10 1109@MNET 2018 1700169 en Id
10 1109@MNET 2018 1700169 en Id
KID Model-Driven Hal-Edge-Cloud Computing Paradigma Data Lalu Lintas sebagai Layan
Bowen Du, Runhe Huang, Zhipu Xie, Jianhua Ma, dan Weifeng Lv
saya P endahuluan
Dengan pertumbuhan eksponensial dalam jenis dan jumlah perangkat
IOT seperti sors nirkabel sen-, kendaraan cerdas, dan kamera Untuk tujuan ini, dalam artikel ini, kami mengusulkan
pengintai, sejumlah besar dan berbagai data dapat ed akan pengetahuan-informasi-data (KID) driven TDaaS tepi
mengumpulkan, yang merupakan manfaat besar dalam industri dan komputasi (TEC) paradigma untuk TDaaS. Ide utama TEC
kehidupan sehari-hari. Penggunaan data ini tidak hanya membantu adalah bahwa dengan memanfaatkan komputasi edge dan
mengoptimalkan sistem transportasi, tetapi juga mendukung layanan menyediakan lingkungan komputasi terdistribusi untuk aplikasi
data lalu lintas dalam cara yang dinamis. Namun, untuk memahami dan layanan host-ing, beban komputasi dari server awan
status real-time dari sistem lalu lintas, seperti pola bergerak, tidak bersama, sehingga menghilangkan transmisi utama dan
hanya data mentah, tetapi juga algoritma data mining yang hambatan komputasi untuk platform cloud-satunya . Selain itu,
diperlukan. risiko kebocoran privasi berkurang. Paradigma yang diusulkan
mirip dengan tepi ponsel komputasi, sebuah karya net- konsep
Baru-baru ini, komputasi awan telah muncul sebagai arsitektur layanan data yang memungkinkan awan dan tepi
paradigma komputasi terkemuka. Ini mendukung akses mand komputasi di tepi data pekerjaan net-. Namun, untuk
on-de- ke sejumlah besar data dan sumber daya komputasi yang memungkinkan TEC bekerja automat- ically, mesin penemuan
disediakan oleh perorangan- perorangan dan organisasi setiap pengetahuan dan fusi diperlukan untuk meningkatkan
saat dan dari mana saja melalui Internet. Data lalu lintas-Kebaktian kerjasama antara tepi dan komputasi awan. Model KID [8]
(TDaaS) [1] bertujuan untuk menyediakan layanan data adalah mesin kognitif yang dapat digunakan untuk Lisan ing
menggunakan data terpadu dan pengetahuan menyatu dari data yang masuk, baik permintaan layanan dan data
berbagai sumber untuk sistem lalu lintas cerdas. Hal ini didasarkan penyediaan. Hal ini memungkinkan aliran data, informal
pada konsep ing comput- transparan [2], yaitu, memungkinkan mation asimilasi, dan bahkan fusi pengetahuan. KID terdiri dari
pelayanan lalu lintas tanpa perlu mengetahui bagaimana data tiga tingkat transparan untuk layanan tepi dan server cloud.
terintegrasi atau bagaimana pengetahuan telah ditemukan oleh Ada dinamis
pemohon data dan penyedia data [3].
V
saya NFORMASI
VV
KID d terbelah
Sumber D ata mengumpulkan
tec c omputIng p ArAdIgm untuk td A A s Sumber data 2 Sumber
TDaaS [1] adalah sistem tujuan berorientasi yang transparan data 1 data 3
Al
ba
go
ru
r itm
da
la
a
Ko tpu
ak
sa t d
ou
na
os
ka ari
m
ak
en
ta
at
Seperti Gambar. 3 menunjukkan, model KID tertanam di
do
a
m lgo
ya
ro
en ri
ng
ng
server tepi. Triple pengetahuan < Vocabu- lary, Grafik, Algoritma >
A
en tm
de
fin
tu a
isi
di K-toko yang diambil untuk mendukung tiga proses kognitif,
ka
n
ka toh
in
yaitu, interpretasi, asimilasi, dan Instansiasi. Oleh karena itu
pu
sa con
ta
da t
data yang diubah menjadi informasi, dan selanjutnya menjadi
Ko ng
n
m ya
la fik
ra
n
ka
ke dal
en
ita
en
t
En
G raph SEBUAH lgorithm memiliki pekerja layanan yang memberikan layanan langsung
m
ta
ka
memperkaya Grafik server tepi lainnya tidak diperlukan. Artinya, perangkat IOT
misalnya misalnya
masa depan adalah klien transparan yang dapat menjadi
Garis bujur URL: algoritma / vehicleSpeedEstimation / Masukan
pengumpul data dan penerima layanan dalam mode
GPSSensor # 001
139.0011
Demo: {nilai-nilai: [ pemrosesan lokal. Dalam mode ini, data yang cessing pro dan
Lintang
penyediaan jasa dilakukan com- pletely lokal tanpa melalui
embeddedOn
dilayani oleh
{Ing: 139.0011, lat: 39,0022, t: 08.081.322}]} Keluaran Internet ke awan.
39,0022 Demo:
Taxi # 002
EdgeServer # 003
{Nilai: [{t: 08081322, kecepatan: 36,5}]}
• pengetahuan langsung ke awan untuk berbagi atau ke Selain itu, parameter algoritma untuk menentukan rentang waktu dan jalan
K-toko lokal untuk fusi. bagian untuk pengedaran yang dibutuhkan
klien
Lingkungan Hidup Data perilaku
Data Video
layanan data Kendaraan
pengaruh
Data sebagai layanan
acara
pekerja layanan
D
kondisi lalu Sejarah distribusi D-toko
lintas real arus lalu Streaming
parsing
time lintas file data
HDFS
mining
1000
500
800
400
600
300
200 400
100 200
di Internet (Mb)
0
130.1 247,4 385,1 515,9 639,2 763,5 930,1 0
130.1 247,4 385,1 515,9 639,2 763,5 930,1
Ukuran Data (Mb)
Ukuran Data (Mb)
(Sebuah)
(B)
120
TC1 TC2 TEC KID-TEC
2
TEC KID-TEC
1,8
100
1,6
1.4
80
1.2
60 0.8
0,6
0,4
40
20
Penggunaan CPU (%)
0,2
Retrieval latency (s)
0
10.000 20.000 30.000 40.000 50.000 60.000 70.000
0
130.1 247,4 385,1 515,9 639,2 763,5 930,1 Entitas dalam grafik pengetahuan lokal
(C)
ers. Data diubah menjadi pengetahuan sebelum transmisi ke rithm diimplementasikan dalam Python dan terkandung dalam
awan. Proses ini mengurangi beban komputasi awan. sandbox Python oleh Anaconda sehingga dependensi dapat
ditransmisikan bersama dengan kode. sandbox menggunakan 54
Mb.
d ata d escrIptIon
Ada lima jenis data yang dikumpulkan dalam tem sistematis: e xperIments
lokasi GPS, catatan jalan raya lulus, vid- eos, peristiwa, dan Tiga Server 2012 sistem Windows 64-bit (12 CPU, 128 GB
data cuaca. lokasi GPS dan data video adalah data yang memori utama) yang digunakan untuk sim- Ulating server tepi.
kompleks, dan untuk menangani mereka, kapasitas tinggi dan Sebuah Tecent Cloud (https: // cloud.qq.com/) Server
kinerja tinggi sistem yang diperlukan untuk memenuhi digunakan sebagai awan. Metode yang diusulkan
persyaratan real-time. Untuk lokasi GPS, model yang kompleks dibandingkan dengan model komputasi awan tanpa server
diperlukan untuk menghubungkan dan mencocokkan mereka di tepi. Untuk sim- ulate kamera video surveillance dengan
jalan. Sekitar 1000 kendaraan melewati ruas jalan; karenanya, kemampuan tational Compu-, smartphone dengan sistem
jutaan catatan harus diproses karena ada ribuan ruas jalan. operasi Android dimanfaatkan. Lebar jaringan band- dalam
Sebuah kamera pengintai dengan 720 P (1280 × 720) jaringan area lokal adalah 128 Mb / s. algoritma terkait
memproduksi sekitar 42 GB video per hari, yang dikirim ke dilaksanakan dengan Java menggunakan OpenCV untuk
server tepi sebagai data streaming. Untuk memperkirakan pemrosesan video.
kinerja TEC KID-driven yang diusulkan, percobaan simulasi
mengambil file video mulai dari sekitar 100 MB sampai 1 GB Dalam TEC, kamera pengintai hanya bertanggung jawab
dalam ukuran. Pengetahuan diekstrak dari video ini tidak untuk mengumpulkan dan trans- mitting data mentah. Tepi
terstruktur. server diterima dan diproses aliran video dan kemudian
menemukan pola yang bergerak berbeda yang disebabkan
oleh kecelakaan lalu lintas. Berikutnya, server tepi ditransfer
Untuk algoritma, algoritma pemrosesan video kami hasil ke awan sebagai pengetahuan.
menghitung jumlah kendaraan di setiap frame. Menggunakan
kerangka OpenCV, tion func- ini pertama mengakui latar belakang Percobaan dianggap narios berikut sce- (Gambar 6.):
dan kemudian mengambil keluar daerah bergerak, yang harus cles
vehi-. algoritma morfologi juga diterapkan untuk menghilangkan • perangkat IOT mengumpulkan data yang kemudian trans- mitted
gangguan yang disebabkan oleh kebisingan. algo- The ke awan, yang berkaitan dengan data untuk pengambilan
keputusan (TC1).