.

توسعه چارچوبی مبتنی بر رایانش ابری برای تحلیل انطباق نقشه داده های خودروهای شناور (بخش سوم)

می دانیم جستجوی تمامی شبکه برای یافتن یال های کاندیدای هر نقطه GPS امری زمان بر و پرهزینه است. لذا نیاز است بخش کوچکی از شبکه راه ها برای شناسایی یال های کاندیدا انتخاب شوند. یکی از رویکردهای انتخاب مناطق کاندیدا رویکرد ایجاد حوزه اطراف نقطه و انتخاب یال های متقاطع با محدوده حوزه است که این روش به علت هزینه های پردازشی روش مناسبی نیست

توسعه چارچوبی مبتنی بر رایانش ابری برای تحلیل انطباق نقشه داده های خودروهای شناور (بخش سوم)

تعیین یال های کاندیدا

می دانیم جستجوی تمامی شبکه برای یافتن یال های کاندیدای هر نقطه GPS امری زمان بر و پرهزینه است. لذا نیاز است بخش کوچکی از شبکه راه ها برای شناسایی یال های کاندیدا انتخاب شوند. یکی از رویکردهای انتخاب مناطق کاندیدا رویکرد ایجاد حوزه اطراف نقطه و انتخاب یال های متقاطع با محدوده حوزه است که این روش به علت هزینه های پردازشی روش مناسبی نیست.
برای این منظور از شاخص بندی مکانی ایجاد شده در مرحله پیش پردازش استفاده می کنیم، لذا در عملیات جستجوی منطقه کاندیدا هیچ گونه پردازش اضافی به سیستم تحمیل نمی شود. 
در این روش برای یافتن مناطق کاندیدا نیاز است تنها سلول هایی از شاخص مکانی که فاصله نقط GPS از مرکز آنها از یک حد آستانه کمتر است را بیابیم.
این حد آستانه مشابه روش قدوس و ولاگا با توجه به حداکثر خطای موقعیت یابی 40 متری در مناطق متراکم شهری (صحت موقعیتیابی دوبعدی در 95% اوقات) 2√40 (به صورت تقریبی 60 متر) انتخاب شده است. 
بعد از یافتن سلول های کاندیدا یال هایی که درون این سلول ها واقع شده اند و یا از این سلولها گذشته اند به عنوان یال های کاندیدا فراخوانی شده و در لیست یال های کاندیدا قرار می گیرند. در گام بعدی یال های تکراری از این لیست حذف می شوند.

وزن دهی یال ها و نقاط کاندیدا و محاسبه سطح اطمینان

در تحقیقات پیشین انجام شده بر روی تحلیل انطباق نقشه وزن مبنا، گوناگونی برای وزن دهی استفاده شده است. این قیود به دو دسته قیود هندسی و توپولوژیک دسته بندی می شوند. 
استفاده از قیود توپولوژیک مانند بررسی اتصال یا گردش ممنوع در محاسبات وزن دارای یک نقص عمده است. اگر نرخ نمونه برداری داده پایین باشد، در فاصله میان دو نقطه، خودرو ممکن است از چندین یال عبور کرده و بر روی یالی قرار داشته باشد که دیگر به یال قبلی متصل نیست. 
بدینترتیب وزن نقطه حقیقی کاهش یافته و الگوریتم دچار اشتباه می شود. از طرفی اطلاعات حاصل از قیود هندسی همیشه برای تعیین موقعیت صحیح خودرو بر روی شبکه راه ها کافی نیست.
لذا در این الگوریتم و با هدف پاسخ به چالش نرخ نمونه برداری متغیر در تحلیل انطباق نقشه ما روشی نوین ارائه کرده ایم. در این روش ابتدا وزن نقاط کاندیدا به کمک قیود هندسی تعیین شده و نقطه دارای بیشترین وزن به عنوان نقطه کاندیدای اصلی انتخاب می شود. 
سپس سطح اطمینان برای نقطه کاندیدای اصلی تعیین می شود. برای محاسبه سطح اطمینان و روبرو شدن با چالش عدم قطعیت موجود در موقعیت تعیین شده برای نقطه از روشی مشابه روش هاشمی و کریمی استفاده شده است.
در روش پیشنهادی ما در صورتی که سطح اطمینان هر نقطه بیشتر از k2 داشته باشد نقطه به عنوان نقطه نهایی انتخاب می شود. اما اگر سطح اطمینان مقداری بین K1 و K2 اتخاذ کرده باشد مسیرهای کاندیدای حرکت خودرو بازسازی شده و قید اختلاف کوتاه ترین مسیر برای تصمیم گیری نهایی مورد استفاده قرار می گیرند. 
بدین ترتیب قید اختلاف کوتاه ترین مسیر تنها در مواقع عدم اطمینان کافی به نتایج به کارگیری می شود. بدین ترتیب در کنار بهبود صحت تحلیل انطباق نقشه در نرخ های نمونه برداری متفاوت، با کاهش گام های محاسبات وزن، سرعت عملکرد روش پیشنهادی نیز نسبت به روش اولیه بهبود می یابد.
درصورتی که پس از به کارگیری اختلاف کوتاه ترین مسیر مقدار سطح اطمینان همچنان کمتر از k2 باشد الگوریتم تنها در صورتی نقطه کاندیدا را به عنوان نقطه حقیقی انتخاب می کند که بهترین نقطه کاندیدا در فرآیند محاسبات مجدد وزن تغییری نکرده باشد. 
در غیر این صورت الگوریتم موقعیت نقطه را ثبت نکرده و آخرین وضعیت آن را به روزرسانی نمی کند. علت این امر هم عدم اطمینان کافی از صحت انتخاب بهترین نقطه کاندیدا است.

قیود وزن دهی

پیچیده ترین و زمانبر ترین گام در تمامی الگوریتم های انطباق نقشه گام وزن دهی است. در پژوهش حاضر، ما مشابه روش های گرینفیلد، قدوس و همکاران و ولاگا و همکاران، دو قید هندسی همسایگی مکانی و شباهت میان زاویه جهت گیری و راستای یال کاندیدا را به عنوان دو قید نخست وزن دهی انتخاب نموده ایم.
همانطور که پیش از این نیز بیان شد یکی از اهداف الگوریتم ارائه شده سازگاری با نرخ های نمونه برداری متفاوت است. در بسیاری از تحقیقات پیشین استفاده از قیود توپولوژیک مانند تحلیل اتصال یا بررسی گردش ممنوع برای وزن دهی MM استفاده شده است.
این در حالی است که در شرایط نرخ نمونه برداری پایین استفاده از قیود توپولژیک منطقی نیست. گرینفیلد و قدوس ثابت نموده اند که شباهت در جهت گیری قید مهم ترین نسبت به همسایکی مکانی است. 
بدین منظور می توان برای بهبود دقت انطباق نقشه یک جهتی دیگر برای وزن دهی به محاسبات وارد نمود. هاشمی و کریمی از شباهت میان خطر واصل میان دو نقطه GPS متوالی با راستای یال استفاده نموده است. 
نقص عمده این قید همبستگی با قید شباهت میان زاویه جهت گیری و راستای یال کاندیدا است. بدین منظور ما در این مقاله از شباهت میان زاویه حامل میان راستای دو نقطه قرائت شده متوالی و راستای نقطه منطبق شده قبلی با نقطه کاندیدا استفاده نموده ایم. در ادامه این قیود به تفصیل بررسی خواهند شد.

چارچوب تحلیل انطباق نقشه مبتنی بر فناوری های رایانش ابری

معماری هدوپ و الگوی نگاشت کاهش

هدوپ یک پروژه متن باز از آپاچی است که راه حل هایی برای پردازشی توزیع یافته، مقیاس پذیر و مطمئن ارائه می کند. دو جزء اصلی در هدوپ، فایل سیستم توزیه یافته هدوپ (HDFS) و روش برنامه نویسی نگاشت کاهش است که در این پژوهش هر دو این اجزا به کارگیری شده اند.
همچنین در چارچوب پیشنهادی از عامل فلوم و اوزی به عنوان دو عضو دیگر از اکوسیستم هدوپ استفاده شده است. نگاشت-کاهش یک فناوری انقلابی در پردازش و تحلیل داده ها و یکی از محبوب ترین فناوری ها در زمینه داده های بزرگ است. 
نگاشت-کاهش محاسبات را به دو عملیات کلیدی دسته بندی می کند: تابع نگاشت که مسئول تقسیم مجموعه داده بزرگ به زیر مجموعه ها و پردازش هر کدام از ان ها به صورت مستقل است و تابع کاهش که نتایج حاصل از نگاشت را تجمیع و ادغام می کند. 
یک کار نگاشت-کاهش از چندین فرایند مانند جداسازی و توزیع داده ها، نگاشت و کاهش کدها و نوشتن نتایج بر روی فایل سیستم توزیع یافته تشکیل شده است. 
تابع نگاشت داده ورودی را به زوج های کلید-مقدار تقسیم کرده و خروجی هر وظیفه نگاشت توسط کلید آن مرتبط سازی می شود. تابع کاهش مقادیر را تجمیع کرده و خروجی نهایی حاصل می شود. 

فایل سیستم توزیع یافته هدوپ (HDFS)

HDFS یک فایل سیستم ذخیره سازی توزیع یافته برای ذخیره سازی و انتقال مطمئن حجم بسیار بالایی از داده های ساختار یافته یا غیر ساختار یافته بر روی خوشه های رایانشی است. 
در HDFS فایل ها به بلوک هایی با ابعاد ثابت تقسیم شده و این بلوک در سطح گره های پردازشی پخش می شوند. چنین معماری به سیستم اجازه می دهد که بلوک های یک فایل را بر روی گره های متعددی ذخیره سازی کند. 
یکی از نقایص اصلی در فایل سیستم های سنتی از دست رفتن داده به علت بروز مشکل در یک گره است که HDFS با نسخه برداری از هر بلوک در گره های متعدد این مشکل را حل نموده است.
بر روی کارساز اصلی HDFS (گره نام) برای هر داده ابر داده ای ذخیره شده است که نشان می دهد داده شامل چه بلوک هایی است و هر کدام از این بلوک ها در کدام بخش از خوشه ذخیره سازی شده اند. 

معماری عمومی چارچوب تحلیل انطباق نقشه مبتنی بر فناوری های رایانش ابری

همان طور که پیش از این نیز بیا شد داده های FCD به صورت پیوسته در حال ارسال به سوی یک کارساز مرکزی هستند. با در نظر گرفتن تعداد خودروها و نرخ های نمونه برداری می توان گفت در هر ثانیه حجم بالایی از داده های FCD در حال مخابره به کارساز مرکزی است. 
با توجه به کاربردهای متعدد FCD، کارساز مرکزی باید بتواند این حجم داده های بزرگ را به صورت آنی دریافت، مدیریت، ذخیره سازی و پردازش کند. همچنین این داده ها را می توان پس از تجمیع بر روی کارساز مرکزی، برای کاربردهای بالادستی ITS مورد پردازش قرار داد. 
اما مدیریت، تحلیل و پردازش چنین حجم بالایی از داده ها یک چالش اساسی است. زمانی که حجم داده از حد مشخصی فراتر رود ذخیره سازی و مدیریت این داده ها امری پرهزینه و زمانبر است. به علاوه پردازش حجم بالایی از داده ها نیازمند منابع قدرتمند پردازشی است که این امر نیز نیازمند هزینه های گزاف جهت خرید و نگهداری زیرساخت های حجیم رایانشی است. 
لذا ذخیره سازی، پردازش و تحلیل داده های FCD در سکوهای سنتی چالشی برزگ محسوب می شود. برای پاسخ به این چالش داده های بزرگ FCD در چارچوب ارائه شده از فناوری های رایانش ابری استفاده شده است. 
پیدایش فناوری رایانش ابری راه حلی سودمند، مقیاس پذیر و به صرفه در پاسخگویی به چالش های داده های بزرگ در کاربردهای
حمل و نقلی و مکانی است. 
راه حل پیشنهادی این مقاله برای پاسخ به چالش مذکور تقسیم بندی مجموعه داده بزرگ و معرفی هر قسمت از پردازش به یک رایانه برای افزایش توان رایانشی است. 
بدین منظور ما از الگوی برنامه نویسی نگاشت کاهش بر روی سکوی هدوپ استفاده کردیم. بیانگر معماری چارچوب تحلیل انطباق نقشه پیشنهادی است. داده های خودروهای شناور توسط AVL اندازه گیری شده و توسط فناوری های ارتباطی مانند سامانه های ارتباطی سلولی (3G/4G) به سمت کارساز مرکزی تعیین شده ارسال می شوند. 
کارساز به کمک عامل فلوم آپاچی داده ها را دریافت کرده و در HDFS ذخیره می کند. فلوم یک خدمت مطمئن و توزیع یافته برای جمع آوری، تجمیع و انتقال مؤثر مجموعه داده های بزرگ است. 
معماری فلوم ساده و منعطف است و اساس آن جاری سازی داده است. پایداری و مقاومت در برابر خطا با مکانیسم اطمینان پذیری قابل تنظیم و مکانیسم های بازیابی از خطا از دیگر قابلیت های فلوم است. در چارچوب پیشنهادی برای تنظیم جریان کار نیز از عامل اوزی استفاده شده است. 
اوزی یک نرم افزار تحت وب جاوا است که برای زمان بندی کارهای آپاچی هدوپ استفاده می شود. اوزی چندین کار مختلف را باهم ترکیب کرده و یک واحد منطقی از کارها را ایجاد می کند.

توسعه چارچوبی مبتنی بر رایانش ابری برای تحلیل انطباق نقشه داده های خودروهای شناور
https://www.sid.ir/fa/journal/ViewPaper.aspx?ID=۳۱۶۰۶۹
 
كلمات كليدی: رایانش ابری، محاسبات ابری، راه اندازی رایانش ابری خودرو، امنیت رایانش ابری، اپن استک

مقالات مرتبط

SIGMACloud

SIGMACloud

شرکت سیگما ITID در سال 1383 تاسیس شد. طی 15 سال فعالیت، سیگما عمدتا بر طراحی، توسعه و استقرار پورتال سازمانی، خدمات آنلاین و محصولات و خدمات محاسبات ابری تمرکز داشت. ما به 150+ سازمان و شرکت های بزرگ در ارتباطات مخابراتی، بانکی، پرداخت و صنایع دولتی برای دستیابی به اهداف خود کمک کردیم.