基于云邊融合的車聯(lián)網(wǎng)架構(gòu)大數(shù)據(jù)安全集成算法

龍草芳，江榮旺

（三亞學(xué)院，海南 三亞 572022）

0 引 言

云計(jì)算具有極強(qiáng)的數(shù)據(jù)挖掘與分析能力，可在海量信息化數(shù)據(jù)環(huán)境中實(shí)現(xiàn)對(duì)節(jié)點(diǎn)參量的篩選與過(guò)濾。隨著物聯(lián)網(wǎng)時(shí)代的到來(lái)，數(shù)據(jù)結(jié)構(gòu)體所需的響應(yīng)處理速度也逐漸加快，但這些都是云計(jì)算理論所不能滿足的。在網(wǎng)絡(luò)帶寬量不斷擴(kuò)充的前提下，云邊融合逐漸取代云計(jì)算成為時(shí)代背景下的主流應(yīng)用技術(shù)。通常情況下，該項(xiàng)實(shí)用處理手段由協(xié)同、互補(bǔ)兩種形式共同組成[1?2]。其中，協(xié)同型云邊融合是指在數(shù)據(jù)參量的支持下，關(guān)聯(lián)型信息可自發(fā)結(jié)合成束狀傳輸主體，從而降低數(shù)據(jù)轉(zhuǎn)發(fā)所需的基礎(chǔ)消耗時(shí)間。互補(bǔ)型云邊融合可在現(xiàn)有信息節(jié)點(diǎn)的支持下，聯(lián)合所有可利用的數(shù)據(jù)參量，使傳輸結(jié)構(gòu)體的平均覆蓋面積不斷增大。

車聯(lián)網(wǎng)是一種新型無(wú)線通信技術(shù)，可在車載設(shè)備結(jié)構(gòu)體的支持下為運(yùn)行車輛提供多項(xiàng)功能性服務(wù)。在特定時(shí)間階段內(nèi)，由于車輛擁堵等問(wèn)題會(huì)造成交通運(yùn)輸壓力的持續(xù)性提升。為避免上述情況的發(fā)生，分布式大數(shù)據(jù)安全容錯(cuò)存儲(chǔ)算法[3]和互聯(lián)型車聯(lián)網(wǎng)信息聚類模型[4]通過(guò)移動(dòng)云計(jì)算處理的方式，降低已緩存的數(shù)據(jù)信息參量，再借助ITS系統(tǒng)調(diào)節(jié)數(shù)據(jù)與數(shù)據(jù)之間的傳輸關(guān)系。但此類方法很難完全解決由車輛信息遷移而造成的集成等待時(shí)間過(guò)長(zhǎng)的問(wèn)題，基于此引入云邊融合技術(shù)，在車載云網(wǎng)格結(jié)構(gòu)的支持下，本文設(shè)計(jì)一種新型的車聯(lián)網(wǎng)架構(gòu)大數(shù)據(jù)安全集成算法，從而實(shí)現(xiàn)對(duì)車輛信息數(shù)據(jù)交叉與變異問(wèn)題的統(tǒng)一處理。

1 車聯(lián)網(wǎng)架構(gòu)下的云邊融合環(huán)境搭建

車聯(lián)網(wǎng)架構(gòu)下的云邊融合環(huán)境由車載云網(wǎng)格結(jié)構(gòu)、集中式微云決策引擎等多個(gè)元件共同組成，具體搭建方法如下。

1.1 車載云網(wǎng)格結(jié)構(gòu)

車載云網(wǎng)格是車聯(lián)網(wǎng)架構(gòu)搭建的基礎(chǔ)設(shè)備執(zhí)行條件，由車輛移動(dòng)終端、車載無(wú)線網(wǎng)絡(luò)、云融合主機(jī)等多個(gè)結(jié)構(gòu)主體共同組成。車輛移動(dòng)終端位于車載云網(wǎng)格的最底層，負(fù)載位于所有車輛設(shè)備主機(jī)之中，能夠在車輛無(wú)線網(wǎng)絡(luò)的作用下，將應(yīng)用化信息參量傳輸至云融合主機(jī)中。車載無(wú)線網(wǎng)絡(luò)具備較強(qiáng)的數(shù)據(jù)調(diào)節(jié)能力，可按照實(shí)際應(yīng)用需求，將已輸入車輛數(shù)據(jù)信息分割成多個(gè)結(jié)構(gòu)型主體，再分別傳輸至云邊融合主機(jī)的不同應(yīng)用結(jié)構(gòu)之中，如圖1所示。云融合主機(jī)具備大數(shù)據(jù)集成、車聯(lián)網(wǎng)信息處理等多項(xiàng)應(yīng)用執(zhí)行功能，可在底層信息融合結(jié)構(gòu)的作用下，實(shí)現(xiàn)對(duì)已存儲(chǔ)數(shù)據(jù)參量的按需調(diào)取。在不違背車輛行駛目的的前提下，車聯(lián)網(wǎng)架構(gòu)的覆蓋范圍越大，車載云網(wǎng)格的最終表現(xiàn)形式也就越復(fù)雜。

圖1 車載云網(wǎng)格結(jié)構(gòu)

1.2 集中式微云決策引擎

集中式微云決策引擎與車載云網(wǎng)格結(jié)構(gòu)體直接相連，由云邊融合服務(wù)器、車聯(lián)網(wǎng)邊緣節(jié)點(diǎn)、大數(shù)據(jù)移動(dòng)設(shè)備三部分共同組成。在云邊融合環(huán)境下，微云應(yīng)用主機(jī)能夠負(fù)載執(zhí)行器的實(shí)際連接需求，在車輛信息處于持續(xù)性傳輸?shù)那闆r下，基于大數(shù)據(jù)安全集成算法的數(shù)據(jù)參量能夠與決策信息保持相同的更新頻率，直至將所有集成節(jié)點(diǎn)都更改為車聯(lián)網(wǎng)架構(gòu)節(jié)點(diǎn)的接入形式[5?6]。云邊融合服務(wù)器作為車聯(lián)網(wǎng)邊緣節(jié)點(diǎn)設(shè)置的基礎(chǔ)參量條件，可在性能分析器的作用下，完成對(duì)云存儲(chǔ)車輛信息的融合與處理。大數(shù)據(jù)移動(dòng)設(shè)備處于集中式微云決策引擎的最底層，在車聯(lián)網(wǎng)架構(gòu)節(jié)點(diǎn)保持不變的情況下，車輛信息能夠直接存儲(chǔ)于該層結(jié)構(gòu)主機(jī)之中，形成集中式微云決策引擎結(jié)構(gòu)，如圖2所示。

圖2 集中式微云決策引擎結(jié)構(gòu)圖

1.3 車聯(lián)網(wǎng)信息發(fā)布

車聯(lián)網(wǎng)信息發(fā)布只存在于云邊融合主機(jī)之中，隨已存儲(chǔ)車輛數(shù)據(jù)總量的增加，待發(fā)布的信息參量會(huì)持續(xù)在集中式微云決策引擎中堆積，直至超過(guò)核心主機(jī)的最高承載容量[7]。為避免上述情況的發(fā)生，當(dāng)已堆積車輛信息數(shù)值達(dá)到承載容量極值的一半時(shí)，微云決策引擎開始建立與云邊融合主機(jī)的物理連接，并在集成信道的作用下，將這些信息參量直接由車聯(lián)網(wǎng)底層傳輸至車聯(lián)網(wǎng)頂層，即車聯(lián)網(wǎng)信息的發(fā)布與處理。若存儲(chǔ)主機(jī)內(nèi)的剩余車輛信息不足以支撐下一次完整的數(shù)據(jù)轉(zhuǎn)運(yùn)流程，則開啟集中式微云決策引擎與外界融合環(huán)境的連接，直至車聯(lián)網(wǎng)架構(gòu)內(nèi)外的信息輸入與輸出行為完全趨于穩(wěn)定[8?9]。設(shè)m0代表集中式微云決策引擎中的暫存車輛信息參量條件，β代表轉(zhuǎn)存融合系數(shù)，w代表大數(shù)據(jù)集成參量，聯(lián)立上述物理系數(shù)，可將車聯(lián)網(wǎng)信息發(fā)布判別式定義為：

式中：y代表車輛信息的發(fā)布系數(shù)；λ代表基于云邊融合的數(shù)據(jù)傳輸參量；l代表既定信息融合條件。

2 車聯(lián)網(wǎng)架構(gòu)大數(shù)據(jù)安全集成算法

在云邊融合環(huán)境的支持下，按照數(shù)據(jù)相似度計(jì)算、集成選擇機(jī)制完善、信息交叉和變異處理的應(yīng)用流程，完成車聯(lián)網(wǎng)架構(gòu)大數(shù)據(jù)安全集成算法的設(shè)計(jì)。

2.1 數(shù)據(jù)相似度計(jì)算

在車聯(lián)網(wǎng)大數(shù)據(jù)集成的過(guò)程中，待集成信息對(duì)象間的距離、差異量等系數(shù)，都會(huì)影響最終集成結(jié)果的好壞。采用不同處理方法所測(cè)算出的數(shù)據(jù)相似度結(jié)果也完全不同，但無(wú)論哪種方法所獲取的車輛信息數(shù)據(jù)極值都不會(huì)出現(xiàn)明顯變化。所謂數(shù)據(jù)相似度，也叫同類數(shù)據(jù)之間的相似關(guān)聯(lián)度。在車聯(lián)網(wǎng)環(huán)境中，隨交通復(fù)雜度水平的提升，車輛數(shù)據(jù)信息會(huì)出現(xiàn)明顯的兩極化堆積行為。在云邊融合技術(shù)的作用下，已堆積數(shù)據(jù)只能在車聯(lián)網(wǎng)結(jié)構(gòu)的兩端夾層組織中快速傳輸，而中間結(jié)構(gòu)體中的車輛信息被大量消耗，易導(dǎo)致車聯(lián)網(wǎng)組織出現(xiàn)明顯的不均化運(yùn)行情況[10?11]。規(guī)定x1，v1分別代表不同車輛信息參量的最大化存儲(chǔ)條件，x0，v0分別代表不同車輛信息參量的最小化存儲(chǔ)條件，聯(lián)立式（1），可將基于云邊融合理論的車聯(lián)網(wǎng)數(shù)據(jù)相似度計(jì)算公式表示為：

式中：χ代表基于云邊融合理論的數(shù)據(jù)波動(dòng)系數(shù)；q代表大數(shù)據(jù)信息的實(shí)際集成條件；r代表大數(shù)據(jù)信息的理想集成條件。

2.2 集成選擇機(jī)制

集成選擇機(jī)制的構(gòu)建需要同時(shí)考慮車輛信息傳輸、數(shù)據(jù)存儲(chǔ)、量化考核等多項(xiàng)應(yīng)用條件。所謂車輛信息傳輸是指在常規(guī)應(yīng)用狀態(tài)下，隨云邊融合技術(shù)的實(shí)施，車聯(lián)網(wǎng)環(huán)境中的初始數(shù)據(jù)輸入量必須與最終數(shù)據(jù)輸出量完全相等。數(shù)據(jù)存儲(chǔ)是與車聯(lián)網(wǎng)架構(gòu)相關(guān)的信息應(yīng)用條件，隨著安全集成算法的實(shí)施，車輛信息的原始輸入量也會(huì)逐漸增加，直至達(dá)到集中式微云決策引擎的極限存儲(chǔ)條件，實(shí)現(xiàn)一次完整的信息傳輸流程[12?13]。量化考核是針對(duì)車聯(lián)網(wǎng)架構(gòu)信息所提出的應(yīng)用條件，其處理權(quán)限受到車聯(lián)網(wǎng)架構(gòu)大數(shù)據(jù)的直接影響，但平均數(shù)值表現(xiàn)水平始終不會(huì)超過(guò)待集成信息總量的50%。設(shè)k1，k2，k3分別代表車輛信息傳輸、數(shù)據(jù)存儲(chǔ)、量化考核三項(xiàng)信息應(yīng)用條件，聯(lián)立式（2），可將車聯(lián)網(wǎng)架構(gòu)大數(shù)據(jù)的集成選擇機(jī)制定義為：

式中：C代表與車輛傳輸信息相關(guān)的理想化存儲(chǔ)條件；Δg代表車聯(lián)網(wǎng)大數(shù)據(jù)在單位時(shí)間內(nèi)的應(yīng)用變化量；e0代表待集成大數(shù)據(jù)的最小量化存儲(chǔ)等級(jí)；e1代表待集成大數(shù)據(jù)的最大量化存儲(chǔ)等級(jí)；ξ代表車輛數(shù)據(jù)信息的集中融合系數(shù)。

2.3 信息的交叉和變異

信息交叉與變異處理是基于云邊融合車聯(lián)網(wǎng)架構(gòu)大數(shù)據(jù)安全集成算法搭建的末尾應(yīng)用環(huán)節(jié)，可按照已確定集成機(jī)制中車輛信息的實(shí)際存儲(chǔ)數(shù)值，完成對(duì)參量處置邊限條件的定義。通常情況下，在一個(gè)云邊融合周期內(nèi)，隨車輛信息總量的提升，整個(gè)車聯(lián)網(wǎng)架構(gòu)的覆蓋面積也會(huì)逐漸增大，而在大數(shù)據(jù)存儲(chǔ)條件的作用下，最終集成結(jié)果卻不會(huì)出現(xiàn)無(wú)限制提升的變化趨勢(shì)[14?15]。簡(jiǎn)單來(lái)說(shuō)，在車聯(lián)網(wǎng)架構(gòu)環(huán)境中，所有待集合的車輛應(yīng)用信息都具備明顯的交叉性與變異性，正是因?yàn)榇祟悎?zhí)行限制條件的存在，才使得云邊融合原理的作用范圍始終保持在車聯(lián)網(wǎng)架構(gòu)的作用空間內(nèi)。設(shè)hˉ代表車輛應(yīng)用信息在單位時(shí)間內(nèi)的集成化傳輸均值，聯(lián)立式（3），可將信息數(shù)據(jù)的交叉和變異參量表示為：

式中：μ，ω分別代表兩個(gè)不同的大數(shù)據(jù)集成系數(shù)。至此，完成各項(xiàng)理論系數(shù)參量的計(jì)算與處理，在云邊融合技術(shù)的支持下，實(shí)現(xiàn)車聯(lián)網(wǎng)架構(gòu)大數(shù)據(jù)安全集成算法的順利應(yīng)用。

3 算法應(yīng)用能力測(cè)試

為驗(yàn)證基于云邊融合車聯(lián)網(wǎng)架構(gòu)大數(shù)據(jù)安全集成算法的實(shí)際應(yīng)用價(jià)值，設(shè)計(jì)如下對(duì)比實(shí)驗(yàn)。

在交通繁忙的時(shí)間段內(nèi)，將搭載車聯(lián)網(wǎng)設(shè)備的行駛車輛與普通行駛車輛混合在一起，在核心監(jiān)控臺(tái)中設(shè)置獨(dú)立的信息收發(fā)設(shè)備，使其與車聯(lián)網(wǎng)主機(jī)保持良好的信息互通關(guān)系。為突出實(shí)驗(yàn)結(jié)果的真實(shí)性，實(shí)驗(yàn)組車聯(lián)網(wǎng)主機(jī)搭載新型大數(shù)據(jù)安全集成算法，對(duì)照組分別搭載分布式大數(shù)據(jù)安全容錯(cuò)存儲(chǔ)算法和互聯(lián)型車聯(lián)網(wǎng)信息聚類模型（文獻(xiàn)[3]和文獻(xiàn)[4]），記為對(duì)照組1和對(duì)照組2。在固定實(shí)驗(yàn)環(huán)境下，分別記錄實(shí)驗(yàn)組、對(duì)照組相關(guān)記錄指標(biāo)的具體變化情況。

車輛信息數(shù)據(jù)由一個(gè)集成節(jié)點(diǎn)遷移至另一個(gè)集成節(jié)點(diǎn)所需的等待時(shí)間能夠反映數(shù)據(jù)集成算法的實(shí)際應(yīng)用能力，通常情況下，前者的等待時(shí)間越短，后者的應(yīng)用能力也就越強(qiáng)，反之則越弱。表1記錄了實(shí)驗(yàn)組、對(duì)照組集成等待時(shí)間的具體數(shù)值水平。

分析表1可知，在理想狀態(tài)下，車輛信息數(shù)據(jù)由一個(gè)集成節(jié)點(diǎn)遷移至另一個(gè)集成節(jié)點(diǎn)所需的等待時(shí)間出現(xiàn)了先上升、再穩(wěn)定、最后下降的變化趨勢(shì)，全局最大值達(dá)到0.31 ms。實(shí)驗(yàn)組車輛信息數(shù)據(jù)由一個(gè)集成節(jié)點(diǎn)遷移至另一個(gè)集成節(jié)點(diǎn)所需的等待時(shí)間則保持先下降、再穩(wěn)定的變化趨勢(shì)，全局最大值達(dá)到0.40 ms，而兩個(gè)對(duì)照組全局最大值達(dá)到0.55 ms，與實(shí)驗(yàn)組極值相比，上升了0.15 ms。綜上可知，基于云邊融合的車聯(lián)網(wǎng)架構(gòu)大數(shù)據(jù)安全集成算法，具備縮短車輛信息數(shù)據(jù)由一個(gè)集成節(jié)點(diǎn)遷移至另一個(gè)集成節(jié)點(diǎn)所需等待時(shí)間的能力。

表1 集成等待時(shí)間對(duì)比 ms

規(guī)定10 min為一個(gè)單位時(shí)長(zhǎng)，分別記錄在4個(gè)單位時(shí)長(zhǎng)內(nèi)，實(shí)驗(yàn)組、對(duì)照組車輛信息堆積總量的具體變化情況，如表2所示。

表2 車輛信息堆積總量對(duì)比 ×109 TB

分析表2可知，在理想狀態(tài)下，車輛信息堆積總量始終保持不變。實(shí)驗(yàn)組車輛信息堆積總量則一直保持階段性的波動(dòng)變化趨勢(shì)，全局最大值僅達(dá)到7.5×109TB。對(duì)照組全局最大值達(dá)到9.9×109TB，與實(shí)驗(yàn)組極值相比，上升了2.4×109TB。綜上可知，基于云邊融合的車聯(lián)網(wǎng)架構(gòu)大數(shù)據(jù)安全集成算法，能夠在縮短車輛信息遷移等待時(shí)長(zhǎng)的同時(shí)，控制車輛信息堆積量的增長(zhǎng)變化趨勢(shì)。

4 結(jié) 語(yǔ)

在云邊融合技術(shù)的支持下，聯(lián)合車載云網(wǎng)格與集中式微云決策引擎，在計(jì)算車輛數(shù)據(jù)傳輸相似度的同時(shí)，實(shí)現(xiàn)對(duì)信息參量的交叉與變異處理。從實(shí)用性角度來(lái)看，隨著該算法的應(yīng)用，車輛數(shù)據(jù)遷移等待時(shí)長(zhǎng)、信息堆積總量均出現(xiàn)明顯下降的變化趨勢(shì)，可緩解特定時(shí)間階段內(nèi)的交通擁堵壓力，解決與過(guò)往車輛相關(guān)信息數(shù)據(jù)深度化挖掘的問(wèn)題。