車輛大數據技術

汽車大數據技術在網絡傳輸，車車交互，大數據計算等方面影響巨大，本文總結了幾種基于數據處理的大數據技術，展示了在車輛交通方面的應用。

1 基于無線傳感器網絡的智能車載系統(tǒng)認證協議設計[1]

1.1 主要內容

作者提出了用于智能車輛系統(tǒng)的認證協議的設計，其中車輛配備有傳感器并且接收器沿著道路放置以接收和/或發(fā)送數據到傳感器。用戶通過從接收器收集數據來監(jiān)控車輛，并通過采取必要的行動（如果需要）來執(zhí)行數據分析。此外，該系統(tǒng)使用車輛中的傳感器來提供用戶友好的平臺以與用戶通信?，F在，認證實體之間認證消息的交換是成功實現智能車輛系統(tǒng)的兩個重要問題。在所提出的車輛系統(tǒng)中，存在三個實體，即用戶、接收器和傳感器，并且需要用戶與接收器和接收器之間的兩組通信。簡而言之，作者已經提出了車載傳感器網絡中的數據流量/移動架構(見圖1)并驗證實體。此外，作者分析了有關安全攻擊的協議，發(fā)現它受到強大的安全攻擊保護。此外，所提出的協議在諸如計算和通信成本方面相對更好。

在本文中，作者假設傳感器是動態(tài)和節(jié)能的，它們與車輛電池相連。這里，車輛系統(tǒng)設計在WSN（Wireless Sensor Network）的環(huán)境中，用于監(jiān)測整車，提供解決離線模式中的車輛相關問題的解決方案，例如交通擁堵、速度等。車輛傳感器感測實時數據并將其直接轉發(fā)到附近的匯聚節(jié)點，并且網絡外的用戶可以訪問感測的數據。由于通信是通過不安全的信道執(zhí)行的，因此攻擊者可以攔截所傳送的消息。因此，消息的認證和隱私是消息通信過程中的主要關注點。為了在不安全的信道上提供安全的通信，作者提出了一種使用WSN的智能車載系統(tǒng)，它提供了一種有效的認證協議，用于保護傳感器節(jié)點傳輸和傳輸給用戶。要為車載傳感器網絡設計有效的身份驗證和密鑰協商協議，應實現以下安全方面要求：

（1）有效的登錄階段；

（2）涉及的實體（即用戶，匯聚節(jié)點和傳感器節(jié)點）之間的認證；

（3）抵抗各種攻擊，如：

（a）智能卡被盜攻擊;

（b）離線密碼猜測攻擊;

（c）用戶匿名;

（d）已知密鑰安全性。

（4）抵制冒充攻擊

（a）用戶;

（b）傳感器節(jié)點;

（c）接收節(jié)點。

（5）提供用戶友好的密碼更改階段

圖1 智能車載系統(tǒng)的數據流量示意圖[1]

1.2 結論

作者為無線傳感器網絡中的車載系統(tǒng)提出了一種新的認證協議，以解決在道路上行駛的車輛問題，例如避免交通擁堵和相關問題。用戶、接收器和車輛傳感器之間的安全通信很重要，因此作者設計了一種能夠抵御各種攻擊的有效認證協議。此外，性能評估表明新協議具有更好的性能，安全性分析的結果在WSN方面提供了安全性而不增加成本。但是，作者通過展示其在車輛系統(tǒng)中的應用提出了一種新協議。在未來，作者將把這項工作擴展到云，并將物聯網與云相結合，為同一應用提供更實用的身份驗證協議。

2 基于霧的智能交通車輛互聯網環(huán)境中的大數據分析：動機、架構、挑戰(zhàn)和關鍵問題[2]

2.1 主要內容

交通系統(tǒng)引入智能交通系統(tǒng)（ITS）概念，以提高道路安全性，有效管理交通，保護綠色環(huán)境。如今，ITS應用正變得越來越數據密集，他們的數據使用“大數據的5V”進行描述。因此，為了充分利用這些數據，需要應用大數據分析。

車輛互聯網（IoV）將ITS設備連接到執(zhí)行數據處理的云計算中心。但是，從地理位置分散的設備傳輸大量數據會產生網絡費用和瓶頸，并且會消耗網絡資源。此外，遵循集中處理ITS大數據的方法會導致使用延遲敏感的ITS應用程序無法容忍的高延遲。霧計算被認為是用于實時大數據分析的有前途的技術。基本上，霧計算補充了云計算的作用，并在網絡邊緣分配數據處理，從而更快地響應ITS應用程序查詢并節(jié)省網絡資源。然而，在IoV動態(tài)環(huán)境中實施霧計算和用于實時大數據處理的lambda架構具有挑戰(zhàn)性。在這方面，本文提出了一種用于IoV環(huán)境中實時ITS大數據分析的新穎架構（見圖2）。所提出的架構合并三個維度，包括智能計算（即云和霧計算）維度，實時大數據分析維度和IoV維度。此外，本文還全面介紹了IoV環(huán)境，ITS大數據特征，實時大數據分析的lamb?da架構，以及多種智能計算技術。更重要的是，本文討論了在IoV環(huán)境中實施霧計算和實時大數據分析所面臨的機遇和挑戰(zhàn)。最后，關鍵問題和未來研究方向部分討論了為有效實施所提出的架構而應該考慮的一些問題。

圖2 實時智能交通系統(tǒng)大數據分析（RITS-BDA）架構[2]

2.2 結論及展望

通過考慮這些方面，本文提出了一種新的三維架構（智能計算，實時大數據分析和IoV），以實現IoV環(huán)境中的實時ITS大數據分析。此外，還討論了IoV和智能計算平臺正在創(chuàng)造的機遇和挑戰(zhàn)。作者還介紹了不同邊緣計算技術之間的比較。作者還強調了關鍵問題和未來研究方向，應考慮改進許多ITS應用的實時大數據分析。

最后，所提出的架構為該領域的未來研究提供了良好的基礎，并且它可以用作智能運輸系統(tǒng)的一部分，以實現實時應用，例如避免碰撞、危險警告、高級駕駛員輔助系統(tǒng)和自動駕駛。結果表明，通過使用更安全的運輸系統(tǒng)，將挽救許多人的生命。此外，運輸系統(tǒng)將變得更加高效和環(huán)保。

3 從車輛記錄儀大數據中檢測到的警示十字路口時空車輛軌跡三維可視化的最優(yōu)視點[3]

3.1 主要內容

交通事故仍困擾著全社會。銷售的行車記錄儀數量有所增加，因此作者收集了用于支持交通安全的大型車輛記錄儀數據。作者已經開發(fā)出一種系統(tǒng)，用于根據車輛記錄器數據、道路形狀和天氣信息檢測潛在風險的十字路口。在單個顯示器中將空間和時間結合起來的可視化稱為“空間時間立方體（STCSpace Time Cube）”，有助于在謹慎的十字路口上理解和分析時空移動數據。STC使作者不僅可以同時探索車輛軌跡的形狀和位置，還可以探索其時間分布。然而，用戶難以手動找到用于理解軌跡特征的良好視點。在本文中，作者提出了一種最佳視點選擇方法，用于使用STC在大型十字路口上可視化車輛軌跡的時空特征（見圖3）。

圖3 不同十字路口（a）和（b）的三個常見最佳觀點[3]

本文的主要貢獻如下：

（1）作者提供了一種基于視點熵加權的算法，該算法基于軌跡角度，水平線作為投影2D圖像上視點質量的度量。

（2）作者證明該解決方案可以適應不同軌跡形狀的十字路口。作者還擴展了所提出的方法，以找到多個十字路口的最佳視點。

（3）作者通過用戶的評估來驗證所提出的方法。

（4）作者構建了一個從實際車輛記錄器大數據中檢測到的潛在風險十字路口的概覽目錄，以便與利益相關者進行討論和分析。

3.2 主要結論

作者已經開發(fā)并提出了一種新方法來選擇最佳視點，來探索時空立方體中的軌跡。作者提供了一種基于視點熵加權的算法，該算法通過軌跡角度與投影的2D圖像上的水平線加權。據作者所知，目前還沒有關于使用STC進行軌跡可視化的視點選擇的研究。作者通過用戶的評估和案例研究評估了所提出的方法。在案例研究中，作者生成了許多謹慎十字路口的可視化，并與利益相關者進行了討論。作者計劃提供一種自動查找最合適的瓦片尺寸的方法。作者還計劃通過將其與其他方法（例如Lee等人報道的方法）進行比較來評估作者的方法。利用眾包來收集觀點之間的成對比較是另一種評估結果的可能性。

4 霧天計算中的反轉CDN：互聯和自動車輛視頻數據的生命周期[4]

4.1 主要內容

本文介紹了霧計算協同的反轉內容分發(fā)網絡（rCDN，reverse Content Delivery Network）基礎設施的概念。在許多物聯網用例中，視頻內容和其他流數據從底層設備（攝像機）流向上層設備（例如物聯網網關、路邊單元、網絡邊緣節(jié)點），可以將內容直接流式傳輸到云或可以聚合、存儲并以分布式方式處理數據。這構建了一個改變傳統(tǒng)CDN模型的內容分發(fā)網絡（CDN）。這就產生了rCDN，這是一系列相關視頻流，以多對一的方式從多個內容源流出，高動態(tài)視頻數據可能被多次聚合、處理、分析、轉換、緩存和遷移。路線到最終的存儲目的地。在本文中，作者提出了一個解決方案，協同rCDN和霧計算，以服務連接自動車輛，車輛攝像機和街道攝像機的視頻內容分布在rCDN節(jié)點。作者還討論了rCDN在智慧城市中數據可重用性的作用，并突出了現有的挑戰(zhàn)。

4.2 主要結論

聯通和自動車輛的視頻內容會產生大量的上層流量（從汽車到云端）以及大量的下層流量（從云端到汽車）。這改變了完全依賴云的傳統(tǒng)模式，并且需要具有從車輛到云的內容聚合/處理和存儲/緩存的分布式可視云模型。在Fog架構之上的反向CDN（rCDN）受到內容傳送網絡（CDN）的啟發(fā)，并提供多層存儲/緩存資源。在本文中，作者介紹了rCDN可以在Fog架構之上提供的不同特性/功能，以支持多個AD服務的視頻數據聚合、存儲和緩存（圖4）。

雖然rCDN希望建立在傳統(tǒng)CDN功能的基礎上，但它們的不同之處在于：

圖4 rCDN中的數據流方向[4]

（1）旨在滿足來自多個來源的動態(tài)和可變內容，并且這些內容與傳統(tǒng)請求驅動的數據流相反（即推送模式而不是拉模式）；

（2）除了存儲、處理和緩存之外，力求使網絡能夠適應從簡單消息流到更豐富背景的多到一數據流的轉變；

（3）rCDN使視頻流量能夠以動態(tài)方式處理（轉換、分析、壓縮等）。

5 在部分連接的車輛環(huán)境中增強交通狀況感知的道路速度剖面[5]

5.1 主要內容

考慮到先前交通的微觀動態(tài)，車輛的預期駕駛可以在連通車輛環(huán)境（CVE）中的交通流量中得到很大改善，其中100%車輛經常使用車輛到車輛（V2V）通信技術共享其狀態(tài)。本文討論了部分連接的車輛環(huán)境（PCVE），其中未連接（手動）車輛在交通中混合，并提出了一種理解交通狀況的新方法，該方法可用于實現高度預期的駕駛。更具體地，作者將預期駕駛稱為主車輛的預測控制，考慮其在擴展視圖中的先前交通狀況。為了增強對道路交通狀況的感知，提出了一種道路速度剖面，其通過有效地從交通大數據（即來自所有周圍車輛的廣播數據）中提取信息來簡明地描述道路的每個小區(qū)段或小區(qū)中的平均速度到主車輛上。

動態(tài)近似道路速度曲線的這個過程分兩步進行（圖5）。首先，提出了一種條件持久性預測模型來估計聯網車輛的未來狀態(tài)。這種預測狀態(tài)可以充分補償來自任何未連接車輛的丟失數據。其次，將車輛的預測時間、位置和速度映射到道路單元上，隨后，通過采用加權移動平均技術來調整相應的單元速度。持久性預測模型和道路速度曲線的準確性根據經驗評估連接車輛的不同察覺能力。最后，通過結合所提出的道路速度曲線來開發(fā)模型預測控制框架中的預期駕駛方案，并且將預期駕駛的性能與需要CVE的現有方案進行比較。

圖5 在PCVE下的主機（h）車輛的視圖中估計相對于特定時間的絕對道路位置x的速度v的目的目標問題圖示[5]

5.2 展望

在未來，將考慮更加真實的多車道交通情景以及V2V車輛的不同滲透率，研究具有各種目標的預期駕駛，例如最佳車道變換，燃料消耗優(yōu)化以及基于PCVE中的RSP的其他可能應用。

6 基于新興行業(yè)標準的車輛數據服務器實施[6]

6.1 主要內容

在不久的將來，互聯汽車系統(tǒng)有望穩(wěn)步增長并形成一個主流。在這種情況下，一些汽車制造商正在開發(fā)標準接口，可用于以獨立于供應商的方式訪問車輛信息，以構建更大的聯網汽車生態(tài)系統(tǒng)。在本文中，作者介紹了目前正在開發(fā)的車輛數據標準和車輛數據訪問接口標準作為行業(yè)標準。此外，作者基于這些標準實施了車輛數據服務器，以驗證標準的可行性，并總結了未來需要解決的問題。

VSS（Vehicle Signal Specification）標準基于信號命名約定和信號規(guī)范格式定義一組車輛信息。它基于樹形結構，因此車輛OEM可以將他們自己的車輛信息擴展到私人分支。今年上半年發(fā)布的VSS 1.0標準定義了超過930種車輛數據集(圖6)。

圖6 VSS樹的示例[6]

預計2020年發(fā)布的汽車約75%將成為聯網汽車，基于實時車輛數據的用例（如汽車監(jiān)控、智能家居集成和駕駛員行為分析等）不斷增加并有望傳播。

6.2 主要結論與建議

當車輛數據訪問接口因制造商而異，這種生態(tài)系統(tǒng)的傳播可能存在限制，因此強調了適用的車輛數據訪問標準的重要性。在本文中，作者介紹了一種車輛數據訪問接口標準，該標準正在作為事實標準開發(fā)?；诖耍髡唛_發(fā)了車輛數據服務器并驗證了該標準的可行性。此外，建議解決基于VSS的車輛數據表示中的性能問題，訂閱功能中的過濾問題以及向VSS數據表示添加RW（讀/寫）信息，以便更有效地進行車輛數據處理。