54、基于KNN的GNSS坐标分类用于疫情管理及SDN中TCP攻击的轻量级对策

基于KNN的GNSS坐标分类用于疫情管理及SDN中TCP攻击的轻量级对策

1. 基于KNN的GNSS坐标分类用于疫情管理

在当今社会，像COVID - 19和猴痘这类传染病的传播给人类健康、经济活动、教育、体育和休闲等方面带来了严重影响。限制、追踪甚至隔离人员的活动成为减缓疫情传播的有效手段。而全球导航卫星系统（GNSS）能够为目标提供自主地理空间定位，可在疫情管理中发挥重要作用。

传统的点在多边形（PtInPy）问题解决方法在处理大量目标和大量目标区域时效率低下。例如在COVID - 19疫情中，全球确诊病例众多，需要管理的目标和目标区域数量庞大，传统方法难以高效应对。

K近邻（KNN）是一种机器学习的非参数监督学习方法，广泛应用于分类和回归任务。当目标的特征值非常明确时，KNN技术可以获得较高的精度，而GNSS的坐标就符合这一特征。因此，本文提出使用KNN技术对目标区域进行分类，并探索目标密度与分类精度之间的关系。

1.1 研究方法

• 点在多边形算法 ：
  • 目标用经纬度坐标表示为地理点，目标区域用多边形表示。对于地理点(g=(g.x, g.y))，通过从点(g)向正东方向的射线与多边形边的交点数量来判断点(g)是否在多边形内。若交点数量为奇数，则点(g)在多边形内；若为偶数，则在多边形外。
  • 相关计算公式如下：
    (\alpha(ga, gb, gc, gd) = (ga.x - gb.x) × (gc.y - gd.y) - (ga.y - gb.y)× (gc.x - gd.x))；
    (\kappa_1(g