本文描述的方法收集测量数据对移动对象在网络带宽较低。第一种方法使用雾计算概念和建议评估测量数据的质量转移到测量分。第二种方法使用预测遥测质量的挖掘模型。此外,这些方法的提出实现基于角色模型。因此,它不仅成为可能和云边缘节点之间的负载平衡,但也极大地减少了网络流量,进而带来的可能性减少沟通渠道的要求使用无线网络的带宽和收集有关移动物体的测量数据。
测量数据采集的任务从移动对象(MOs)是一个非常相关。下面的例子说明:
在交通运输行业,遥测提供有意义的信息从车辆的驾驶性能通过收集数据,通过驱动程序导致更高的燃料消耗效率的反馈,其中包括在车内指导。 这个任务变得更加相关无人机行业的发展。测量(速度、燃料的可用性、温度等)从车辆转移到控制点使用遥测渠道用于无人驾驶车辆管理。 测量数据采集莫涉及测量的使用点(MPs)位于密苏里州的运动的路线。他们每个人测量各种参数对象的性能。其中我们可以区分以下运动参数:坐标<我nl我ne- - - - - -for米ul一个>
已经收到所有测量数据海量存储系统(MSs)中不断转移到测量数据处理中心(MPC)(图 通常,在测量中,海量存储系统(MSs)中所有的工作在测量模式下,无论对象的检测区域的存在。有必要测量一个物体被女士尽快进入检测区。然而每个议员的检测区是不同的,他们可能有重要的十字路口(图 因此以下测量数据收集和处理期间出现的问题: 地理隔离彼此,从货币政策委员会的议员 最近,无线网络,包括手机网络、无线局域网无线局域网,无线传感器网络,卫星通信网络,和地面微波网络,越来越多的用于数据收集,包括遥测( 本文提出使用测量动态管理数据流,以减少网络流量通过转移只有必要的测量。它允许减少传输数据量,减少带宽需求沟通渠道。
远程数据收集(遥测)的问题不是新东西。第一次数据传输电路上线俄国沙皇冬宫和军队之间的总部在1845年。结束的时候上个世纪和本世纪初,机器对机器通信(M2M)的概念变得普遍起来。M2M技术不断遥测说到:今天无线遥测系统相比成本大大降低10到15年前。以前不是经济可行的应用程序现在成本效益。M2M带来纪律遥测通过开放标准和协议。 目前,我们可以观察到快速增长的数量物联网(物联网)设备。物联网的基本思想是将世界上所有事情(设备)连接到互联网。据Gartner Inc .(技术研究和咨询公司),将会有近2020 260亿设备在互联网上的东西( 物联网的基本体系结构,被广泛用于解释物联网的方法有三层 感知层是底层,可以被看作是硬件或物理层的数据收集。 一些研究人员( 访问网关层负责消息路由、出版、订阅和还执行跨平台通信,如果需要的话。 物联网的数据处理和分析服务部署在顶部层,进行下面的子层( 数据采集层管理收集的数据:对象识别、数据抽象、压缩、解析、和合并;各种数据保存在相应的数据库或数据仓库。 通常情况下,应用程序的实施和中间件层,使用云计算技术( 类似的体系结构也适用于测量数据收集关于移动对象。例如,空间态势感知(SSA)计划在欧洲太空总署(ESA)和埃及太空计划使用云计算遥测处理( 在这种情况下,网络层负责连接物联网设备(如传感器、雷达、相机、和其他测量系统)和云。它创造了非常大的网络流量。解决这个问题可以雾计算( 雾计算完全解决或减少的影响在分布式系统常见问题: 大的网络延迟 尽管雾计算变得受欢迎,没有准备好实施解决方案。这可以用这一事实来解释这些概念是很年轻,有一个高水平的抽象。本文描述了测量数据采集方法基于雾计算技术。这些方法建议移动计算接近议员的一部分。它允许重新分配的计算负载和减少网络流量是非常重要的对测量数据采集使用无线网络。
整个测量数据采集系统可以代表正式作为一组:
密苏里州是一个控制移动对象; 密苏里州的州的特征是一组参数:
议员的国会议员是一组: 每个国会议员<我nl我ne- - - - - -for米ul一个>
为每个遥测帧<我nl我ne- - - - - -for米ul一个>
测量系统的主要目的是产生一个包含所有参数的最佳测量主流莫在每次即时的测量: 因此,通用的方法,测量数据收集(FG)涉及以下过程在每次即时执行<我nl我ne- - - - - -for米ul一个>
获得的测量数据<我nl我ne- - - - - -for米ul一个>
运行时的数据传输操作决定(基于霍克尼的模型( 的总时间为主流的形成<我nl我ne- - - - - -for米ul一个>
网络流量的数据传输操作是由传输数据的数量。因此,网络流量<我nl我ne- - - - - -for米ul一个>
最好的遥测帧的质量<我nl我ne- - - - - -for米ul一个>
FG的方法的优点是遥测的尽可能高的质量,因为它从所有议员和选择最好的收集遥测帧。这种方法的缺点如下: 高网络流量<我nl我ne- - - - - -for米ul一个>
情况变得更加困难,如果有几种金属氧化物半导体和测量流将取决于金属氧化物半导体的数量。
为了减少网络流量测量数据采集期间,拟转让的遥测帧最终将包括进入主流。为了达到这个目标,遥测帧质量必须评估议员和转移到货币政策委员会。货币政策委员会收集评估的质量和选择最好的一个。最好的遥测帧请求从相应的议员并送往MPC列入主流。 因此,在每次即时执行下列程序<我nl我ne- - - - - -for米ul一个>
获得的测量数据<我nl我ne- - - - - -for米ul一个>
的总时间为主流的形成<我nl我ne- - - - - -for米ul一个>
网络流量数据传输操作是由传输的数据量。因此,网络流量<我nl我ne- - - - - -for米ul一个>
最好的遥测帧的质量<我nl我ne- - - - - -for米ul一个>
这种方法可以显著减少网络流量,因为 此外,计算需要评估质量的遥测帧执行每一个议员,大大减少了MPC的负载。 与分布式质量评估方法的缺点(DQA中)图是一个主流的形成可能增加时间后测量的时刻,因为执行额外的功能:
为了减少主流的形成时间,建议每次遥测帧的预测质量<我nl我ne- - - - - -for米ul一个>
主要问题是计算<我nl我ne- - - - - -for米ul一个>
在这种情况下,质量的价值<我nl我ne- - - - - -for米ul一个>
因此训练集是按时间排序的所有向量序列的开始时间即时测量<我nl我ne- - - - - -for米ul一个>
可以由数据挖掘算法挖掘模型使用这样的向量集从先前的测量获得这个议员的对象。在这种情况下,质量评估<我nl我ne- - - - - -for米ul一个>
使用方法和质量评估预测(QAP),主流的形成<我nl我ne- - - - - -for米ul一个>
以前,每个议员上执行以下操作<我nl我ne- - - - - -for米ul一个>
获得的测量数据<我nl我ne- - - - - -for米ul一个>
预测遥测帧的质量<我nl我ne- - - - - -for米ul一个>
选择最佳的议员<我nl我ne- - - - - -for米ul一个>
发送”<我nl我ne- - - - - -for米ul一个>
上执行以下行动选择的议员<我nl我ne- - - - - -for米ul一个>
获得的测量数据<我nl我ne- - - - - -for米ul一个>
发送遥测帧<我nl我ne- - - - - -for米ul一个>
在英国央行货币政策委员会执行下列操作:
接收遥测帧<我nl我ne- - - - - -for米ul一个>
聚合的主要流<我nl我ne- - - - - -for米ul一个>
图的方法与质量评估预测(QAP)。 的总时间QAP形成的主流方法<我nl我ne- - - - - -for米ul一个>
全循环时间为每个测量是由下列公式计算: 在这种情况下,网络流量<我nl我ne- - - - - -for米ul一个>
遥测帧的质量<我nl我ne- - - - - -for米ul一个>
因为运动参数的体积<我nl我ne- - - - - -for米ul一个>
同时,计算评估质量的遥测帧执行每一个议员,这大大减轻了MPC的计算负载。 因此QAP低网络流量和时间的方法形成的主流。这种方法的缺点是一个主流的潜在质量下降。减少的程度取决于开发预测模型的质量。然而,应该注意的是,即使是方法与完整的测量收集所有遥测帧质量未能达到100%,可能有时间瞬间当所有国会议员收到帧质量较低。针对这一点,遥测分析系统应该提供的选项处理帧的质量较差。因此,可以被遥测质量标准。
为了实现测量数据采集系统分布式的来源,我们使用演员模型( 上述机制的总体原则使用完整的数据传输涉及演员模型如图 生产商(数据源)是各种测量方式安装在密苏里州和生成遥测流;每个生产者产生0.25秒间隔的数据包,转移到原始的消费者。 主要消费者(消费者)安装在议员女士和采集测量来自来源。他们形成测量坐标系和转移MPC进行进一步处理。 协调员(计算中心)是一组演员代表所实现的功能隐藏在一般外观和MPC,更具体地说,预处理,帧质量分析,形成主流。 接收器是一个演员呈现二次消费,特别是计算中心(CC)。演员是一个点CC与消费者互动的演员。在收到另一个数据包,演员转移处理。 QualityAnalyzers组演员联合成池和位于CC。他们评估质量的传入的数据包。每一个数据包都放置到处理队列,在这空分析器地址队列和检索包进行处理。分析了数据包进一步转移到最佳制作人分析仪。 BestProducerAnalyzer演员决定是最好的快照中收到的主要消费者(个人电脑)。执行分析数据包的接收时间间隔(0.25秒),但有一个初始延迟提供(3秒延迟测试期间使用)。在确定最佳男快照,转移到主流聚合器。 AggregatorMainStream是一个演员,“胶水”最好的快照变成主流。形成流转移到最终消费者。的方式实现主流翻译过程依赖于特定的实现。 泛型方法的实现(FG)。
为了实现DQA中,图的方法拍摄了几部修改系统中影响演员模型。 QualityAnalyzers池成为不必要的执行流质量评估以来MP,这种类型的,应该有一个演员每单位。因此,这些参与者提供的功能可以被集成到消费者类型的因素。因此,每个单位应当有自己的队列收到生产商的快照。 无需实现BestProducerAnalyzer演员作为一个个体演员了,其功能可以结合Receiver-type演员。 其他类型的演员保持不变。演员在这个实现中使用的数据收集机制如图 实现采集与分布式质量评估(DQA中)图。
为了实现质量评估预测的方法测量,实现接收机的演员被修改。它使用挖掘模型来预测下次最好的议员实例。挖掘模型用于预测是实现为PredictionModel类。相应的演员如图 实现采集与质量评估预测(QAP)。
实验进行的分布式系统,其中每个演员是位于一个单独的机器。四个物理计算机有两个虚拟机部署在每个人使用。Ubuntu 16.04服务器是安装在虚拟机。 在实验中,我们使用真正的从飞行遥测数据集对象。数据集是收到2议员的测量时间12日5分钟(2700测量时间0,25秒)。每个议员都包含以下女士: 雷达测量运动学参数:坐标<我nl我ne- - - - - -for米ul一个>
遥测。 第一个特征用于评估不同实现帧延迟,即时刻的时间间隔获取测量数据聚合的主流。开发的系统允许设置初始帧延迟。这是一个时间间隔,所有系统组件的启动时间和预计消息传输延迟时间通过网络设置。主流聚合器位于CC开始流形成过程从一开始就指定的初始延迟后测试。在测试期间,初始延迟设置为一个迭代(0.25秒)。 从检索数据,接下去的平均延迟值(图 与完整的数据收集方法(FG),约0.2629秒, 方法与分布式质量评估(DQA中)图0.2921秒, 与质量评估预测方法(QAP), 0.2645秒。 总结图框架的延迟在三个不同的实现。 分布式实现的额外延迟选项由系统(0.25秒的初始延迟除外)是0.0421秒三倍相比,第一个实现类似的指示(0,0129秒)。测量数据传递机制的差异结果这两个实现。DQA中实现,图中额外的延迟是在传输质量报告的阶段CC和最高品质的快照一定电脑发送请求。 推迟QAP实现接近结果收到通用方法。值是无关紧要的,因为需要增加数据源当交换最好的议员之间切换。 接下来的研究特点是主流的质量。自执行测试的数据集,可以执行preassessment的质量。对于每个数据帧,质量特性计算(图 从第一个议员图框架的质量评估。 图框架的质量评估从第二个议员。 图的主要流(绿色)质量评估FG和DAG的实现。 结果收到QAP实现更大的利益。预测质量,几个挖掘模型。他们的训练,从Weka图书馆数据挖掘算法( GaussianProcesses [ MultilayerPerceptron [ RegressionByDiscretization [ 决策树(M5PBase) [ 支持向量机回归(SMOreg) [ 以下指标被用来评估预测模型的准确性(<我nl我ne- - - - - -for米ul一个>
平均绝对误差(MAE): 均方误差(RMSE): 相对绝对误差(RAE): 根相对平方误差(RRSE): 比较的结果展示在表 预测模型的比较。 预测模型里和RegressionByDiscretization有最好的指标。他们选择收集与质量评估预测的实现方法。 由于使用小刀插模型,结果呈现在图 图使用RegressionPredictionModel主流的评估。 可以注意到,该模型失败的地区最好的资源交换。这可能说明不正确计算参数预测模型之间的依赖性。 另一个标准实现比较网络交通量分析。测量是用Wireshark实用程序( 流量测量是由不同的系统配置,特别是用于测试模拟不同电脑数量。在这种测试中,形成主流的质量并没有考虑。因此,对于每个实现变种4系统配置准备:1,2,4,6个人电脑。为每个配置测试了三次,结果平均和交通量生成评估是基于这些值。 图(图 总结图数量的数据包数量依赖电脑。 总结图的交通量依赖数量的电脑。 分析以上数据可以得出结论,提出方法的实现使用更大的数据传输的TCP包数量与单个议员(37241比21752)。然而,这些数据包的特定尺寸小得多,作为一个一般的交通量议员相比355.31 Mb 342.715 Mb用于通用的实现方法。这可以解释为规模较小的数据包转移形成的。同时,交通量实施提议的方法不是直接依赖于系统中数量的议员。这会显著减少总量与他们更多(411.98 Mb 2077.23 Mb相比6活跃的议员)。 表 实验结果。 实验结果显示显著减少网络上传输的流量通过分布式测量数据采集方法。然而,采集方法有更大的延迟形成主流。使用预测模型进行质量评估可以解决这个问题。同时,主流的质量取决于所选择的挖掘模型用来预测流质量。
预测模型 相关系数 美 RMSE 雷 RRSE
GaussianProcesses 0,3977 15日,9667年 25日,3496 100年,90% 91年,71%
MultilayerPerceptron 0,9562 4034年 2296 25日,49% 29日,77%
RegressionByDiscretization 0,9922 0,3714 3,4396 2,35% 12日,44%
SMOreg 0,4246 8983 28日,9597年 56岁的23% 104年,77%
M5P 0989年 5178 4,4831 9日,59% 16日,22%
方法 延迟(秒) 挖掘模型的相关性 许多国会议员 网络流量(Mb) 质量的主流
泛型方法 0.2629 - - - - - - 2 686年 93%
4 1376年
6 2077年
方法与分布式质量评估 0.2921
2 374年 93%
4 396年
6 412年
由回归模型方法与质量评估预测 0.2645 0,9807 2 375年 83%
4 401年
6 420年
方法通过M5PBase与质量评估预测模型 0,9526 2 372年 92%
4 399年
6 419年
使用雾计算数据采集的移动对象允许不仅减少负载数据处理中心,将计算在议员的一部分,而且还大大减少了网络流量。这两种方法给显著减少网络负载。另外,当增加数量的议员在这些变异,不会增加的网络流量,它允许系统中增加测量工具的数量和获得更好的控制对象。这允许使用无线网络限制数据采集能力。 分布式质量评估方法的缺点是增加了延时主流的形成。如果这个值是至关重要的,它可以使用方法与评估预测。它给了相同的时间延迟实现完整的数据采集。 质量形成的主流使用这种方法完全依赖于预测模型实现。还可以提高预测的模型学习过程中收集测量值。这是未来的研究的目的。
作者宣称没有利益冲突有关的出版。
本文已经准备在教育部的支持和科学的俄罗斯联邦国家框架的工作状态“科学研究组织”任务。2.6113.2017 /ВУ。