PDF<我mg alt="" class="sc-EHOje jOLhQl sc-dRaagA iKHBgz" title="" role="presentation" src="data:image/svg+xml;base64,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" height="24">雾大物联网数据分析计算
把这个特殊的问题研究文章|开放获取
Shouli Zhongmei张,陈Liu,萧红,烟波汉族, ”<年代pan class="adjust-article-svg-size">基于服务的多个传感器在雾流聚合计算的方法”,无线通信和移动计算, 卷。2018年, 文章的ID8475604, 11 页面, 2018年。 https://doi.org/10.1155/2018/8475604
基于服务的多个传感器在雾流聚合计算的方法
Zhongmei张
,<年代up>1,2,3
陈刘,<年代up>2,3
Shouli张,<年代up>1,2,3
副主任李,<年代up>1
和
烟波汉<年代up>2,3
1天津大学计算机科学与技术学院,300350年天津,中国
2北京重点实验室集成和大规模的流数据,分析华北科技大学,北京100144,中国
3研究所的数据工程,计算机科学与技术学院,北理工大学,北京100144,中国
文摘
传感器数据量激增暴露了云计算的缺点,尤其是网络传输能力的限制和集中的计算资源。传感器之间的动态干预对物联网应用程序流也带来挑战从多个传感器流获得有意义的信息。来处理这些问题,本文提出一种基于服务的方法和雾计算基于我们之前的服务抽象范式,它可以从多个传感器获取有意义的事件流。在我们的服务抽象,我们利用相关分析方法来捕获事件之间的相关性变化传感器流。面对不一致的频率和转移相关,我们提出一个基于动态时间扭曲——(DTW)算法来获取传感器流滞后相关。对于自适应地聚合相关的事件从不同的服务,我们还提出一个事件路由算法协助构成的级联事件通过服务协作。本文报道的尝试使用我们的方法在中国电网的电能质量检测异常情况。通过一系列的实验根据电网的实际传感器数据,我们确认,我们的方法可以减少网络传输和高精度计算资源。
1。介绍
与物联网的快速发展(物联网),部署大量的传感器事件监测、生态观测、等等,产生大量的流数据(1]。单个传感器流通常是细粒度的,价值相对较低的密度,并动态地相互干涉。获取更多有价值的信息,许多物联网应用程序试图捕捉来自传感器的事件流以不同的方式与多个来源(2]。大实时传感器流导致的紧急计算模式,也就是说,雾计算。与云计算相比,它不需要数据存储和处理在一个集中的方式,可以大大降低计算和存储成本的云服务器通过将传感器流边缘节点的处理。
虽然雾计算有很多优势,但其相关研究刚刚开始,远非成熟。当前大多数研究仍集中在建筑、无线传感器网络、硬件和底层应用程序(3]。一些作品足够重视什么软件抽象应该适合穿上雾/边缘节点和如何编程。事实上,它是非常重要的一个物联网应用程序构建的雾计算范型。
在一个物联网应用,传感器流通常不是相互独立的。他们需要合作实现复杂的业务目标。从多个传感器获取有意义的事件流,事件检测技术(4- - - - - -6)已经用于各种实时企业解决方案。最先进的事件处理模型提供了框架来表示事件和原因。然而,他们需要详细的事件定义和传感器的固定流(7]。面对大量的传感器,它是不切实际的定义每个各种事件的详细定义。至关重要。因此,自适应地选择相对流源和捕获事件不依赖预定义的定义。
相关分析方法传统上被用于处理数据流分类和识别的事件。在许多领域,如异常检测和电子交易,相关传感器流之间的变化可以被视为一种不正常的事件,而不需要详细定义原始传感器流。与此同时,多个传感器流,频率和转移相关的不一致将影响相关分析的准确性,导致错误的事件的识别。
一个了不起的工作是将传感器数据封装成Web服务,开放网络标准的支持信息共享(8- - - - - -10]。但临时协会和streaming-oriented查询无法反映。软件定义传感器的思想后,我们提出了一个服务抽象积极的数据服务在我们先前的工作(11,12]。与积极的数据服务<我>传感器事件由传感器可以直接生成转换成多个<我>服务活动,揭示更多有意义的信息。在本文中,我们将我们的服务抽象与雾计算范型。在我们的服务抽象,我们利用相关分析方法,直接对传感器流捕获事件相关性的变化。面临的矛盾的频率和不同传感器的相关流转变,我们提出一个基于动态时间扭曲——(DTW)算法获取滞后相关和捕捉动态事件。
与积极的数据服务,由传感器可以直接生成的传感器事件转换为多个服务事件揭示更多有意义的信息。因为一些复杂的捕获事件在很大程度上依赖于不同传感器流的合作,我们建议一个事件路由算法表明某些服务事件的目标和定义一组陈述性规则在我们的服务抽象为触发相应的处理。基于多变的事件路由路径和陈述性规则,积极主动的数据服务可以自适应和积极相互配合,产生更有意义的事件从动态传感器流。
主动数据服务可以部署在边缘节点,做一些初步的分析,并报告事件到云服务器进行进一步分析。依靠我们DTW-based事件捕获和事件路由算法,我们可以从多个传感器捕获的事件流并通过服务协作获得复杂的事件。我们初步应用方法在真实的场景中:中国电网电能质量事件检测;我们验证了我们的方法的可行性。基于真实传感器数据来自中国电网,我们评估的有效性和效率的方法通过一系列实验。实验结果表明,我们的方法可以大大减少原始传感器流的转换,提高事件捕获的效率与精度高。
2。场景
中国电网的各种电气设备和复杂的电气连接。在大多数中国电网的电力设备,一系列的传感器部署监控电能质量指标,如电压、电流、频率。由于电气设备之间的关系和扰动源,该设备可分为两种类型:扰动源设备和通用设备。扰动源设备部署接近某些干扰来源和直接的影响,而一般设备间接受到扰动源的影响。每个传感器负责监视一个指标并产生相应的传感器。这些传感器流受到各种干扰源的影响,如风电场、光伏电站和电气化铁路和显示一些异常状态;最初,相关传感器流成为不相关或限制。电网的关键问题是基于这些传感器捕获电能质量异常事件流。
用户,原始传感器流有些毫无意义和不可读。至关重要的价值密度增加传感器流,也就是说,从原始传感器捕获异常事件流。电能质量异常事件造成一定干扰通常涉及多个设备,每个设备和传感器流显示相同的异常状态(即。,包括相同的一组传感器流)。图1显示了一个示例的电能质量异常事件,每一列表示一个传感器流,和较暗的列显示异常和光列显示正常。如图1,事件涉及多个传感器流从一个扰动源设备和3通用设备,对于不同的设备,传感器流显示相同的指标。针对单一设备,涉及传感器流的细节图所示2。
如图2三相电压(<我>流1,<我>流2,<我>流3)电能质量通常是相关的,而两列火车经过一个电气化铁路;这三个流之间的相关性是改变,异常事件“三相电压不平衡”发生在电气设备。对于每一个设备,它是具有挑战性的从多个传感器捕获的事件流,因为它们之间的相关性可能滞后。图2也显示了一些示例滞后相关;上升和下降的趋势<我>流4和<我>流5相似但不严格同步。的频率和时间戳数据记录在不同的传感器流是不同的。例如,<我>流2和<我>流4较低频率比其他流。可能会有误差相关分析如果我们不考虑这些问题。
很明显,每个设备的传感器和所涉及的设备异常的电能质量事件是多变的,因为各种干扰源的影响。传感器的来源流生成有意义的事件是不确定的。因此,产生有意义的事件,我们需要自适应地选择相关传感器流的来源,也就是说,传感器在单一设备和电气设备,并为每个设备捕获异常事件和总异常事件的多种设备获取最后的事件。
因为不确定的来源的事件流,现有方法需要收集和分析所有传感器流在云服务器生成事件。所有传感器的分析流将导致巨大的和不必要的消耗计算和通信资源并不能保证及时性的要求。在本文中,我们的目标是利用雾计算范例和处理两个问题:如何捕获事件更准确地通过考虑到传感器的字符流以及如何自适应地选择相对传感器流依赖不同的干扰。
3所示。我们的服务方法的概述
图3显示的原理基于服务的方法动态地聚合多个传感器流和获取有意义的事件。基于我们之前的主动的数据服务模型,我们可以创建服务的基本功能是生成事件(视为服务事件积极的数据服务模型)从特定的原始传感器事件。每个主动数据服务可以部署在边缘节点和传感器的初步加工增值密度流。在这种情况下,只有有意义的事件被传输到云服务器。生成更有意义和复杂事件涉及动态资源,主动数据服务还支持路由服务事件相关服务和自适应与其他服务。基于主动数据服务,雾层可以提供实时数据访问等能力,预处理和传感器数据关联。服务的详细信息可以存储在云服务对服务发现。
一个传感器可以定义如下。
定义1(传感器流)。一个传感器可以表示成流<年代pan class="inline_break">
,在这<我>源id流源的id,<年代vg height="8.68572pt" id="M2" style="vertical-align:-0.0498209pt" version="1.1" viewbox="-0.0498162 -8.6359 9.2729 8.68572" width="9.2729pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
通常情况下,某种类型的事件,有一个时间戳,持有特定数据。许多事件检测技术在传感器上使用事件模式流来表示事件。例如,一组利用谓词来描述事件模式(13]。在本文中,我们认为在多个传感器流之间相关性的变化事件。因此,我们可以利用一组传感器源代表一种原始事件模式。和一个更复杂的事件可以由多个原始合成事件和表示为一个复合事件模式<年代pan class="inline_break">
,在这<年代vg height="12.5794pt" id="M6" style="vertical-align:-3.29107pt" version="1.1" viewbox="-0.0498162 -9.28833 51.8505 12.5794" width="51.8505pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
我们把每个记录的来源和时间戳在传感器流传感器事件的能力和抽象事件处理作为一个积极的数据服务,它可以访问和处理多个传感器流和更高的价值生成服务事件。服务可以相互通信,并提供云服务器基于他们的服务事件<我>uri。图4显示了我们的积极的数据服务模型的结构。
定义2(主动数据服务)。积极的数据服务可以形式化<年代pan class="inline_break">
,在这<年代vg height="12.7178pt" id="M9" style="vertical-align:-3.42947pt" version="1.1" viewbox="-0.0498162 -9.28833 28.1149 12.7178" width="28.1149pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
目前,我们利用皮尔逊相关系数(PCC) [14)测量传感器流的相关性捕捉更改相关的事件。通常传感器数据之间的相关性变化一次,可视为滞后相关(15]。我们考虑滞后相关分析问题找到时间滞后向量PCC和最大化提出了DTW-based事件捕获算法在我们的服务。
支持动态服务合作,我们提出一个事件路由算法设置超链接的服务,它可以表示特定服务的目标服务事件。我们也使用声明性规则在处理外部事件服务。在本文中,我们定义声明规则基于Event-Condition-Action (ECA)规则,最初应用于主动数据库系统提供驱动,瞬时反应传统数据库系统(16]。通过这种方式,整个过程不需要用户的干预或外部应用程序。
4所示。事件获取积极的数据服务
积极的数据服务是基于传感器的固定流创建的。我们计算每两个传感器之间的相关性流基于基于时间的滑动窗口,一旦任何两个传感器流相关性改变,一个事件是通过捕获。捕获事件的模式可以表示为一组传感器流相关的改变。
在分析传感器数据之间的相关性时,误判的相关性也会发生如果相关滞后不考虑。滞后相关分析问题可以被认为找到时间滞后向量PCC最大化,可形式化如下。
定义3(滞后相关分析问题)。给定两个传感器的数据集<年代vg height="11.927pt" id="M12" style="vertical-align:-3.291101pt" version="1.1" viewbox="-0.0498162 -8.6359 11.1281 11.927" width="11.1281pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
分析之间的关系两个传感器的数据,我们可以首先获得一个时滞向量<年代vg height="16.1952pt" id="M18" style="vertical-align:-6.90687pt" version="1.1" viewbox="-0.0498162 -9.28833 84.627 16.1952" width="84.627pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
DTW算法(17)是一个健壮的方法用于测量时间序列的相似性,可转变和扭曲了时间序列忽略时间轴缩放和移动的问题。在本文中,我们采用DTW-based算法找到时间滞后两个传感器数据系列的向量。忽略振幅比例的问题,我们使传感器数据系列与DTW算法基于归一化传感器数据系列。为了避免过多的时间扭曲,我们设置一个最大值的时间滞后向量。
由于不同传感器流的频率不一致,数据记录的数据在同一个窗口中可能不同,和他们的PCC不能直接计算。因此,我们首先利用线性插值的方法来提高传感器的数据记录流频率较低。然后我们使用DTW算法对齐数据系列和计算的相关性。我们的事件捕获算法的伪代码中执行每个窗口所示算法1。
|
||||||||||||||||||||||||||||||||||||||||||||||||
所示的算法1在选择传感器流的来源,我们可以得到一组数据系列。我们首先得到所有成对的数据系列计算每一对之间的相关性为数据系列(第1行)。对不同数量的记录,我们利用插值法来提高数据记录的数量越短(第7行)。这样,这两个数据系列有相同数量的数据记录。然后我们使用DTW算法对齐分析滞后相关的数据系列(12和13行)。最后,我们验证当前相关系数的差异和之前的系数;如果大于给定阈值的差异,一个事件将被捕获和执行在这个窗口结束。
5。动态之间的协作服务
与我们积极的数据服务模型,我们可以创建一个积极的数据服务为每个电气设备。基于我们的事件捕获算法,我们可以捕捉每个设备的异常状态。在本节中,我们将介绍相关传感器的动态服务协作流从动态设备和获取电能质量异常事件。
每个协作过程开始与积极的数据服务对应于一个扰动源设备。生成服务事件时,它将被路由到相关服务并触发相应的事件处理。自合作是发散的干扰来源的服务,我们建立了一个事件检测服务(ED服务)为每个干扰来源收集合作结果,获得最终的电能质量异常事件。
5.1。事件路由算法
由于没有电气连接信息,我们提出了一个算法通过考虑服务相关依赖物理设备的位置和现有合作的结果。该算法有两个阶段。在初始阶段,我们认为所有积极的数据服务接近给定一个基于物理设备相关服务的位置。在运行时阶段,我们不断更新相关的前瞻性数据服务基于协作的结果必然事件模式。
具体地说,我们认为邻居主动数据服务的总组路由目标<我>年代可能的对于给定的服务。我们假设设备经常cooccurring电能质量事件很可能再次被卷入事件。因此,我们将继续路由事件成功合作<我>年代有效的和减少失败的可能性事件路由到合作<我>年代无效的。因为事件的动态特性,设备没有cooccur一个电能质量事件仍有可能形成一个电能质量事件。因此,剩下的服务集<我>年代替代在<我>年代可能的除了实际的目标<我>年代实用也需要考虑。
我们建立了重量<年代vg height="9.25202pt" id="M65" style="vertical-align:-3.29111pt" version="1.1" viewbox="-0.0498162 -5.96091 11.1542 9.25202" width="11.1542pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
|
||||||||||||||||||||||||||||||||||||||
在步骤2中,我们更新目标的权重主动数据服务为特定的服务和特定的事件模式基于新收到的协作的结果,因为目标模式是一样的源模式,然后我们可以获得陈述性规则。每个事件路由后,我们增加目标主动数据服务的权重有效的路由路径,减少无效路径的权重。与此同时,我们也会增加服务的重量<我>年代替代考虑他们的可能性。通过比较新的权值和给定阈值,我们将获得新的<我>年代实用和更新的事件处理程序和链接主动数据服务。
5.2。案例研究
电能质量的检测过程异常事件造成的<我>风力发电场作为一个例子,本节描述我们的基于服务的方法。图5显示了服务协作过程。由于有限的空间里,只有部分积极的数据服务。我们为每个电气设备创建一个积极的数据服务并将其部署在边缘节点。事件检测服务可以部署在云服务器收集协作的结果。积极的数据服务<年代vg height="8.68572pt" id="M110" style="vertical-align:-0.0498209pt" version="1.1" viewbox="-0.0498162 -8.6359 9.2729 8.68572" width="9.2729pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
如前所述,每个主动数据服务可以为单一设备捕获异常事件,可以由一组传感器流,而一个完整的电能质量异常事件可以被多个服务,每个服务表示一个设备。表1给出了详细的一些积极的数据服务的协作过程。
|
||||||||||||||||||||||||||||||||||||||||
合作开始主动的数据服务<年代pan class="nowrap">
;当一个事件<我>e1,之间的相关性<年代pan class="inline_break">
生成,<年代vg height="8.68572pt" id="M125" style="vertical-align:-0.0498209pt" version="1.1" viewbox="-0.0498162 -8.6359 9.2729 8.68572" width="9.2729pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
在每一步的合作,ED服务收集协作的结果和更新相应的路由路径。积极的数据服务<年代vg height="8.68572pt" id="M147" style="vertical-align:-0.0498209pt" version="1.1" viewbox="-0.0498162 -8.6359 9.2729 8.68572" width="9.2729pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
6。评价
在本节中,我们评估的有效性和效率积极捕捉和数据服务与我们的事件路由算法。我们建立一个积极的数据服务为每个电气设备和评估服务的平均表现。
6.1。实验设置
数据集。在我们的实验中使用的数据集是在中国电网的传感器数据。我们选择传感器数据从2017-05-01到2017-06-05。与438年扰动源设备有2653台设备。每个扰动源设备会导致2 - 6为单身设备类型的活动,还有1978种事件模式。和每个电气设备最多部署2051个传感器。我们为每个传感器模拟传感器流严格按照真正的时间戳。
环境。我们实现了我们的方法与CentOS 6.4版本虚拟机,四个英特尔酷睿i5 - 2400 3.10 GHz cpu和4.00 GB RAM。所有的算法都是在Java JDK 1.8.0实现。
评估标准。我们设计以下标准:
带宽消耗:带宽消耗意味着云服务器接收到的数据量流来源
系统负载:积极主动的系统负载数据服务可以分为CPU和内存的负载
活动执行时间:为每个生成的事件,其执行时间之间的差异在其相应的传感器事件首先收到并生成时的时间
精度:精度包括精度和召回,可以计算如下:<年代pan class="equation_break" id="eq2"> 在哪里<年代pan class="inline_break"> 检测到事件列表和<年代pan class="inline_break"> 是实际的事件列表。
6.2。实验结果和分析
现有工作仅仅专注于捕捉事件组固定传感器的溪流和仅仅考虑动态传感器流相关性。目前,电能质量检测系统是建立电能质量检测异常事件。因为参与电能质量事件的来源是多变的,现有的方法是一种蛮力方法,需要收集和处理所有传感器流在云服务器集中的方式。实际上我们使用蛮力方法作为对比和比较我们的方法和不同的传感器流的来源,也就是说,在电网设备集。
图6展示了不同的方法和不同的带宽消耗源集。蛮力方法需要处理所有传感器流,而在我们的方法扰动源传感器流只需要配以相应的模式,和一般的处理传感器流依赖以前服务的处理结果。在这种情况下,只有传感器流处理相关的来源。因此,我们方法的带宽消耗远小于现有的蛮力方法。因为更多的事件可能发生更多的传感器流,我们的服务抽象的带宽消耗略有增加,流的增长来源。
数据7和8显示系统加载和执行时间不同的方法有不同的来源。很明显,我们的方法具有更低的系统负载,减少执行时间,因为先生需要处理的数据少得多。
然后我们评估事件捕获算法通过计算的精度和召回事件捕获由我们DTW-based算法和正常的相关分析算法,不考虑频率和转移相关的矛盾在多个传感器流。验证我们的方法的准确性,我们所有的传感器数据和分析咨询领域专家,并获得1783年异常事件的实际事件列表。
图9展示了不同的平均精度和召回事件捕获算法不同的来源。很明显,我们的事件捕获算法具有更高的精度和召回。这是因为我们的事件捕获算法采用DTW-based相关分析算法和考虑不同频率的传感器流和相关的滞后。如图9,我们的方法平均精度超过89%,平均召回超过91%。通过咨询领域专家,现有事件捕获方法在电网的精度和召回约60% - -75%,这表明我们的方法可以提高精度20%。
在未来,我们的目标是更新超链接和陈述性规则在运行时根据实时分析和学习,通过考虑进一步提高精度的动态和智能事件之间的相关性。
7所示。相关的工作
雾计算旨在恢复部分计算负载从云边设备。古普塔et al。18)提出了一个系统,连接实体抽象为服务,并允许应用程序与端到端编排这些服务QoS要求。研究人员提出了守夜,一个实时分布式无线监测系统支持实时跟踪和监控在企业校园,零售商店,在智能城市。守夜利用笔记本电脑作为雾计算节点之间的相机和云节省无线容量(19]。Yuriyama和Kushida20.)虚拟化云的物理传感器作为虚拟传感器和自动提供虚拟传感器的需求。穆罕默德et al。21)抽象服务和组件参与智能城市应用程序作为服务通过面向服务的模型和增强的集成和允许灵活包容和利用在智能城市应用程序所需的各种服务。在我们的研究中,我们借鉴守夜19),利用笔记本电脑作为雾计算节点。每个计算节点可以维护多个积极的数据服务和生成事件流传输到云服务器。
许多作品利用各种事件模式抽象事件基于传感器数据的时空关系和事件检测问题转换为一个模式匹配的问题。一个基本的方法是基于预先设定的阈值来检测事件定义的领域专家(4]。描述更复杂的事件,薛et al。5)集成网络传感器的基于模式的方法查询处理框架,重点针对单一传感器事件模式和定义5公共基本模式来描述事件。雪et al。22还定义了一个事件的时空模式,描述事件的回归模型在多个空间区域。毛等。23利用贝叶斯网络和马尔可夫链模型传感器间的时空相关性。然而,上面的基于模式的方法大多是基于预定义的事件模式显示精确传感器流的来源,和上优于方法也需要固定的输入模型训练和分类。因此,它们不适合从动态传感器流中提取有意义的信息。
促进物联网的发展的一个趋势是将物联网作为Web的事情(知道),开放网络标准在哪里支持信息共享和互操作的设备。Paganelli et al。10)提出了一个框架,支持开发人员模式智能Web资源和暴露他们通过RESTful api。面对大量的Web服务在物联网时代,Qi et al。24)提出了一个新颖的保护隐私服务推荐方法基于locality-sensitive散列处理分布式推荐的问题。DSWare [25)是一个以数据为中心的服务中间件定义了一个复合事件规范,由最大探测距离、时间间隔和信心函数。程等。26]提出了situational-aware服务协调方法,包括情境事件定义语言、情境事件检测算法和事件驱动的服务协调行为模型基于ECA机制。大多数现有的基于服务的方法需要预先确定的合作目标服务组合或协作和不支持自适应协作。因此,他们不能用于增加价值密度动态传感器流。在本文中,我们将现有的方法来封装传感器数据称为服务和提出一个基于服务的方法支持自适应传感器的聚合流。
8。结论
随着越来越多的传感器部署在物理世界中,绝大多的流数据。设置合适的抽象是很有意义的增加价值密度,促进广泛使用业务应用程序和数据可视化。本文提出了一种基于服务的方法和雾的适应性聚合多个传感器流计算图。在这篇文章中,我们可以创建一个积极的从固定传感器数据服务通过生成事件流中定义设计时基于相关分析方法和捕获事件。面临的矛盾的频率和不同传感器的相关流转变,我们利用一个基于动态时间扭曲——(DTW)算法获取滞后相关和捕捉动态事件。合作动态传感器流和捕获更复杂的事件,我们利用一个事件路由算法的目标指示服务事件和定义一组陈述性规则在我们的服务抽象为触发相应的处理。
来验证我们的方法的可行性,我们应用它对中国电网的电能质量事件检测。在这种情况下,我们必须处理动态传感器流源。我们建立了事件检测服务,可以部署在云服务器收集获得顶尖的合作结果异常事件和协助积极数据的自适应协作服务。基于真实的传感器数据集在中国电网,一系列的实验证明我们的方法有更高的效率比现有方法精度高。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作是由中国国家自然科学基金(没有。61672042)、模型和方法的数据服务促进动态相关性大的流数据;北京自然科学基金(没有。4172018)、建筑时空流数据服务模式在云计算环境中发现;和青年骨干个人项目,由北京市委组织部,即时研究融合多源和大规模的传感器数据。
引用
- j . Heidemann m . Stojanovic和m .圭“水下传感器网络:应用程序、进步和挑战,”<我>英国皇家学会哲学学报A:数学,物理和工程科学,卷370,不。1958年,第175 - 158页,2012年。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- l .七张x、w .窦和倪,”一个分布式locality-sensitive hashing-based方法从多源数据云服务的建议,“<我>IEEE在选定地区通讯》杂志上,35卷,不。11日,第2624 - 2616页,2017年。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- 美国,c·李,李问:“雾的调查计算:概念、应用程序和问题,”<我>程序移动大数据(Mobidata研讨会的15)页37-42 ACM,杭州,中国,2015年6月。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- k . Kapitanova s h .儿子,k .康”使用模糊逻辑健壮的无线传感器网络中的事件检测,”<我>特设网络,10卷,不。4、709 - 722年,2012页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- w·雪问:罗,h·吴“基于模式的事件检测传感器网络,”<我>分布式并行数据库,30卷,不。1、27 - 62年,2011页。<年代pan class="reflinks">视图:谷歌学术搜索
- y辛格s萨哈,丘格,c·古普塔“分布式无线传感器网络中的事件检测对于森林火灾,”<我>学报》第15届国际会议上计算机建模和仿真剑桥大学,页634 - 639年,英国,2013年4月。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- 共和党帕特里,a . v . Panangadan v . s . Sorathia v . k . Prasanna,“传感器事件:语义建模和识别数据流的事件,“<我>语义计算的国际期刊,10卷,不。4、461 - 501年,2016页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- d . Guinard诉Trifa,“对事物的网络:网络mashup嵌入式设备,”<我>《国际万维网会议,第1518 - 1506页,2009年。<年代pan class="reflinks">视图:谷歌学术搜索
- d .曾庆红,s .郭,z . Cheng”网络的东西:一项调查,”<我>杂志通讯》第六卷,没有。6,424 - 438年,2011页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- f . Paganelli、美国Turchi和d·朱莉“RESTful应用程序web的框架及其实验智能城市,“<我>IEEE系统杂志,10卷,不。4、1412 - 1423年,2016页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- j . y汉、g . Wang, c . Liu z,和m .朱,“基于服务交通传感器数据集成方法和分析支持全社区绿色交通在中国,“<我>IEEE智能交通系统,17卷,不。9日,第2657 - 2648页,2016年。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- y汉,c·刘,苏,“分散的和基于服务apporach主动关联流数据,”<我>国际物联网大会学报》上,第100 - 93页,2016年。<年代pan class="reflinks">视图:谷歌学术搜索
- j . h . Wu曹,x粉丝,“动态协作无线传感器网络中的事件检测,”<我>电信系统,卷62,不。1,43-58,2016页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- 郭t、s•萨瑟和k .河口”快速分布的相关性在流时间序列数据,发现”<我>《24日ACM国际会议信息和知识管理2015年10月,页1161 - 1170。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- 吴,h·林,王w . et al .,“RLC:排名滞后相关性与灵活的滑动窗口的数据流,”<我>模式分析与应用,20卷,不。2、601 - 611年,2016页。<年代pan class="reflinks">视图:谷歌学术搜索
- a . Paschke“ECA-RuleML:一个方法结合ECA规则与时间基于间隔基米-雷克南事件/行动逻辑事务更新逻辑,“<我>计算机科学,2006年。<年代pan class="reflinks">视图:谷歌学术搜索
- r . j .凯特”,使用动态时间弯曲距离作为改进时间序列分类的特性,“<我>数据挖掘和知识发现,30卷,不。2、283 - 312年,2016页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索|MathSciNet
- h·古普塔,s . b . Nath s Chakraborty和s . s . k . Ghosh”SDFog:软件定义计算架构qos意识到服务编制在边缘设备,“https://arxiv.org/abs/1609.01190。<年代pan class="reflinks">视图:谷歌学术搜索
- t ., a . Chowdhery·巴尔k .杰米逊和s·巴纳吉,“无线视频监控系统的设计和实现,”<我>诉讼21年的移动计算和网络国际会议2015年9月,页426 - 438。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- m . Yuriyama和t . Kushida Sensor-cloud infrastructure-physical与云计算虚拟传感器,传感器管理”<我>第13次国际会议的程序对基于网络的信息系统(nbi 10)2010年9月,页1 - 8,。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- n .默罕默德·j . Al-Jaroodi Jawhar, s . Lazarova-Molnar和马哈茂德,“SmartCityWare:面向服务的中间件云和雾启用智能城市服务,“<我>IEEE访问5卷,第17588 - 17576页,2017年。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- w·雪、问:罗和h . k .箱型雪撬”传感器网络建模和检测事件,”<我>信息融合,12卷,不。3、176 - 186年,2011页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- y毛、陈x和z,“实时事件检测与水传感器网络使用时空模型,”<我>数据库系统高级应用程序,第208 - 194页,2016年。<年代pan class="reflinks">视图:谷歌学术搜索
- l .气h ., w .窦,c .杨y秦,x张,“保护隐私分布式服务推荐基于locality-sensitive哈希,”<我>诉讼IEEE国际会议上的Web服务美国,页49-56,檀香山,夏威夷,2017年6月。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- 李,y, s . h .儿子,j . a .斯坦科维奇和y,”事件检测服务在分布式传感器网络使用数据服务中间件,”<我>电信系统,26卷,不。2 - 4、351 - 368年,2004页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- d . b . Cheng朱、s .赵和j·陈,“Situation-aware物联网服务协调使用事件驱动的SOA范式,“<我>IEEE网络和服务管理,13卷,不。2、349 - 361年,2016页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
版权
版权©2018 Zhongmei Zhang et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。
