周澤寧

摘?要：發(fā)布訂閱系統(tǒng)是進(jìn)行發(fā)布的事件和訂閱消息之間的匹配系統(tǒng)。首先需要對訂閱消息進(jìn)行聚類操作，按照聚類結(jié)果，找到事件所屬類別，隨后在類別中，找尋和事件匹配的訂閱。本文提出了一個即時的發(fā)布訂閱的算法，統(tǒng)籌空間信息和事件屬性信息，不僅可以即時地處理事件和訂閱的匹配操作，也可以在分布式環(huán)境上即時地進(jìn)行訂閱的更新和類別的更新。并且可以在沒有先驗知識的情況下即時地進(jìn)行聚類操作和匹配操作。設(shè)計一個分布式的系統(tǒng)，將發(fā)布訂閱算法部署其上，并且提出了在分布式系統(tǒng)上該算法的負(fù)載均衡策略。隨后通過自建集群，使用真實的數(shù)據(jù)，實驗驗證本文提出的發(fā)布訂閱算法。

關(guān)鍵詞： 發(fā)布訂閱系統(tǒng);分布式系統(tǒng);聚類算法

文章編號： 2095-2163（2021）01-0046-06 中圖分類號：TP391.1 文獻(xiàn)標(biāo)志碼：A

【Abstract】The publish and subscribe system is a matching system between published events and subscribed messages. First， it is necessary to perform a clustering operation on the subscription messages， find the category to which the event belongs according to the clustering result， and then find the subscription that matches the event in the category. This paper proposes an instant publish and subscribe algorithm， which coordinates the spatial information and event attribute information. It can not only handle the matching operation of events and subscriptions in real time， but also update subscriptions and categories in a distributed environment. In addition， clustering and matching operations can be performed immediately without prior knowledge. A distributed system is designed， the publish-subscribe algorithm is deployed on it， and the load balancing strategy of the algorithm is put forward on the distributed system. Therefore through the self-built cluster， using real data， the publish and subscribe algorithm proposed in this article is verified in the experiments.

【Key words】publish and subscribe system; distributed system; clustering algorithm

0 引?言

發(fā)布訂閱系統(tǒng)主要目的是方便事件發(fā)布者和事件訂閱者在網(wǎng)上進(jìn)行信息交換這一過程，事件的訂閱者持續(xù)關(guān)注某一特定區(qū)域內(nèi)的特定事件，事件的發(fā)布者將事件發(fā)生的空間位置和事件發(fā)布到網(wǎng)上，隨后這些事件和事件訂閱者的訂閱信息進(jìn)行匹配并將符合要求的事件推送給訂閱者。

中央服務(wù)器上基于空間屬性信息的發(fā)布訂閱算法[1-8]，使用樹狀結(jié)構(gòu)按照空間索引訂閱數(shù)據(jù)，以加速空間屬性事件和空間屬性訂閱的比較。許多分布式系統(tǒng)[9-12]使用現(xiàn)有的空間索引將數(shù)據(jù)劃分到不同的服務(wù)器，這些系統(tǒng)是基于靜態(tài)數(shù)據(jù)的一次性查詢。

本文提出了一個沒有先驗知識、可以即時處理數(shù)據(jù)流、統(tǒng)籌事件信息和空間信息的發(fā)布訂閱系統(tǒng)，滿足了對于靈敏度的要求，并且提出了一個分布式的系統(tǒng)，將基礎(chǔ)的發(fā)布訂閱系統(tǒng)部署其上，滿足了大規(guī)模的數(shù)據(jù)量的要求。

1 基礎(chǔ)發(fā)布訂閱系統(tǒng)

發(fā)布訂閱系統(tǒng)包含發(fā)布的事件和訂閱這兩種數(shù)據(jù)流。在研究中，t表示一個發(fā)布的事件，包含至少2個信息：空間位置和屬性文本，可用二元組來表示：（t.s，t.k）。其中，t.s表示該事件發(fā)生的空間位置，空間位置采用經(jīng)緯度的表達(dá)方式，表示空間中的一個點(diǎn)。t.k表示該事件的一系列屬性。同樣，q表示一個訂閱消息，用二元組來表示：（q.s，q.k）。其中，q.s表示該訂閱發(fā)布者關(guān)注的空間范圍，該數(shù)據(jù)使用的是此次訂閱關(guān)注范圍的最小鄰接矩形。q.k表示訂閱者持續(xù)關(guān)注的屬性信息，該信息是事件匹配時的屬性要求。

發(fā)布訂閱系統(tǒng)所關(guān)注的是事件和訂閱的匹配過程。如果滿足t.s在q.s的范圍中，即事件的發(fā)生位置在訂閱的要求的空間范圍之內(nèi)，并且q.kt.k，也就是事件的屬性包含了訂閱要求的事件屬性，則認(rèn)定事件t滿足該訂閱q的要求，就可將事件t分配給該查詢q。

為了節(jié)省大量不必要的匹配操作，本文先是將訂閱進(jìn)行聚類操作，將其按照空間信息和事件屬性通過聚類操作獲得眾多類別ci（i=1，2，3…），對到來的事件，將其分配到訂閱類別，再在匹配成功的類別中對訂閱和事件進(jìn)行匹配操作，具體如圖1所示。

事件流進(jìn)入類別集合后，首先找到相匹配的類別，再和類別中的訂閱一一匹配，找到相匹配的訂閱輸出。訂閱流進(jìn)入類別集合后，如果進(jìn)行訂閱的增加操作，就通過聚類算法更新類別集合;如果是訂閱的刪除操作，就找到該訂閱所屬類別，進(jìn)行刪除操作。類別的集合最初為空，隨著訂閱的到來，逐漸通過聚類算法形成類別。

2 發(fā)布訂閱系統(tǒng)的聚類算法

對于發(fā)布訂閱系統(tǒng)，至關(guān)重要的就是訂閱的聚類算法，因其直接決定聚類結(jié)果的優(yōu)劣，并最終影響整個算法的反應(yīng)速度。本文提出一個沒有訓(xùn)練集（在進(jìn)行訂閱和事件的匹配過程中，同時進(jìn)行訓(xùn)練）、即時的聚類算法Rt-Cluter （RealTime-Cluter），可以對接受到的事件和訂閱進(jìn)行即時的處理。通過對比實驗顯示了本算法的有效性。

訂閱和事件包含2種數(shù)據(jù)，分別是：空間信息和屬性信息。本文采取一個融合2種策略的混合策略。面對空間信息，文中采取網(wǎng)格的結(jié)構(gòu)來存儲空間數(shù)據(jù)。面對事件的屬性信息，文中采取倒排索引的結(jié)構(gòu)。其存儲形式如圖2所示。

Rt-Cluter算法使用相似性和相關(guān)性作為判斷標(biāo)準(zhǔn)。其中，相似性主要解決聚類操作中，對訂閱的聚類判斷問題。當(dāng)一個新的需要添加的訂閱q到來時，需要按照空間信息和事件的屬性信息對其進(jìn)行聚類操作，將其分配給最相似的一個類別c。本文將會分別計算屬性相似性和空間相似性，并對這2個相似性采用加權(quán)和的方式進(jìn)行融合。屬性相似性KeySim的計算公式如下：

其中，key表示屬性，key.Pro表示屬性key在類別c的屬性集合c.k中所占的比例，即類別c中屬性key的頻數(shù)和類別c中所有屬性的頻數(shù)之比。

相應(yīng)地，空間相似性SpatialSim的計算需要用到如下公式：

其中，ex表示如果類別c添加訂閱q，c.s需要擴(kuò)展的大小，c.s表示類別c在添加訂閱q之前的最小鄰接矩形的面積大小。

綜上可得，進(jìn)行相似性的比較時，總體相似性Sim的計算，要同時考慮空間和屬性的相似性，其數(shù)學(xué)公式可寫為：

其中，α表示權(quán)值（0≤α≤1），可以根據(jù)對屬性或者空間的重視程度進(jìn)行調(diào)整。

對于等待被分配的訂閱，將其分配給相似值最大的類別。但是如果最大的相似度仍然足夠小（小于一個閾值），本文則為其創(chuàng)造一個新類別，并將該新類別分配到與其最為相似的類別所在的工作節(jié)點(diǎn)中，如此一來就保證了最相似的類別將處在同一個工作節(jié)點(diǎn)中，在后續(xù)數(shù)據(jù)傳輸上節(jié)省了資源。

在聚類算法中，除了新類別的創(chuàng)建，還需要進(jìn)行類別融合，使用閾值CMaxNumTh來表示所能擁有的最大類別數(shù)量，一旦類別數(shù)量超過該值，就要進(jìn)行類別融合操作。本文使用相關(guān)性來做類別融合研究?？傮w而言，如果2個訂閱q0和q1被同一個發(fā)布的事件t所匹配并且匹配成功，那么就認(rèn)為這2個訂閱具有一點(diǎn)相關(guān)性，即：Correlation（q0，q1） = 1。需要進(jìn)行類別融合操作時，將相關(guān)性最大的2個類別進(jìn)行融合。

3 分布式系統(tǒng)設(shè)計與部署

網(wǎng)絡(luò)中數(shù)據(jù)量不斷擴(kuò)大，單處理器無法滿足現(xiàn)實要求，本文提出了一個分布式系統(tǒng)來承載發(fā)布訂閱算法，將分布式系統(tǒng)下的發(fā)布訂閱算法命名為DRt-Cluster（Distributed-Realtime-Cluster）。其邏輯結(jié)構(gòu)如圖3所示。

該系統(tǒng)中包含有2類節(jié)點(diǎn)，分別是聚類節(jié)點(diǎn)di（0

（1）聚類節(jié)點(diǎn)。主要進(jìn)行聚類操作，功能如下：

① 對于事件t，在聚類節(jié)點(diǎn)中，同各個類別的特征相比較，找尋可能存在與其相匹配的訂閱所在的類別。

② 對于訂閱的增加，為其找尋歸屬的唯一類別，進(jìn)行類別更新的相應(yīng)操作。

③ 對于訂閱的刪除，需要找尋可能包含該事件的類別，并進(jìn)行刪除操作。

（2）匹配節(jié)點(diǎn)。節(jié)點(diǎn)中分別保存著各個類別，主要進(jìn)行事件的匹配和訂閱的增刪操作。功能如下：

① 對于事件，會根據(jù)其所從屬的訂閱類別，尋找符合匹配條件的訂閱。

② 對于訂閱的增刪操作，根據(jù)其所從屬的訂閱類別，進(jìn)行類別的更新。

③ 類別的更新，按照聚類節(jié)點(diǎn)對類別的更新信息，相應(yīng)地更新本節(jié)點(diǎn)內(nèi)的類別。

將算法應(yīng)用到分布式系統(tǒng)上需要注意數(shù)據(jù)傳輸問題。此外，在分布式系統(tǒng)中還應(yīng)注意負(fù)載均衡的問題，以避免某一個節(jié)點(diǎn)負(fù)載過重，成為性能瓶頸。

3.1 類別融合

分布式環(huán)境下，需要在滿足聚類要求的情況下，盡量減少節(jié)點(diǎn)間的數(shù)據(jù)傳輸，同時根據(jù)相關(guān)性，本文將優(yōu)先進(jìn)行同一節(jié)點(diǎn)內(nèi)的類別融合。過程中擬用到2個變量：CS（correlation in the same worker）和CD（correlation in the different worker）。

研究中可得，c.cs表示類別c和其同一匹配節(jié)點(diǎn)中的類別的相關(guān)性之和，相應(yīng)數(shù)學(xué)公式可寫為：

其中，w表示類別c所處的匹配節(jié)點(diǎn)。

進(jìn)一步得到，c.cd表示類別c和其不同匹配節(jié)點(diǎn)中的類別的相關(guān)性之和，相應(yīng)數(shù)學(xué)公式可寫為：

在此基礎(chǔ)上，本文采用c.MergeJudgePara作為類別c的判斷標(biāo)準(zhǔn)，選擇該值最大的類別c進(jìn)行同一匹配節(jié)點(diǎn)之內(nèi)的相關(guān)性值最大的類別進(jìn)行融合操作。相應(yīng)數(shù)學(xué)公式可寫為：

如果一個類別和其同一匹配節(jié)點(diǎn)中的類別相關(guān)性很差，而和不同匹配節(jié)點(diǎn)間的相關(guān)性很好，即MergeJudgePara很小，在這種情況下，本文提出一個匹配節(jié)點(diǎn)間的類別融合策略。首先新增一個閾值merge，該閾值用于判斷僅僅使用節(jié)點(diǎn)內(nèi)融合是否合理，如果計算得到的最大的MergeJudgePara

3.2 負(fù)載均衡

負(fù)載均衡的主要目的是為了均衡各個節(jié)點(diǎn)的負(fù)載，避免出現(xiàn)某一節(jié)點(diǎn)負(fù)載過重，成為性能瓶頸。若經(jīng)過一定數(shù)量的事件和訂閱（本文使用經(jīng)過λ數(shù)量的事件）后，就要判斷節(jié)點(diǎn)的負(fù)載是否失衡，一旦發(fā)生失衡，將盡快修復(fù)。

為了判斷是否存在負(fù)載不均衡的情況，先要對工作負(fù)載進(jìn)行量化。經(jīng)過分析可知，類別c需要處理的數(shù)據(jù)包括3種，分別是：事件t、新添加的訂閱q、需要刪除的訂閱q'，故而其工作負(fù)載也包含3部分，具體如下：

其中，t.num表示接收到的事件數(shù)量; c.size表示類別c的大小，使用類別中訂閱的數(shù)量表示。

在公式（7）中，第一部分表示處理事件t的匹配操作的工作負(fù)載，其中c.size會隨著訂閱的增刪而變化;第二部分表示在這一段時間內(nèi)增加訂閱所需的資源消耗;第三部分表示這一段時間內(nèi)刪除訂閱所需的資源消耗。工作節(jié)點(diǎn)的總工作負(fù)載就是一段時間內(nèi)節(jié)點(diǎn)內(nèi)所有類別的工作負(fù)載之和。本文使用匹配操作的工作負(fù)載表示類別的工作負(fù)載。

本文采取的負(fù)載均衡策略可描述為：當(dāng)某一個節(jié)點(diǎn)負(fù)載過大，直接將其中的一部分遷移到另一個節(jié)點(diǎn)中。研究中，將所有節(jié)點(diǎn)的工作負(fù)載之和設(shè)為TotalLoad，假設(shè)共有m個工作節(jié)點(diǎn)，如果一個節(jié)點(diǎn)w的工作負(fù)載滿足公式（8）：

則認(rèn)為該節(jié)點(diǎn)的工作負(fù)載過大，需要進(jìn)行均衡。在負(fù)載均衡過程中，就要從負(fù)載最大的節(jié)點(diǎn)中選擇一部分訂閱轉(zhuǎn)移到其他的節(jié)點(diǎn)，在選擇這一部分訂閱時，本文判斷轉(zhuǎn)移操作是否應(yīng)該停止的標(biāo)準(zhǔn)參見公式（8）。

文中采用貪心策略來計算需要遷移的子集，使用DiviPara作為選擇標(biāo)準(zhǔn)，對其進(jìn)行運(yùn)算時需用到公式為：

選擇DiviPara值最大的類別作為需要遷移的子集，直至滿足負(fù)載的均衡的要求。使用公式（9），對節(jié)點(diǎn)內(nèi)類別進(jìn)行排序，轉(zhuǎn)移類別至待接收的節(jié)點(diǎn)，直至達(dá)到負(fù)載均衡的要求。對于待接收節(jié)點(diǎn)，可以選擇和待遷移類別相關(guān)性最大的節(jié)點(diǎn)。

4 實驗

本節(jié)將給出基礎(chǔ)的發(fā)布訂閱算法的實驗驗證結(jié)果。實驗時使用3臺計算機(jī)來搭建分布式環(huán)境，3臺計算機(jī)的參數(shù)配置為：1臺內(nèi)存為8GB，處理器為Intel（R） Core（TM） i5-8400 2.8GHz，2臺Inter（R） Celeron（R） CPU 1007U 1.5GHz，4GB內(nèi)存。每個處理器為單核CPU。該分布式環(huán)境由研究者自行設(shè)計，計算機(jī)系統(tǒng)使用Ubuntu18.04，分布式系統(tǒng)使用zookeeper和storm組件進(jìn)行搭建，涉及到的聚類節(jié)點(diǎn)僅選擇2個，匹配節(jié)點(diǎn)為4個。

實驗數(shù)據(jù)采取的是網(wǎng)站http：//www.pocketgpsworld.com/上的數(shù)據(jù)，選擇了網(wǎng)站中大約10萬條數(shù)據(jù)。這些數(shù)據(jù)僅僅可用作發(fā)布的事件信息，本文使用事件信息生成相應(yīng)的訂閱信息，方法如下：首先規(guī)定訂閱的數(shù)量，本文選擇為事件數(shù)量的0.01倍;緊接著隨機(jī)生成該數(shù)量的訂閱，方式為每一個訂閱隨機(jī)選擇一個事件，訂閱的屬性集合取該事件的隨機(jī)屬性子集，訂閱的空間位置選擇以該事件為中心，經(jīng)緯度隨機(jī)擴(kuò)大的一定數(shù)量為訂閱的空間位置。這樣做就是希望訂閱和事件的匹配結(jié)果數(shù)盡量多。方便更新相關(guān)性。

本文對實驗過程中的參數(shù)定義如下：公式（3）中，平衡屬性相似性和空間相似性的參數(shù)α=0.5。節(jié)點(diǎn)內(nèi)類別融合和節(jié)點(diǎn)間的類別融合的判斷閾值merge=1，聚類節(jié)點(diǎn)中網(wǎng)格的間隔設(shè)置為5，匹配節(jié)點(diǎn)中網(wǎng)格的間隔設(shè)置為2，新類別生成的閾值NewTh=0.5，類別負(fù)載均衡的次數(shù)為2，由事件平均分配，即如果總共10萬條事件，每進(jìn)行5萬條則轉(zhuǎn)入負(fù)載均衡判斷。

首先，驗證相似性和相關(guān)性是否能夠優(yōu)化聚類操作，從而提升事件和訂閱的匹配速度。提供3種算法來進(jìn)行對比，分別為：

（1）僅僅使用不包含頻數(shù)的相似性來進(jìn)行聚類操作，使用Sim-NonFre來表示。

（2）使用包含頻數(shù)的相似性來進(jìn)行聚類操作，使用Sim-Fre表示。

（3）同時使用包含頻數(shù)的相似性和相關(guān)性來進(jìn)行聚類操作，使用Sim-Fre-Co來表示。

針對這三種算法，測量的數(shù)據(jù)為事件經(jīng)過空間篩選和屬性篩選后，被分配的類別平均數(shù)量。測量的時機(jī)分別為：

（1）事件流和訂閱流同時存在的過程，該過程從0開始，即從接收到的第一個事件和訂閱開始，同時進(jìn)行數(shù)據(jù)的訓(xùn)練和匹配操作，結(jié)果如圖4所示。

（2）僅僅存在事件流的過程，此時訂閱聚類過程已經(jīng)結(jié)束，數(shù)據(jù)訓(xùn)練完成，僅僅存在匹配過程，結(jié)果如圖4所示。

在圖4中，訓(xùn)練過程表示事件流和訂閱流同時存在，訓(xùn)練結(jié)束表示訓(xùn)練完成，僅僅進(jìn)行事件流的研究。事件需要進(jìn)行匹配的平均類別數(shù)量使用Sim-NonFre結(jié)果最多，Sim-Fre結(jié)果居中，Sim-Fre-Co結(jié)果最少，即使用帶頻率的相似性和相關(guān)性相比較于普通的相似性有效地減少了事件需要進(jìn)行匹配操作的類別數(shù)量。對比訓(xùn)練過程和訓(xùn)練結(jié)束，訓(xùn)練完成后單純進(jìn)行匹配操作時，事件被分配的類別增加，因為同時進(jìn)行訓(xùn)練和匹配操作，有一些事件發(fā)布后，尚未對其給予訂閱關(guān)注，隨后才有訂閱關(guān)注該事件，使得事件需要進(jìn)行更多的匹配操作。

隨后，驗證類別融合策略的數(shù)據(jù)傳輸量。本文將提供訓(xùn)練過程中DataTra的結(jié)果，分別給出僅僅使用節(jié)點(diǎn)內(nèi)的類別融合（使用InNode表示）和同時使用節(jié)點(diǎn)內(nèi)類別融合和節(jié)點(diǎn)間的類別融合的數(shù)據(jù)傳輸量（InAndBetNode表示）。實驗結(jié)果如圖5所示。同時使用節(jié)點(diǎn)內(nèi)融合和節(jié)點(diǎn)間融合的數(shù)據(jù)傳輸量InAndBetNode從訓(xùn)練初期就處于上升階段，但是此后類別將逐漸下降。僅僅使用節(jié)點(diǎn)內(nèi)類別融合的數(shù)據(jù)量InNode，由于僅僅使用節(jié)點(diǎn)內(nèi)數(shù)據(jù)融合，類別的分布不合理，使得類別融合操作次數(shù)一直居高不下。

接下來，將驗證類別融合策略的效果。本節(jié)擬給出2種算法進(jìn)行對比，分別是：本文的DRt-Cluster算法，Chen等人[13]的發(fā)布訂閱算法，Chen等人[13]的研究使用kd-tree作為聚類算法，所以本文使用kd-tree表示該算法。本文將提供事件的吞吐量進(jìn)行對比，對比結(jié)果如圖6所示。經(jīng)過事件和訂閱的訓(xùn)練之后，單單進(jìn)行事件的匹配過程和訂閱的增刪過程來驗證類別的聚類結(jié)果和在匹配節(jié)點(diǎn)上的分布結(jié)果，使用tran/sec表示。由圖6可知，本文的DRt-Cluster算法的吞吐量略高于kd-tree算法。

最后，本文研究了DRt-Cluster算法負(fù)載均衡操作前后，數(shù)據(jù)的吞吐量變化，實驗結(jié)果如圖7所示。經(jīng)過負(fù)載均衡操作后，類別的分布更加均勻，數(shù)據(jù)的吞吐量獲得一定的提升。

5 結(jié)束語

本文首先詳細(xì)介紹了發(fā)布訂閱系統(tǒng)，采取混合屬性的應(yīng)用方法，提出了相似性和相關(guān)性這2種聚類算法中的判斷參數(shù)，設(shè)計并實現(xiàn)了一個單處理器上的即時發(fā)布訂閱算法，隨后設(shè)計一個分布式的系統(tǒng)，并且將即時的發(fā)布訂閱算法部署其上提出了與其相適應(yīng)的負(fù)載均衡策略，最后通過實驗驗證其效果。

參考文獻(xiàn)

[1]LI G， WANG Y， WANG T， et al. Location-aware publish/subscribe[C]// ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Chicago：ACM SIGMOD Record， 2013：802-810.

[2]HU Huiqi， LIU Yiqun， LI Guoliang， et al. A location-aware publish/subscribe framework for parameterized spatio-textual subscriptions[C]// IEEE 31st International Conference on Data Engineering. Seoul， South Korea：IEEE， 2015：711-722.

[3]WANG Xiang， ZHANG Ying， ZHANG Wenjie， et al. AP-Tree： Efficiently support continuous spatial-keyword queries over stream[C]// ICDE Workshops 2015. Seoul， South Korea：IEEE，2015， 6（1）：1107-1118.

[4]CHEN L， CONG G， CAO X. An efficient query indexing mechanism for filtering geo-textual data[C]// ACM SIGMOD International Conference on Management of Data. New York：ACM， 2013：749-760.

[5]WANG X， ZHANG Y， ZHANG W， et al. Skype： Top-k spatial-keyword publish/subscribe over sliding window[J]. Vldb Journal， 2017， 26（3）：301-326.

[6]YU Minghe， LI Guoliang， FENG Jianhua. A cost-based method for location-aware publish/subscribe services[C]//Proceedings of the 24th ACM International on Conference on Information and Knowledge Management. New York：ACM，2015：693-702.

[7]CHEN Lisi， CONG Gao， CAO Xin， et al. Temporal Spatial-Keyword Top-k publish/subscribe[C]// IEEE 31st International Conference on Data Engineering.Seoul， South Korea：IEEE， 2015：255-266.

[8]AJI A， WANG Fusheng， VO H， et al. Hadoop-GIS： A high performance spatial data warehousing system over mapreduce[J]. Proceedings of the VLDB Endowment， 2013，6（11）：1009-1020.

[9]ELDAWY A， MOKBEL M F. SpatialHadoop： A MapReduce framework for spatial data[C]// IEEE 32nd International Conference on Data Engineering. Helsinki， Finland： IEEE， 2016：1352-1363.

[10]AKDOGAN A， DEMIRYUREK U， BANAEI-KASHANI F， et al. Voronoi-based geospatial query processing with MapReduce[C]// 2010 IEEE Second International Conference on Cloud Computing Technology and Science. NW Washington，DC： IEEE Computer Society， 2010：9-16.

[11] NISHIMURA S， DAS S， AGRAWAL D， et al. Md-HBase： A scalable multi-dimensional data infrastructure for location aware services[C]// 2011 12th IEEE International Conference on MDM. Lulea， Sweden：IEEE， 2011，1： 7-16.

[12]ALY A M， MAHMOOD A R， HASSAN M S， et al. AQWA： Adaptive query-workload-aware partitioning of big spatial data[J]// Proceedings of the VLDB Endowment，2015，8（13）：2062-2073.

[13]CHEN Zhida， CONG Gao， ZHANG Zhenjie， et al. Distributed publish/subscribe query processing on the spatio-textual data stream[C]// IEEE International Conference on Data Engineering.San Diego， CA， USA：IEEE， 2017： 1095-1106.