一种基于大数据技术的计算机数据安全监测方法及系统技术方案

本发明专利技术公开了一种基于大数据技术的计算机数据安全监测方法及系统，属于数据安全监测技术领域。该系统包括网约车运行大数据模块、订单分布模块、时间预测模块；所述订单分布模块的输出端与所述网约车运行大数据模块的输入端相连接；所述网约车运行大数据模块的输出端与所述时间预测模块的输入端相连接。该系统还包括音调分析模块、区块链模块；所述音调分析模块的输出端与所述区块链模块的输入端相连接。本发明专利技术能够解决用户在网约车高峰期时的打车问题，进一步节省用户时间，为用户提供中转方案，同时能够监控网约车内部数据，在保证乘客与司机的隐私前提下保障司乘安全。乘客与司机的隐私前提下保障司乘安全。乘客与司机的隐私前提下保障司乘安全。

【技术实现步骤摘要】
一种基于大数据技术的计算机数据安全监测方法及系统


[0001]本专利技术涉及数据安全监测
，具体为一种基于大数据技术的计算机数据安全监测方法及系统。

技术介绍

[0002]随着数据价值的提升，数据安全成为政府、企业和个人信息安全中的重中之重。数据安全是指为数据处理系统建立和采用的技术和管理的安全保护，保护计算机硬件、软件和数据不因偶然和恶意的原因遭到破坏、更改和泄露。计算机数据安全可以理解为：通过采用各种技术和管理措施，使网络系统正常运行，从而确保网络数据的可用性、完整性和保密性。
[0003]随着社会的发展，网约车成为了一种常用的出行方式，近年来网约车产生的问题时有发生，例如网约车高峰时期的运载问题以及网约车恶性事件问题，各网约车平台针对于这一类问题设置了网约车录音录像系统，自助报警系统等多重手段，可是这一类手段虽然在网约车恶性事件时能够起到一定的作用，但是网约车恶性事件毕竟是极少数事件，在大多数情况下这种录音录像严重侵犯了乘客与司机的隐私；另外，在一些特定时刻，例如晚上、雨雪天气等时候，网约车进入运载高峰，导致乘客出现打车时间长，等待时间久，加价调度费用高等诸多问题，而面对这一类网约车中出现的运载问题与数据安全问题，目前尚没有技术措施可以解决。

技术实现思路

[0004]本专利技术的目的在于提供一种基于大数据技术的计算机数据安全监测方法及系统，以解决上述
技术介绍
中提出的问题。
[0005]为了解决上述技术问题，本专利技术提供如下技术方案：
[0006]一种基于大数据技术的计算机数据安全监测方法，该方法包括以下步骤：
[0007]S1、获取用户P的网约车订单信息，所述网约车订单信息包括订单出发地址A、订单到达地址B、订单排队序号C、订单出发时间D；
[0008]S2、构建区域半径R1，获取以订单出发地址A为圆心，R1为半径的区域内的网约车运行历史数据，构建第一时间预测模型，预测订单排队序号为C时网约车的到达时刻T0；
[0009]S3、构建区域半径R2，R2＜R1，获取以订单出发地址A为圆心，R2为半径的区域内的公共交通站点，通过公共交通站点可到达临时地点E，通过临时地点E中转，所述临时地点E满足：
[0010]用户P乘坐网约车的出发时刻小于T0；
[0011]且用户P在临时站点E乘坐网约车到达地址B的车费与用户P在订单出发地址A乘坐网约车到达订单到达地址B的车费的差值小于阈值M，M为车费阈值；
[0012]S4、获取网约车内语音监测数据，构建音调分析模型，并设置区块链记录语音监测数据，构建音调分析阈值F，若音调分析模型分析结果超出阈值F，则调取区块链中语音监测
数据反馈至网约车系统端口，发出警报；若音调分析模型分析结果不超出阈值F，则将音调数据反馈至网约车系统端口，将语音监测数据记录至区块链端口。
[0013]根据上述技术方案，所述网约车运行历史数据包括用户排队上车间隔时长、订单出发时间、订单出发地址、周期；
[0014]所述周期包括包括第一周期、第二周期；
[0015]所述第一周期为周一早上8时至周五中午12时；所述第二周期为周五下午13时至周一早上7时；
[0016]在周期中规定，X时代表时间段[X，X+1]，单位为小时；
[0017]即周一早上8时代表的是早上8点到9点的时间段；
[0018]根据上述技术方案，所述第一时间预测模型包括：
[0019]获取以订单出发地址A为圆心，R1为半径的区域内的网约车运行历史数据；
[0020]以间隔等待时长为因变量，以时间区域、排队序号、天气为自变量，构建第一时间预测模型：
[0021][0022]其中，u0、u1、u2、u3为第一时间预测模型的回归系数；
[0023]其中，t0代表间隔等待时长，所述间隔等待时长指两个相邻排队序号之间的用户等待时长，所述两个相邻排队序号记为c1、c2，则t0代表排队序号为c2的用户在c1、c2之间的等待时长；
[0024]m1代表时间区域，为一个整点时刻数字，时间区域中规定，时间区域m1代表时间段[m1，m1+1]；
[0025]此处与周期的规定相同，例如在晚上7点到8点之间记为时间区域7；
[0026]m2代表排队序号；
[0027]m3代表天气，所述天气包括极端天气与一般天气，所述极端天气包括雨天、雪天、雾霾天气；在极端天气下，m3＝k1，在一般天气下，m3＝k2，其中，k1、k2均为可设置常数；
[0028]为误差因子，用于表达不同周期下对于间隔等待时长的影响情况；在第一周期下，在第二周期下，其中ω1、ω2分别代表第一周期与第二周期的影响系数，b1、b2分别为第一周期与第二周期的均衡常数；
[0029]在现实情况中，一般晚高峰时期网约车打车较难，在本申请中采用的是24小时制，即X取值为0
‑
23，一般在晚上6点钟开始到11点钟区间都是高峰时期，打车较难，而在晚上6点钟开始到11点钟之间X的取值为18
‑
23，其对应的影响误差也较大，过了0点以后，人员大量变少，虽然车辆也较少，但是打车会相对更加容易，因此在X取值变小的情况下，其对应的影响误差也降低；
[0030]获取用户P的网约车订单信息；
[0031]获取用户P的订单时间所在周期与时间区域，获取用户P的时间区域内的第一位订单排队序号，根据第一时间预测模型获取用户P的预测等待时间：
[0032][0033]其中，T3为用户P的预测等待时间；i为用户P的时间区域内的第一位订单排队序号，j为用户P的订单排队序号；
[0034]在T3＜60min或T3＝60min时，输出T3为用户P的预测等待时间；
[0035]在T3＞60min时，构建循环步骤：
[0036]S3
‑
1.1、引入订单排队序号j1；
[0037]其中，j1满足i<j1<j，且满足
[0038][0039]同时满足为最大值；
[0040]S3
‑
1.2、获取：
[0041][0042]其中，T4为订单排队序号到j1的预测等待时间；
[0043]S3
‑
1.3、所述用户P的预测等待时间为：
[0044][0045]其中，T5为新的用户P的预测等待时间；
[0046]若存在则输出T5为新的用户P的预测等待时间；
[0047]若存在则重复步骤S3
‑
1.1到S3
‑
1.3，引入新的订单排队序号j
n
；
[0048]其中，j
n
满足j1<j
n
<j，且满足<j，且满足
[0049]同时满足为最大值；
[0050]直至用户P在新的时间区域里的预测等待时间小于60min，输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据技术的计算机数据安全监测方法，其特征在于：该方法包括以下步骤：S1、获取用户P的网约车订单信息，所述网约车订单信息包括订单出发地址A、订单到达地址B、订单排队序号C、订单出发时间D；S2、构建区域半径R1，获取以订单出发地址A为圆心，R1为半径的区域内的网约车运行历史数据，构建第一时间预测模型，预测订单排队序号为C时网约车的到达时刻T0；S3、构建区域半径R2，R2＜R1，获取以订单出发地址A为圆心，R2为半径的区域内的公共交通站点，通过公共交通站点可到达临时地点E，通过临时地点E中转，所述临时地点E满足：用户P乘坐网约车的出发时刻小于T0；且用户P在临时站点E乘坐网约车到达地址B的车费与用户P在订单出发地址A乘坐网约车到达订单到达地址B的车费的差值小于阈值M，M为车费阈值；S4、获取网约车内语音监测数据，构建音调分析模型，并设置区块链记录语音监测数据，构建音调分析阈值F，若音调分析模型分析结果超出阈值F，则调取区块链中语音监测数据反馈至网约车系统端口，发出警报；若音调分析模型分析结果不超出阈值F，则将音调数据反馈至网约车系统端口，将语音监测数据记录至区块链端口。2.根据权利要求1所述的一种基于大数据技术的计算机数据安全监测方法，其特征在于：所述网约车运行历史数据包括用户排队上车间隔时长、订单出发时间、订单出发地址、周期；所述周期包括包括第一周期、第二周期；所述第一周期为周一早上8时至周五中午12时；所述第二周期为周五下午13时至周一早上7时；在周期中规定，X时代表时间段[X，X+1]，单位为小时。3.根据权利要求2所述的一种基于大数据技术的计算机数据安全监测方法，其特征在于：所述第一时间预测模型包括：获取以订单出发地址A为圆心，R1为半径的区域内的网约车运行历史数据；以间隔等待时长为因变量，以时间区域、排队序号、天气为自变量，构建第一时间预测模型：其中，u0、u1、u2、u3为第一时间预测模型的回归系数；其中，t0代表间隔等待时长，所述间隔等待时长指两个相邻排队序号之间的用户等待时长，所述两个相邻排队序号记为c1、c2，则t0代表排队序号为c2的用户在c1、c2之间的等待时长；m1代表时间区域，为一个整点时刻数字，时间区域中规定，时间区域m1代表时间段[m1，m1+1]；m2代表排队序号；m3代表天气，所述天气包括极端天气与一般天气，所述极端天气包括雨天、雪天、雾霾天气；在极端天气下，m3＝k1，在一般天气下，m3＝k2，其中，k1、k2均为可设置常数；为误差因子，用于表达不同周期下对于间隔等待时长的影响情况；在第一周期下，
在第二周期下，其中ω1、ω2分别代表第一周期与第二周期的影响系数，b1、b2分别为第一周期与第二周期的均衡常数；获取用户P的网约车订单信息；获取用户P的订单时间所在周期与时间区域，获取用户P的时间区域内的第一位订单排队序号，根据第一时间预测模型获取用户P的预测等待时间：其中，T3为用户P的预测等待时间；i为用户P的时间区域内的第一位订单排队序号，j为用户P的订单排队序号；在T3＜60min或T3＝60min时，输出T3为用户P的预测等待时间；在T3＞60min时，构建循环步骤：S3
‑
1.1、引入订单排队序号j1；其中，j1满足i<j1<j，且满足同时满足为最大值；S3
‑
1.2、获取：其中，T4为订单排队序号到j1的预测等待时间；S3
‑
1.3、所述用户P的预测等待时间为：其中，T5为新的用户P的预测等待时间；若存在则输出T5为新的用户P的预测等待时间；若存在则重复步骤S3
‑
1.1到S3
‑
1.3，引入新的订单排队序号j
n
；其中，j
n
满足j1<j
n
<j，且满足<j，且满足
同时满足为最大值；直至用户P在新的时间区域里...

【专利技术属性】
技术研发人员：廖玉波，
申请(专利权)人：济南宏腾信息科技有限公司，
类型：发明
国别省市：