障时方便维修人员根据实时的各个传感器数据进行排查，但由于汽车设备和系统种类诸多，对应的传感器数据表现也具有差异，同时各个传感器的数据之间也存在一定的关联，因而在维修过程中，对每个传感器的数据进行分析核查，推断汽车发生的故障，导致降低了汽车故障检测的效率，同时降低了故障监测的准确性。

发明内容

为了解决对汽车的每个传感器的数据进行分析，导致降低了汽车故障检测的效率，同时降低了故障监测准确性的技术问题，本发明的目的在于提供一种基于区块链的汽车服务安全保障方法及系统，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于区块链的汽车服务安全保障方法，该方法包括以下步骤：

获取故障汽车在预设时间段内的每个传感器的每个时刻下的数据，作为参与数据；

根据参与数据的变化，获取每种故障对应的每辆故障汽车中的每个传感器的异常程度，筛选出每种故障对应的故障汽车中的异常传感器；

根据每种故障对应的任意两辆故障汽车之间的同一种异常传感器的参与数据和异常程度，获取每种故障对应的任意两辆故障汽车之间的同一种异常传感器的相似程度；

根据所述相似程度，对每种故障对应的同一种异常传感器进行聚类，将获得的聚类簇作为每种故障对应的同一种异常传感器的参与数据每种表现情况；

根据每种故障对应的每种异常传感器的参与数据每种表现情况中的异常传感器的数量和异常程度，获取每种表现情况的影响程度，确定每种故障对应每种异常传感器的异常特征值；

根据异常特征值预测汽车可能发生的故障类型。

进一步地，所述异常程度的获取方法为：

将某一故障对应的某一辆故障汽车中的任一个传感器，作为目标传感器；

拟合预设时间段内该故障汽车正常行驶时目标传感器的预测正常数据；

获取目标传感器在预设时间段内每个时刻下的参与数据与预测正常数据的差异，作为每个时刻下的残差值；

获取目标传感器每个时刻下的参与数据与后一相邻时刻下的参与数据的差异，作为每个时刻下的趋势变化值；

根据目标传感器每个时刻下的残差值和趋势变化值，获取该故障对应的该故障汽车中的目标传感器的异常程度。

进一步地，所述异常程度的计算公式为：

式中，

进一步地，所述异常传感器的获取方法为：

当传感器的异常程度大于预设的异常程度阈值时，传感器为对应故障对应的故障汽车中的异常传感器。

进一步地，所述相似程度的获取方法为：

通过图像匹配技术获取每种故障对应的任意两辆故障汽车之间的同一种异常传感器的参与数据的相似值，作为第一相似值；

获取每种故障对应的任意两辆故障汽车之间的同一种异常传感器的异常程度的差异，作为第一差异；

根据所述第一相似值和所述第一差异，获取相同故障对应的任意两辆故障汽车之间的同一种异常传感器的相似程度。

进一步地，所述相似程度的计算公式为：

式中，

进一步地，所述影响程度的计算公式为：

式中，

进一步地，所述异常特征值的获取方法为：

对于任一故障对应任一种异常传感器，获取该种异常传感器的每种表现情况的影响程度；

将最大的影响程度对应的表现情况，作为目标表现情况；

获取目标表现情况中每个异常传感器的异常程度的均值，作为该故障对应该种异常传感器的异常特征值。

进一步地，所述根据异常特征值预测汽车可能发生的故障类型的方法为：

获取待测汽车的每个传感器的异常程度与对应同一种异常传感器下的每种故障类型的异常特征值的差异，作为第二差异；

将最小的第二差异对应的故障类型，作为待测汽车可能发生的故障类型。

第二方面，本发明另一个实施例提供了一种基于区块链的汽车服务安全保障系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时，实现上述任意一项方法的步骤。

本发明具有如下有益效果：

根据参与数据的变化，获取每种故障对应的每辆故障汽车中的每个传感器的异常程度，筛选出每种故障对应的故障汽车中的异常传感器，进而只对异常传感器进行分析，提高效率；根据每种故障对应的任意两辆故障汽车之间的同一种异常传感器的参与数据和异常程度，获取每种故障对应的任意两辆故障汽车之间的同一种异常传感器的相似程度，确定同一种异常传感器的参与数据对同一种故障的表现情况是否相同，确定每种故障对应的每种异常传感器的参与数据每种表现情况，因此根据相似程度，对每种故障对应的同一种异常传感器进行聚类，将获得的聚类簇作为每种故障对应的同一种异常传感器的参与数据每种表现情况，对参与数据每种表现情况中的异常传感器的数量和异常程度进行分析，获取每种表现情况的影响程度，进而准确确定每种故障对应每种异常传感器的异常特征值，根据异常特征值准确高效预测汽车可能发生的故障类型。本发明通过分析已知故障类型的故障汽车的异常传感器数据的表现情况，确定每种故障对应的每种异常传感器的异常特征值，进而根据待测汽车的每种传感器的异常程度与对应种异常传感器的异常特征值直接进行比较，确定待测汽车可能发生的故障类型，提高了故障检测的效率和准确性，便于维修人员及时进行维修。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于区块链的汽车服务安全保障方法的流程示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于区块链的汽车服务安全保障方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于区块链的汽车服务安全保障方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于区块链的汽车服务安全保障方法的流程示意图，该方法包括以下步骤：

步骤S1：获取故障汽车在预设时间段内的每个传感器的每个时刻下的数据，作为参与数据。

具体的，通过区块链获取维修服务厂中M辆故障汽车预设时间段内的每个传感器的每个时刻下的数据，作为参与数据。本发明实施例将M设定为1000，预设时间段设定为故障汽车到维修服务厂的前一个月的时长，每个传感器每相邻两个时刻的时间间隔为1秒，实施者可根据实际情况设定M的大小、预设时间段的时长和时间间隔的大小，在此不进行限定。

将M辆故障汽车根据故障类型进行分类，对每种故障类型对应的每辆故障汽车中的传感器的参与数据进行分析，获取每种故障对应的每辆故障汽车中的异常传感器，对每种故障对应的同一种异常传感器的参与数据进行分析，进而获取每种故障对应的每种异常传感器即每种传感器的异常特征值。对待测汽车的每个传感器的数据进行分析，获取待测汽车的每个传感器的异常程度，与每种故障对应的每种传感器的异常特征值进行对比，准确高效的确定待测汽车可能发生的故障类型，方便维修人员进行准确的维修。

步骤S2：根据参与数据的变化，获取每种故障对应的每辆故障汽车中的每个传感器的异常程度，筛选出每种故障对应的故障汽车中的异常传感器。

具体的，一辆故障汽车可能有多个故障，且一辆故障汽车中的一个故障可能对应多个传感器。由于故障汽车的种类和系统不相同，不同故障汽车产生相同故障的原因不相同，因此，相同故障对应的不同故障汽车中对应响应的传感器种类不相同。本发明实施例通过对每辆故障汽车中的每个传感器的参与数据进行分析，获取每种故障对应的每辆故障汽车中的每个传感器的异常程度，进而确定每辆故障汽车中的每个故障对应的异常传感器。

优选地，获取异常程度的方法为：将某一故障对应的某一辆故障汽车中的任一个传感器，作为目标传感器；拟合预设时间段内该故障汽车正常行驶时目标传感器的预测正常数据；获取目标传感器在预设时间段内每个时刻下的参与数据与预测正常数据的差异，作为每个时刻下的残差值；获取目标传感器每个时刻下的参与数据与后一相邻时刻下的参与数据的差异，作为每个时刻下的趋势变化值；根据目标传感器每个时刻下的残差值和趋势变化值，获取该故障对应的该故障汽车中的目标传感器的异常程度。

作为一个示例，以第i种故障对应的第k辆故障汽车中的第j个传感器为例，则第j个传感器即为目标传感器。根据区块链中记载的第k辆故障汽车正常行驶时第j个传感器的每个时刻下的数据，拟合预设时间段内第k辆故障汽车正常行驶时第j个传感器的预测正常数据，即当第k辆故障汽车不发生故障时，第j个传感器在预设时间段内的每个时刻下的数据。获取第j个传感器在预设时间段内的每个时刻下的参与数据与预测正常数据的差值绝对值，即为每个时刻下的残差值。例如，获取第j个传感器在预设时间段内的第t个时刻下的参与数据与拟合的第j个传感器在预设时间段内的第t个时刻下的预测正常数据的差值绝对值，即为第t个时刻下的残差值。获取第j个传感器在预设时间段内每个时刻下的参与数据与后一相邻时刻下的参与数据的差值，即为每个时刻下的趋势变化值。其中，预设时间段内的最后一个时刻不存在趋势变化值。本发明实施例分别获取第j个传感器在预设时间段内的每个时刻下的趋势变化值与对应时刻之后邻近的第一预设数量个趋势变化值的差值绝对值，作为趋势差异，将趋势差异的均值，作为每个时刻下的整体趋势差异。本发明实施例设定第一预设数量为5，实施者可根据实际情况设定第一预设数量的大小，在此不进行限定。例如，分别获取第j个传感器在预设时间段内的第t个时刻下的趋势变化值与第t个时刻之后邻近的5个时刻下的趋势变化值的差值绝对值，即为趋势差异，获取趋势差异的均值，即为第j个传感器在预设时间段内的第t个时刻下的整体趋势差异。当第k辆故障汽车中的第j个传感器在预设时间段内的第t个时刻之后邻近的时刻不存在5个时，此时只获取第j个传感器在预设时间段内的第t个时刻下的趋势变化值与第t个时刻之后的每个时刻下的趋势变化值的趋势差异的均值，即为第t个时刻下的整体趋势差异。例如，当第k辆故障汽车中的第j个传感器在预设时间段内的第t个时刻之后存在3个趋势变化值时，此时分别获取第t个时刻下的趋势变化值与第t个时刻之后的3个趋势变化值的趋势差异的均值，即为第j个传感器在预设时间段内的第t个时刻下的整体趋势差异。当第k辆故障汽车中的第j个传感器在预设时间段内的第t个时刻为最后一个时刻时，此时默认第j个传感器在预设时间段内的第t个时刻下的整体趋势差异为1。根据第i种故障对应的第k辆故障汽车中的第j个传感器在预设时间段内每个时刻下的残差值和趋势变化值，获取第i种故障对应的第k辆故障汽车中的第j个传感器的异常程度的计算公式为：

式中，

需要说明的是，

根据获取第i种故障对应的第k辆故障汽车中的第j个传感器的异常程度的方法，获取每种故障对应的每辆故障汽车中的每个传感器的异常程度。

对每种故障对应的每辆故障汽车中的每个传感器的异常程度进行分析，确定每辆故障汽车中的每种故障对应的异常传感器。

优选地，获取异常传感器的方法为：当传感器的异常程度大于预设的异常程度阈值时，传感器为对应故障对应的故障汽车中的异常传感器。本发明实施例将预设的异常程度阈值设定为0.7，实施者可根据实际情况设定预设的异常程度阈值的大小，在此不进行限定。当第i种故障对应的第k辆故障汽车中的第j个传感器的异常程度大于预设的异常程度阈值时，则第j个传感器为第i种故障对应的第k辆故障汽车中的异常传感器，即第j个传感器为第k辆故障汽车中的第i种故障对应的异常传感器。至此，获取每辆故障汽车中的每种故障对应的异常传感器。

步骤S3：根据每种故障对应的任意两辆故障汽车之间的同一种异常传感器的参与数据和异常程度，获取每种故障对应的任意两辆故障汽车之间的同一种异常传感器的相似程度。

具体的，同一种故障发生的原因存在多种，因此，相同故障对应的故障汽车中的异常传感器的种类会存在不同，即使相同故障对应的故障汽车中的异常传感器的种类相同，不同故障汽车中的异常传感器的参与数据也可能存在差异。其中，对于相同原因造成的故障对应的故障汽车中的同种异常传感器的参与数据的变化是相似的，因此，通过计算相同故障对应的任意两辆故障汽车之间的同一种异常传感器的相似程度，进一步获取每种故障对应的故障汽车中的同一种异常传感器的参与数据的不同表现情况，即导致每种故障发生的各个可能原因，进而确定每种故障对应的每种异常传感器的异常特征值，便于确定待测汽车可能发生的故障类型。

优选地，获取相似程度的方法为：通过图像匹配技术获取每种故障对应的任意两辆故障汽车之间的同一种异常传感器的参与数据的相似值，作为第一相似值；获取每种故障对应的任意两辆故障汽车之间的同一种异常传感器的异常程度的差异，作为第一差异；根据第一相似值和第一差异，获取相同故障对应的任意两辆故障汽车之间的同一种异常传感器的相似程度。其中，图像匹配技术为现有技术，不再进行赘述。

作为一个示例，以第i种故障对应的第a辆故障汽车与第b辆故障汽车之间的第u种异常传感器为例，通过图像匹配技术获取第i种故障对应的第a辆故障汽车中的第u个异常传感器的参与数据与第i种故障对应的第b辆故障汽车中的第u个异常传感器的参与数据之间的相似值，即第一相似值。获取第i种故障对应的第a辆故障汽车中的第u个异常传感器的异常程度与第i种故障对应的第b辆故障汽车中的第u个异常传感器的异常程度之间的差值绝对值，即为第一差异。根据第i种故障对应的第a辆故障汽车和第b辆故障汽车中的第u种异常传感器之间的第一相似值和第一差异，获取第i种故障对应的第a辆故障汽车与第b辆故障汽车之间的第u种异常传感器的相似程度的计算公式为：

式中，

需要说明的是，

根据获取第i种故障对应的第a辆故障汽车与第b辆故障汽车之间的第u种异常传感器的相似程度的方法，获取每种故障对应的任意两辆故障汽车之间的同一种异常传感器的相似程度。

步骤S4：根据所述相似程度，对每种故障对应的同一种异常传感器进行聚类，将获得的聚类簇作为每种故障对应的同一种异常传感器的参与数据每种表现情况。

具体的，本发明实施例以第i种故障对应的任意两辆故障汽车之间的第u种异常传感器的相似程度为例，通过K-means聚类算法，将第i种故障对应的任意两辆故障汽车之间的第u种异常传感器的相似程度作为聚类依据，对第i种故障对应的所有第u种异常传感器进行聚类，本发明实施例利用手肘法和评价聚类结果的方式获取K-means聚类算法中的最优k值。其中，K-means聚类算法、手肘法和评价聚类结果的方式均为现有技术，不再进行赘述。将获得的聚类簇作为第i种故障对应的第u种异常传感器的参与数据每种表现情况。即每个聚类簇中的异常传感器的参与数据的变化情况相似。

根据获取第i种故障对应的第u种异常传感器的参与数据每种表现情况的方法，获取每种故障对应的每种异常传感器的参与数据每种表现情况。

步骤S5：根据每种故障对应的每种异常传感器的参与数据每种表现情况中的异常传感器的数量和异常程度，获取每种表现情况的影响程度，确定每种故障对应每种异常传感器的异常特征值。

具体的，为了根据待测汽车的各个传感器的数据，及时预测待测汽车可能发生的故障类型，本发明实施例对每种故障对应的每种异常传感器的参与数据每种表现情况中的异常传感器的数量和异常程度进行分析，确定每种故障对应的每种异常传感器的整体数据的表现情况，即获取每种故障对应的每种异常传感器的异常特征值。

作为一个示例，以步骤S4中的第i种故障对应的第u种异常传感器的参与数据每种表现情况为例，获取第i种故障对应的第u种异常传感器的异常特征值，具体方法如下：

（1）获取影响程度。

以第i种故障对应的第u种异常传感器的参与数据第h种表现情况为例，即以第i种故障对应的第u种异常传感器聚类后的第h个聚类簇为例，获取第i种故障对应的第u种异常传感器的参与数据第h种表现情况中的异常传感器的总数量，与第i种故障对应的第u种异常传感器的总数量的比值，作为关联值，根据关联值确定参与数据第h种表现情况与第i种故障的关联程度；获取第i种故障对应的第u种异常传感器的参与数据第h种表现情况中的异常传感器的异常程度的均值与参与第u种异常传感器的参与数据其他每种表现情况中的异常传感器的异常程度的均值的差值绝对值，作为异常差异值。获取异常差异值的均值，作为第i种故障对应的第u种异常传感器的参与数据第h种表现情况的整体异常值。根据关联值、整体异常值和第i种故障对应的第u种异常传感器的参与数据第h种表现情况中的异常传感器的异常程度的均值，获取第i种故障对应的第u种异常传感器的参与数据第h种表现情况的影响程度的计算公式为：

式中，

本方法实施例将第二预设常数

需要说明的是，

根据获取第i种故障对应的第u种异常传感器的参与数据第h种表现情况的影响程度的方法，获取第i种故障对应的第u种异常传感器的参与数据每种表现情况的影响程度。

（2）获取异常特征值。

选取出第i种故障对应的第u种异常传感器的参与数据每种表现情况的最大影响程度，作为目标影响程度，将目标影响程度对应的表现情况，作为目标表现情况。获取目标表现情况中每个异常传感器的异常程度的均值，即为第i种故障对应的第u种异常传感器的异常特征值。若目标影响程度对应多个表现情况，则任选一个表现情况作为目标表现情况。

根据获取第i种故障对应的第u种异常传感器的异常特征值的方法，获取每种故障对应的每种异常传感器的异常特征值。

步骤S6：根据异常特征值预测汽车可能发生的故障类型。

将传感器的种类作为纵轴，故障类型作为横轴，建立一个二维矩阵，其中每一个横纵轴对应的元素，均为对应故障对应的对应种异常传感器的异常特征值。因此，每种故障均可以得到一个最有可能的传感器数据的表现情况。对于二维矩阵中某种故障对应的传感器不是异常异常传感器时，即无法获取二维矩阵中对应的元素，此时用0进行填充。需要说明的是，第u种异常传感器为第u种传感器。

根据车联网技术特点，汽车在运行过程中不断监测和存储一段时间内的各项传感器的数据。对于任意一辆汽车，当该汽车发生故障时，获取该汽车中的每种传感器的异常程度，依次将每种传感器的异常程度与二维矩阵中相同纵轴的元素进行对比，即获取该汽车中的每种传感器的异常程度与二维矩阵中相同纵轴的元素的差值绝对值，作为第二差异。最小的第二差异对应的故障类型，即为该汽车可能发生的故障类型。准确高效的确定汽车可能发生的故障类型，提高了汽车故障检测的效率，同时提高了故障监测的准确性，便于维修人员进行维修。

至此，本发明完成。

综上所述，本发明实施例获取故障汽车的每个传感器的数据，作为参与数据；根据参与数据的变化，获取每个传感器的异常程度，筛选出异常传感器；进而获取任意两辆故障汽车之间的同一种异常传感器的相似程度，进行聚类，获得每种故障对应的同一种异常传感器的参与数据每种表现情况；根据每种表现情况中的异常传感器的数量和异常程度，获取影响程度，确定每种故障对应每种异常传感器的异常特征值，预测汽车可能发生的故障类型。本发明根据每种故障对应每种异常传感器的异常特征值，准确高效的预测汽车可能发生的故障类型，提高故障检测的效率的准确性。

基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种基于区块链的汽车服务安全保障系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述一种基于区块链的汽车服务安全保障方法实施例中的步骤，例如图1所示的步骤。该一种基于区块链的汽车服务安全保障方法在上述实施例中已经详细说明，不再赘述。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。