龍草芳，江榮旺

（三亞學院，海南 三亞 572022）

0 引 言

云計算具有極強的數(shù)據(jù)挖掘與分析能力，可在海量信息化數(shù)據(jù)環(huán)境中實現(xiàn)對節(jié)點參量的篩選與過濾。隨著物聯(lián)網(wǎng)時代的到來，數(shù)據(jù)結構體所需的響應處理速度也逐漸加快，但這些都是云計算理論所不能滿足的。在網(wǎng)絡帶寬量不斷擴充的前提下，云邊融合逐漸取代云計算成為時代背景下的主流應用技術。通常情況下，該項實用處理手段由協(xié)同、互補兩種形式共同組成[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，關聯(lián)型信息可自發(fā)結合成束狀傳輸主體，從而降低數(shù)據(jù)轉發(fā)所需的基礎消耗時間?；パa型云邊融合可在現(xiàn)有信息節(jié)點的支持下，聯(lián)合所有可利用的數(shù)據(jù)參量，使傳輸結構體的平均覆蓋面積不斷增大。

車聯(lián)網(wǎng)是一種新型無線通信技術，可在車載設備結構體的支持下為運行車輛提供多項功能性服務。在特定時間階段內(nèi)，由于車輛擁堵等問題會造成交通運輸壓力的持續(xù)性提升。為避免上述情況的發(fā)生，分布式大數(shù)據(jù)安全容錯存儲算法[3]和互聯(lián)型車聯(lián)網(wǎng)信息聚類模型[4]通過移動云計算處理的方式，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間過長的問題，基于此引入云邊融合技術，在車載云網(wǎng)格結構的支持下，本文設計一種新型的車聯(lián)網(wǎng)架構大數(shù)據(jù)安全集成算法，從而實現(xiàn)對車輛信息數(shù)據(jù)交叉與變異問題的統(tǒng)一處理。

1 車聯(lián)網(wǎng)架構下的云邊融合環(huán)境搭建

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

1.1 車載云網(wǎng)格結構

車載云網(wǎng)格是車聯(lián)網(wǎng)架構搭建的基礎設備執(zhí)行條件，由車輛移動終端、車載無線網(wǎng)絡、云融合主機等多個結構主體共同組成。車輛移動終端位于車載云網(wǎng)格的最底層，負載位于所有車輛設備主機之中，能夠在車輛無線網(wǎng)絡的作用下，將應用化信息參量傳輸至云融合主機中。車載無線網(wǎng)絡具備較強的數(shù)據(jù)調(diào)節(jié)能力，可按照實際應用需求，將已輸入車輛數(shù)據(jù)信息分割成多個結構型主體，再分別傳輸至云邊融合主機的不同應用結構之中，如圖1所示。云融合主機具備大數(shù)據(jù)集成、車聯(lián)網(wǎng)信息處理等多項應用執(zhí)行功能，可在底層信息融合結構的作用下，實現(xiàn)對已存儲數(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)形式也就越復雜。

圖1 車載云網(wǎng)格結構

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)格結構體直接相連，由云邊融合服務器、車聯(lián)網(wǎng)邊緣節(jié)點、大數(shù)據(jù)移動設備三部分共同組成。在云邊融合環(huán)境下，微云應用主機能夠負載執(zhí)行器的實際連接需求，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)點都更改為車聯(lián)網(wǎng)架構節(jié)點的接入形式[5?6]。云邊融合服務器作為車聯(lián)網(wǎng)邊緣節(jié)點設置的基礎參量條件，可在性能分析器的作用下，完成對云存儲車輛信息的融合與處理。大數(shù)據(jù)移動設備處于集中式微云決策引擎的最底層，在車聯(lián)網(wǎng)架構節(jié)點保持不變的情況下，車輛信息能夠直接存儲于該層結構主機之中，形成集中式微云決策引擎結構，如圖2所示。

圖2 集中式微云決策引擎結構圖

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之中，隨已存儲車輛數(shù)據(jù)總量的增加，待發(fā)布的信息參量會持續(xù)在集中式微云決策引擎中堆積，直至超過核心主機的最高承載容量[7]。為避免上述情況的發(fā)生，當已堆積車輛信息數(shù)值達到承載容量極值的一半時，微云決策引擎開始建立與云邊融合主機的物理連接，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。若存儲主機內(nèi)的剩余車輛信息不足以支撐下一次完整的數(shù)據(jù)轉運流程，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)架構內(nèi)外的信息輸入與輸出行為完全趨于穩(wěn)定[8?9]。設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)相似度計算、集成選擇機制完善、信息交叉和變異處理的應用流程，完成車聯(lián)網(wǎng)架構大數(shù)據(jù)安全集成算法的設計。

2.1 數(shù)據(jù)相似度計算

在車聯(lián)網(wǎng)大數(shù)據(jù)集成的過程中，待集成信息對象間的距離、差異量等系數(shù)，都會影響最終集成結果的好壞。采用不同處理方法所測算出的數(shù)據(jù)相似度結果也完全不同，但無論哪種方法所獲取的車輛信息數(shù)據(jù)極值都不會出現(xiàn)明顯變化。所謂數(shù)據(jù)相似度，也叫同類數(shù)據(jù)之間的相似關聯(lián)度。在車聯(lián)網(wǎng)環(huán)境中，隨交通復雜度水平的提升，車輛數(shù)據(jù)信息會出現(xiàn)明顯的兩極化堆積行為。在云邊融合技術的作用下，已堆積數(shù)據(jù)只能在車聯(lián)網(wǎng)結構的兩端夾層組織中快速傳輸，而中間結構體中的車輛信息被大量消耗，易導致車聯(lián)網(wǎng)組織出現(xiàn)明顯的不均化運行情況[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條件，x0，v0分別代表不同車輛信息參量的最小化存儲條件，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)波動系數(shù)；q代表大數(shù)據(jù)信息的實際集成條件；r代表大數(shù)據(jù)信息的理想集成條件。

2.2 集成選擇機制

集成選擇機制的構建需要同時考慮車輛信息傳輸、數(shù)據(jù)存儲、量化考核等多項應用條件。所謂車輛信息傳輸是指在常規(guī)應用狀態(tài)下，隨云邊融合技術的實施，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)存儲是與車聯(lián)網(wǎng)架構相關的信息應用條件，隨著安全集成算法的實施，車輛信息的原始輸入量也會逐漸增加，直至達到集中式微云決策引擎的極限存儲條件，實現(xiàn)一次完整的信息傳輸流程[12?13]。量化考核是針對車聯(lián)網(wǎng)架構信息所提出的應用條件，其處理權限受到車聯(lián)網(wǎng)架構大數(shù)據(jù)的直接影響，但平均數(shù)值表現(xiàn)水平始終不會超過待集成信息總量的50%。設k1，k2，k3分別代表車輛信息傳輸、數(shù)據(jù)存儲、量化考核三項信息應用條件，聯(lián)立式（2），可將車聯(lián)網(wǎng)架構大數(shù)據(jù)的集成選擇機制定義為：

式中：C代表與車輛傳輸信息相關的理想化存儲條件；Δg代表車聯(lián)網(wǎng)大數(shù)據(jù)在單位時間內(nèi)的應用變化量；e0代表待集成大數(shù)據(jù)的最小量化存儲等級；e1代表待集成大數(shù)據(jù)的最大量化存儲等級；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)架構大數(shù)據(jù)安全集成算法搭建的末尾應用環(huán)節(jié)，可按照已確定集成機制中車輛信息的實際存儲數(shù)值，完成對參量處置邊限條件的定義。通常情況下，在一個云邊融合周期內(nèi)，隨車輛信息總量的提升，整個車聯(lián)網(wǎng)架構的覆蓋面積也會逐漸增大，而在大數(shù)據(jù)存儲條件的作用下，最終集成結果卻不會出現(xiàn)無限制提升的變化趨勢[14?15]。簡單來說，在車聯(lián)網(wǎng)架構環(huán)境中，所有待集合的車輛應用信息都具備明顯的交叉性與變異性，正是因為此類執(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)架構的作用空間內(nèi)。設hˉ代表車輛應用信息在單位時間內(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分別代表兩個不同的大數(shù)據(jù)集成系數(shù)。至此，完成各項理論系數(shù)參量的計算與處理，在云邊融合技術的支持下，實現(xiàn)車聯(lián)網(wǎng)架構大數(shù)據(jù)安全集成算法的順利應用。

3 算法應用能力測試

為驗證基于云邊融合車聯(lián)網(wǎng)架構大數(shù)據(jù)安全集成算法的實際應用價值，設計如下對比實驗。

在交通繁忙的時間段內(nèi)，將搭載車聯(lián)網(wǎng)設備的行駛車輛與普通行駛車輛混合在一起，在核心監(jiān)控臺中設置獨立的信息收發(fā)設備，使其與車聯(lián)網(wǎng)主機保持良好的信息互通關系。為突出實驗結果的真實性，實驗組車聯(lián)網(wǎng)主機搭載新型大數(shù)據(jù)安全集成算法，對照組分別搭載分布式大數(shù)據(jù)安全容錯存儲算法和互聯(lián)型車聯(lián)網(wǎng)信息聚類模型（文獻[3]和文獻[4]），記為對照組1和對照組2。在固定實驗環(huán)境下，分別記錄實驗組、對照組相關記錄指標的具體變化情況。

車輛信息數(shù)據(jù)由一個集成節(jié)點遷移至另一個集成節(jié)點所需的等待時間能夠反映數(shù)據(jù)集成算法的實際應用能力，通常情況下，前者的等待時間越短，后者的應用能力也就越強，反之則越弱。表1記錄了實驗組、對照組集成等待時間的具體數(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)由一個集成節(jié)點遷移至另一個集成節(jié)點所需的等待時間出現(xiàn)了先上升、再穩(wěn)定、最后下降的變化趨勢，全局最大值達到0.31 ms。實驗組車輛信息數(shù)據(jù)由一個集成節(jié)點遷移至另一個集成節(jié)點所需的等待時間則保持先下降、再穩(wěn)定的變化趨勢，全局最大值達到0.40 ms，而兩個對照組全局最大值達到0.55 ms，與實驗組極值相比，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)由一個集成節(jié)點遷移至另一個集成節(jié)點所需等待時間的能力。

表1 集成等待時間對比 ms

規(guī)定10 min為一個單位時長，分別記錄在4個單位時長內(nèi)，實驗組、對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。實驗組車輛信息堆積總量則一直保持階段性的波動變化趨勢，全局最大值僅達到7.5×109TB。對照組全局最大值達到9.9×109TB，與實驗組極值相比，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長的同時，控制車輛信息堆積量的增長變化趨勢。

4 結 語

在云邊融合技術的支持下，聯(lián)合車載云網(wǎng)格與集中式微云決策引擎，在計算車輛數(shù)據(jù)傳輸相似度的同時，實現(xiàn)對信息參量的交叉與變異處理。從實用性角度來看，隨著該算法的應用，車輛數(shù)據(jù)遷移等待時長、信息堆積總量均出現(xiàn)明顯下降的變化趨勢，可緩解特定時間階段內(nèi)的交通擁堵壓力，解決與過往車輛相關信息數(shù)據(jù)深度化挖掘的問題。