Con el rápido desarrollo de las tecnologías inteligentes, el Internet de los Vehículos (IoV) está revolucionando el transporte y la movilidad. Sin embargo, la complejidad y la interconexión de los sistemas IoV conducen a un creciente número de incidentes de seguridad causados por vulnerabilidades. Los algoritmos actuales de clasificación de vulnerabilidades a menudo tienen dificultades para abordar la baja frecuencia de ocurrencia y la información incompleta asociada con las vulnerabilidades de IoV, lo que resulta en una disminución de la precisión y las tasas de recuperación de los clasificadores. Para hacer frente a estos desafíos, se propone un algoritmo de clasificación de vulnerabilidades efectivo (KG-KNN), diseñado para manejar datos de muestra desequilibrados. KG-KNN integra la información de vulnerabilidad de IoV y la relación de asociación entre características mediante la construcción de un grafo de conocimiento de características para formar un sistema de conocimiento completo. Agrega la relación de correlación entre características al cálculo de similitud, calcula la similitud de vulnerabilidad desde múltiples dimensiones y mejora el rendimiento predictivo del clasificador. Los resultados experimentales muestran que en comparación con los algoritmos de clasificación k-NearestNeighbor (KNN), Support Vector Machine (SVM), Deep Nueral Network (DNN) y TFI-DNN, KG-KNN puede manejar efectivamente datos de muestra desequilibrados y tiene diferentes grados de mejora en precisión, recuperación y la puntuación F1.