摘要

車聯網（IoV）是車載自組織網絡和智能交通系統的演進形式，其核心目標是充分利用網絡中各類傳感器生成的數據價值。車聯網通過集中式云架構和分布式霧計算基礎設施進一步增強功能，車輛與環境產生的海量數據有望支撐多樣化服務，這些服務能從數據的多樣性和高速性中獲益。本文聚焦邊緣節點數據，旨在實現可被各類車聯網安全及非安全應用調用的霧計算服務，重點分析車聯網環境下提供上下文感知服務面臨的挑戰。為應對這些挑戰，本文提出一種面向傳統車聯網架構霧層的數據分析框架，可在網絡邊緣提供上下文感知的實時、近實時及批量處理服務。最后，通過車聯網環境中的多個實際應用場景，驗證了該框架的適用性。

1、引言

高效的交通系統對提升國家生產力至關重要。據估計，人們在道路上花費的時間正持續增加。然而，對交通系統的這種高度依賴也帶來了諸多挑戰：首先，道路車輛數量的不斷增長導致交通擁堵日益嚴重，而擁堵會增加燃油消耗，成為全球大城市空氣污染的主要來源之一；其次，擁堵還引發了諸多安全問題，如交通事故風險上升。交通系統的運行效率對國家經濟實力起著關鍵作用，因此需要有效的技術來解決這些固有挑戰。

近年來，車載自組織網絡（VANETs）取得了顯著進展。車聯網（IoV）作為車載自組織網絡的最新發展成果，使網絡中的每個實體都能接入互聯網，與其他實體共享信息。車聯網通過車對車（V2V）、車對基礎設施（V2I）、車對傳感器（V2S）、車對人（V2H）、車對設備（V2D）以及基礎設施對基礎設施（I2I）等通信模式，賦予車輛、基礎設施和人類連接、計算及處理能力，從而促進它們之間的深度交互。隨著技術的不斷進步，車聯網有望為車輛、駕駛員和乘客提供前所未有的安全保障和便捷服務，例如事故預警、空車位通知、餐廳折扣券推送、危險路段警示、應急車輛提醒、互聯網及多媒體共享、交通信號燈管控和道路安全信息發布等。

目前已有多種技術用于構建所需的基礎設施，以收集、處理和分析生成的數據，進而實現數據驅動的智能決策。車載云計算（VCC）已賦能智能交通系統（ITS），支持從安全保障到交通管理等一系列不同應用。該模式要求將車輛和環境中的所有傳感數據傳輸至集中式云平臺。云計算與智能交通系統的融合提供了存儲、處理和分析海量數據所需的基礎設施，車載云計算還能為交通擁堵管理、交通預測等不同應用協調各類服務。這些應用需與集中式云平臺交互以使用所提供的服務，該模式為基于長期數據的服務提供了良好平臺。然而，這種集中式架構難以應對對延遲敏感的應用，如交通信號燈管理、車輛跟蹤、道路安全信息發布、事故預警、應急車輛提醒、商業廣告推送、備選路線規劃等。相比之下，霧計算采用分布式云模型，能夠滿足對延遲敏感的應用需求。在該模式中，所有傳感數據由車輛和環境附近指定的霧服務器收集。為減少延遲并提高能源效率，數據僅需經過一跳即可進行處理和分析。不同區域的所有霧服務器各自協調服務，以支持各類對延遲敏感的應用。圖 1 展示了一個實際運行的數據驅動智能系統，該系統收集數據并進行分析，為車聯網的不同應用提供有用的分析結果。

圖1、數據驅動的智能系統

在車聯網中，上下文感知起著至關重要的作用。車聯網的一個重要方面是使實體能夠感知周圍環境狀況，尤其是那些與自身高度相關的狀況。上下文具有多樣性，取決于多種屬性，如車輛所有者的應用需求、偏好和社會關系、車輛型號、時間、位置以及傳感器數據等。脫離上下文的車聯網應用可能會給車聯網系統的實體帶來極大不便。例如，向城市內的車輛提供高速公路的限速信息，或者向醫院停車場的車輛推送商場的空車位信息，這些都屬于脫離上下文的情況，可能會給駕駛員帶來困擾。

已有多項研究致力于為物聯網（IoT）提供基于集中式云的數據驅動智能框架，但針對車聯網系統的相關研究還較為匱乏。因此，本文旨在通過以下貢獻填補文獻中的空白：

· 強調車聯網環境下提供上下文感知服務所面臨的挑戰；

· 提出一種面向霧計算基礎設施的上下文感知數據智能框架，通過擴展傳統車聯網架構的霧層，支持對延遲敏感的車聯網應用；

· 通過實際應用場景，驗證所提框架的適用性。

本文的組織結構如下：第二部分討論相關研究工作；第三部分闡述傳統車聯網架構；第四部分重點分析其面臨的挑戰；第五部分詳細介紹所提出的數據驅動智能框架；第六部分呈現相關應用場景；最后，第七部分對全文進行總結。

2、相關工作

車聯網作為一個新興領域，已受到學術界和工業界眾多研究人員的關注。數據驅動智能對于充分發揮車聯網在安全和非安全應用中的潛力至關重要。文獻綜述表明，為確保車聯網系統的效率、可靠性和可用性，上下文感知數據不可或缺。本節總結了關于車載網絡上下文感知應用、服務、架構以及挑戰和解決方案的文獻綜述。

在現有文獻中，已有多項研究致力于提供數據驅動的智能車載應用。文獻 [5] 提出了數據驅動智能交通系統（D2ITS），該系統利用從多種來源收集的數據，是傳統智能交通系統（ITS）的演進形式。數據驅動智能交通系統的組件包括先進的公共和城市交通系統、車輛控制和管理系統以及出行者信息系統。此外，數據驅動智能交通系統可分為視覺驅動型智能交通系統、多源驅動型智能交通系統和學習驅動型智能交通系統。視覺驅動型智能交通系統基于車載目標檢測傳感器生成的數據，適用于不同的自動駕駛應用；多源驅動型智能交通系統利用全球定位系統（GPS）、激光雷達等多個來源生成的數據，支持交通預警系統等不同應用；學習驅動型智能交通系統結合實時數據和歷史數據來預測未來事件，采用不同的學習機制以有效預測未來預警信息。另一項研究從數據管理的角度對車載網絡進行了全面綜述，識別了車載網絡中的數據管理任務及相關挑戰，并詳細介紹了上下文、數據相關性計算、數據分發與聚合以及查詢處理等內容。這些研究強調了車載網絡中數據驅動智能的潛力及相關問題，但未考慮云計算、霧計算和車聯網等最新趨勢。

已有許多研究探討了數據智能在物聯網環境中的一般作用。Ahmed 等人綜述了大數據分析在物聯網系統中的作用，詳細介紹了大數據分析的最新進展以及相關平臺和解決方案，還闡述了物聯網環境的一般需求和實現數據驅動智能面臨的開放研究挑戰，并評估了包括智能交通在內的部分物聯網應用，以凸顯大數據分析的潛在優勢。類似地，Qin 等人從數據中心的角度對物聯網進行了研究，綜述了物聯網中數據流處理、存儲模型、事件處理和搜索等方面的最新技術。然而，這些研究僅綜述了大數據分析在物聯網中的潛力，并未提供實現這些優勢的框架。文獻提出了一種以數據為中心的框架，用于支持基于云的物聯網應用開發。該框架由三個組件組成：數據源管理器、云管理器和應用管理器。數據源管理器與多個數據源交互，并為應用提供接口；云管理器負責根據應用需求提供資源并監控云的性能；應用管理器則幫助用戶在云中執行其應用。然而，這些研究要么僅關注物聯網的一般需求，要么主要集中在集中式云解決方案上，并未針對車聯網場景。

基于車載云計算的研究主要側重于基于集中式云服務器收集的車載數據實現數據驅動智能。Sookhak 等人綜述了當前的云計算技術，討論了車載網絡的分類法，并在車載云計算的背景下分析了這些技術。此外，作者還介紹了一般架構、安全和密鑰管理問題以及潛在的車載應用，并指出了基于上下文的路由移動性和不穩定通信鏈路等開放研究問題。文獻提出了一種基于物聯網的車載數據云架構，通過車載云為客戶提供按需服務。該分層架構利用基于面向服務架構（SOA）的云服務，整合了各種可供用戶使用的信息和通信服務。面向服務架構還通過整合各種中間件系統，抽象了實現細節。此外，研究認為，這些基于面向服務架構的服務通過組織、聚合和打包不同的業務應用服務，簡化了開發人員創建新應用的過程，并指出了相關的未來挑戰和機遇。這些研究僅部分滿足了車聯網的需求，因為它們僅關注集中式云服務器上的數據驅動智能。

已有少數研究涉及物聯網環境中的分布式數據驅動智能。霧計算模式旨在通過在各種網絡邊緣部署霧節點，創建大型分布式云服務。霧節點可以具有不同的配置和能力。在物聯網中應用霧計算模式具有諸多優勢，如減少延遲、提高效率和靈活性。Bonomi 等人探討了基于霧計算的大數據分析實現顛覆性商業模式的潛力，討論了幾個物聯網應用場景，以說明霧計算的需求，并提出了一個高層軟件架構來實現不同的應用，該架構包括三個層：抽象層、服務協調層和應用層。抽象層通過提供抽象 API 整合異構物聯網設備；協調層包含一個霧節點代理（Foglet），作為資源管理器、用于存儲策略和其他數據的分布式存儲以及用于傳遞資源管理和服務協調消息的消息總線；應用層提供數據和控制 API，使應用能夠利用分布式數據存儲并定義部署配置。另一項研究討論了提供以消費者為中心的物聯網服務的一般架構。這些研究涵蓋了基于霧計算的數據驅動智能，但僅部分滿足了車聯網的需求。

已有少數文獻將霧計算模式應用于車載網絡。研究簡要探討了聯網車輛的案例研究，以強調基于霧計算的語義數據分析如何為車輛的發現和管理提供服務。文獻 [16] 將車輛視為霧節點，提出了車載霧計算的概念，并考慮了移動車輛和停放車輛作為霧計算模式的基礎設施單元等不同應用場景，但同時也強調了在實現一些有用應用之前需要解決的各種開放挑戰。Zhang 等人考慮將計算任務卸載到本地霧服務器，以減少延遲并提高可擴展性，并提出了一種基于區域協作霧計算的智能車載網絡（CFC-IoV），用于在智慧城市環境中管理車聯網生成的大數據。另一項研究遵循軟件定義網絡（SDN）模式，提出了一種新的基于霧計算的車載自組織網絡架構，以便以低延遲提供預處理服務。類似的研究將車輛視為物聯網資源，但僅簡要提及了數據相關層。文獻還為車聯網提出了一種基于發布 / 訂閱（Pub/Sub）的霧計算架構。另一篇綜述論文綜述了霧計算在車聯網中的作用，并基于 lambda 架構提出了一種抽象架構，該架構還通過基于領域的語義本體進行了增強。這些研究更多地關注實現霧計算的一般架構，并未詳細涉及以數據為中心的智能實現。

已有不同作者在車載自組織網絡的背景下研究了上下文感知和內容中心網絡（CCN）。Wan 等人提出了一種支持移動云的車載網絡多層上下文感知架構，將上下文感知信息物理系統的應用和服務分為三個計算層：車輛層、位置層和云層。在車輛計算層，車輛需提供關于車輛傳感器、環境、駕駛員和乘客的數據；在位置計算層，路邊設備（RSE）可以與車輛的車載設備（OBE）交換上下文感知信息，這種信息交換有助于生成實時信息（如交通信息）。除了提出架構外，作者還分析了兩個服務組件（如車載社交網絡和上下文感知車載安全），并通過動態停車服務的上下文感知應用場景示例，對所提出的架構進行了評估。由于車載自組織網絡中節點的高度移動性，上下文感知對于內容生成和消費起著至關重要的作用。Duarte 等人分析了結合內容中心網絡、浮動內容（FC）和軟件定義網絡的方法在自適應車載自組織網絡架構中的效率，以適應周期性連接、變化的節點密度和移動模式，確保高服務質量（QoS）。本文的主要貢獻是通過分析影響基于內容中心網絡和浮動內容的內容分發的因素，并研究利用車輛中的 Wi-Fi 和長期演進（LTE）等技術減少內容檢索時間，強調軟件定義網絡在車載自組織網絡中確保網絡中優化內容分發的潛力。

已有研究人員探索了車載自組織網絡中的上下文和社會關系管理。Nassar 等人概述了與車載自組織網絡相關的上下文感知處理和通信網關，討論了車載自組織網絡的上下文感知系統架構，以及在車載自組織網絡中知識查詢和信息分發所面臨的挑戰。上下文感知車載自組織網絡系統分為智能分發層、上下文處理層和上下文收集與建模層，智能分發層用作向節點分發相關信息的機制，選擇合適通信的因素包括服務類型和服務與節點上下文的相關性。類似地，Shin 和 Byun提出了一種社會使能器（S-Enabler），并將其應用于車輛，以實現上下文感知和節能服務。設計了一種社會使能器的中間件架構，該架構包括六個管理模塊：上下文管理模塊、協作管理模塊、社會管理模塊、會話管理模塊、服務管理模塊和知識庫。作者還提出了一種基于社會行為的節能算法，對車輛節能性能的評估實驗表明，該算法可使燃油消耗減少 31.7%。

基于現有文獻，在大數據、物聯網、車聯網和霧計算領域已開展了大量研究工作。然而，在提供上下文感知和對延遲敏感的服務方面仍存在空白。本文旨在通過提出一種在車聯網環境中實現上下文感知數據驅動智能的框架，填補這一空白。

3、傳統車聯網架構

車聯網是一個新興領域，有潛力利用物聯網、大數據分析、無線通信、安全和非安全應用以及安全等各種最先進的概念。近年來，已有一些研究致力于開發通用的車聯網架構，為該領域的未來研究提供總體參考框架。通用車聯網架構包括數據源層、通信層、霧層、云層、應用層和安全層。圖 2 展示了通用車聯網架構的簡化版本。

圖2、傳統的物聯網架構

架構的每個層負責執行特定任務：在數據源層，從各種傳感器（如車輛傳感器和集成到路邊單元（RSUs）中的環境傳感器）收集數據；通信層負責系統不同實體（如車輛、路邊單元、乘客、駕駛員、行人和云等）之間的數據傳輸；霧層的主要職責之一是通過車聯網中不同實體生成的海量數據，提供基于霧計算的分布式架構，以確保所需的可擴展性；云層提供執行復雜計算、存儲海量數據的資源，并為系統級決策提供支持；應用層負責通過車對車、車對基礎設施、車對傳感器、車對人以及車對設備通信提供安全和非安全應用；最后，安全層負責在整個車聯網架構中保障數據安全。

本文旨在探索車聯網系統中霧層的能力，通過提出一種支持對延遲敏感應用的框架，確保在車聯網環境中提供上下文感知服務。

4、車聯網面臨的挑戰

由于車聯網系統的動態特性和實時數據需求，其面臨著各種挑戰。目前正在進行多項研究以提高車聯網系統的整體效率。通過對文獻的全面綜述，總結出車聯網系統在設計、開發和部署過程中面臨的以下主要挑戰：

4.1 異構性和互操作性

車聯網系統涉及車輛、路邊單元以及駕駛員和乘客的手持設備等系統中不同實體之間的通信。系統的每個實體都需要不同的通信方案，并且能夠生成不同類型的數據。例如，在車對基礎設施通信中，如果車輛能夠通過蜂窩技術（如 2G、3G 或 4G 等）進行通信，而路邊單元只能通過專用短程通信（DSRC）進行通信，那么由于通信技術不兼容，可能無法進行通信。類似地，在車對車通信中，即使車輛支持專用短程通信，如果一輛車發送的數據由于車輛制造商使用的加密技術不同而無法被另一輛車識別，那么這些車輛之間仍然無法進行通信。由于車聯網具有可擴展性和動態特性，網絡預計將顯著增長，出現不同的節點，這些節點在通信協議、安全算法、數據共享機制和其他支持技術方面可能存在差異。因此，需要一種機制使異構實體能夠相互交互。

4.2 實時數據

車聯網系統的主要要求之一是在其不同實體之間分發和收集實時數據。在某些情況下，在分發和收集數據之前，需要對數據進行實時分析，以確保采取適當的行動。例如，搭載危重病人前往醫院的救護車需要實時交通信息，以避開擁堵路段，確保病人及時送達醫院。在這種情況下，交通信息數據傳輸的輕微失誤可能導致救護車陷入交通擁堵，進而危及病人的生命。在車聯網中，大多數安全和非安全應用需要在云中進行數據分析，這取決于多種因素，如可用帶寬、云處理能力、計算和存儲能力、加密算法的復雜性以及數據量等。車聯網系統需要一種有效的技術來確保實時數據傳輸，以支持對延遲敏感的應用。

4.3 上下文感知

車聯網的一個重要特性是使車輛具備上下文感知能力，即能夠感知周圍環境，尤其是那些高度相關的環境。車聯網中的上下文感知始于通過車載傳感器或環境傳感器收集數據，將這些傳感信息轉換為高層上下文信息，最后基于這些上下文信息采取行動。例如，在智能車輛中，安裝在駕駛員座椅上方的攝像頭可能會持續監控駕駛員，通過利用駕駛員面部表情計算駕駛員疲勞程度的算法來測量駕駛員的疲勞水平。然后，來自攝像頭（傳感組件）的這些信息通過收集車輛速度、道路類型、車輛運動和車距等其他信息，轉換為高層上下文信息，最終向駕駛員發出警報或建議駕駛員休息。車聯網中的上下文感知非常有用，因為它可以幫助駕駛員了解自己的駕駛行為，通過提供交通流量較少的路線來提高燃油效率，使當局能夠管理停車位，并在人口稠密的城市地區執行交通規則。車聯網系統需要系統的上下文感知過程，以確保自主實體的有效決策。

4.4 服務質量（QoS）

車聯網支持基于車對傳感器、車對車和車對基礎設施通信的大量應用。這些應用在延遲、吞吐量和抖動等方面具有不同的服務質量要求。所需服務質量的提供取決于多種因素，如車輛速度、附近車輛密度、應用的數據需求、源位置、所涉及通信技術的特性以及處理需求。例如，對于僅需要來自車輛中對等（P2P）連接傳感器數據的應用，很容易滿足其實時需求。然而，對于需要來自多跳之外源數據的應用，提供服務質量具有很大挑戰性。此外，所涉及通信技術的異構性進一步加劇了滿足服務質量要求的難度。對于具有高服務質量要求的車聯網應用，服務質量的提供變得極具挑戰性，例如，一些應用要求低延遲，但需要處理來自多個來源的視頻數據。所有這些挑戰使得車聯網中服務質量的提供成為一項艱巨的任務。數據驅動的智能框架需要考慮各種應用的這些不同服務質量要求，以幫助這些應用高效運行。

4.5 數據質量

車聯網中以數據為中心的應用假設數據質量將達到可接受的水平，從而確保其有效性。由于多種原因（如數據源問題、不可靠的通信鏈路、噪聲等），車聯網中生成的數據容易出現錯誤。數據源可能由于技術原因發生故障，導致數據不準確。這些數據可能會嚴重影響應用的結果，并增加安全應用中發生嚴重事故的可能性。通信技術的異構性可能會對數據的端到端可靠性產生負面影響，車聯網以數據為中心的框架需要考慮這一點。為了解決與噪聲相關的問題，文獻中已有多種解決方案，這些解決方案通過分析數據來檢測和消除不同類型的噪聲。智能車聯網框架可能會根據應用的上下文和服務質量要求，通過減少數據維度來提供盡力而為的方法。

5、提出的數據驅動智能框架

車聯網具有高度的可擴展性，其節點能夠動態改變網絡拓撲。然而，由于車聯網的獨特特性，設計數據分析框架面臨著一系列獨特的挑戰。高速移動的車輛需要快速計算和處理信息，不能有任何延遲，以避免通信失誤，這不僅會給請求信息的實體帶來嚴重不便，也會影響相關的其他實體。由于車聯網中的實體具有高度動態性，信息的上下文至關重要，因為上下文的輕微變化可能導致向道路上的車輛提供不適當的信息。圖 3 展示了所提出的用于車聯網上下文感知應用和服務的數據驅動智能框架。該框架是圖 2 所示傳統車聯網架構霧層的擴展。本節詳細介紹了架構各層的職責。此外，圖 4 提供了所提出的數據驅動智能框架的整體視圖，以更好地理解框架各層的工作原理。

圖3、擬議的數據驅動智能框架

圖4、所提出的數據驅動智能框架的整體視圖

5.1 數據收集層

該層負責在車聯網系統的霧層收集數據，例如路邊單元，這些單元可以提供計算、處理、存儲和網絡服務。在車聯網系統中，可以從車輛、道路傳感器以及駕駛員、乘客和行人的手持設備等不同來源收集數據。除了從傳感器收集的數據外，該層還負責從其他對等源（如相鄰的路邊單元）收集數據，必要時還從云中收集數據。從其他來源收集的數據類型可以包括駕駛員檔案、車輛詳細信息、交通信息、天氣數據、空車位信息和備選路線等。在此階段的上下文獲取過程基于來源、傳感器類型及其職責，從收集的數據中評估上下文信息。在圖 3 所示的提出框架中，數據預計由霧節點（如路邊單元）收集，并保留至進一步處理。此外，所提出的框架要求霧節點基于上下文收集數據。
框架提出的基于霧計算的分布式信息收集有助于減輕每個霧節點的負擔，并最終減輕整個系統的負擔。每個霧節點負責動態更新收集的數據。可以組合來自霧節點的信息，為系統實體提供上下文信息。值得注意的是，霧單元的數據收集層與典型車聯網架構的數據源層不同。兩者的主要區別在于，車聯網架構的數據源層負責來源的物理特性（如車輛和環境傳感器），而數據收集層更多地是一個容器，用于存儲從傳感器、手持設備以及有時從云獲取的數據。

基于所提出框架提供的上下文的數據驅動智能有助于系統從各種來源智能地收集數據，確保減輕負擔，并為整個車聯網系統提供更好的效率。數據收集層通過不同的協議從各種來源收集數據，如表 1 所示。

表 1、物理世界層的協議

5.2 預處理層

該層負責數據過濾（提取）、修剪、重建和建模。在所提出的數據驅動智能框架中，該層被認為極其重要，因為它從數據收集層收集原始數據，并為上層分析數據并將其轉換為有意義的信息提供特定方向。以下是該層提供的功能細節：

5.2.1 過濾（提取）

預處理層的主要職責之一是從數據收集層收集的大量數據中過濾數據。在車聯網中，實體向系統提供的數據可用于各種類型的安全和非安全應用。預處理層的過濾組件確保根據向系統請求數據的應用或服務提取相關數據。從收集的大量數據中過濾或提取數據，通過為特定應用和服務提供僅相關的數據，簡化了分析、存儲和通信過程。

5.2.2 修剪

在預處理層中，至關重要的是從收集的數據中修剪不必要的信息，以避免由于霧單元的計算、處理、存儲和通信能力有限而導致資源的冗余利用。預處理層的修剪組件確保避免重復、不完整和有缺陷的數據。合并重復數據以獲得最新信息；重新請求不完整和有缺陷的數據，以避免信息不準確。修剪是預處理層過濾組件的后續步驟，因為它僅修剪與請求應用相關的已過濾或提取的數據。

5.2.3 重建

為了使框架的分析層能夠分析數據，數據應具有完整性、清潔性、無錯誤性和上下文相關性。預處理層的重建模塊通過以分析層可讀取的方式重建修剪后的數據，確保為分析層提供準確的信息。該模塊還有助于分離實際所需的數據、元數據以及實際數據所需的任何附加信息。

對上下文信息進行建模，以了解其細節，如車聯網實體的屬性及其相互關系。使用不同的建模方法（如鍵值對、對象、圖形對象、基于本體的建模和混合上下文建模）進行上下文信息建模。鍵值對方案是最簡單的建模形式，具有靈活性且易于理解，但不適用于解釋具有關系的復雜結構。基于對象的方案使用面向對象的原則將上下文分類為類，并定義車載實體之間的關系。該方案需要驗證規范，可能會增加推理階段的復雜性。圖形對象方案更進一步，使用可擴展標記語言（XML）來解釋車聯網系統的不同對象。基于本體的建模創建上下文的語義本體，使用資源描述框架（RDF）和網絡本體語言（OWL）等語義本體語言來表示上下文。這種建模技術更復雜，被數據庫和語義網用于為車聯網系統提供所需的互操作性。然而，其復雜性可能會阻礙其在資源受限的霧節點上的應用。混合建模使用多種建模方案，以充分利用每種建模技術的優勢。車聯網的霧節點根據其能力選擇建模方案。

預處理層的目的是使從數據收集層收集的原始數據對上層有用。在車聯網中，由于系統的高度動態性，預計需要快速高效地分析數據，因此數據的過濾、修剪和重建至關重要。圖 5 展示了一個場景，進一步強調了預處理層在車聯網系統中的作用。

圖5、基于物聯網場景的預處理層角色

車聯網中的霧節點從車輛、行人、駕駛員、乘客和相鄰的霧節點收集大量數據。然而，并非所有應用都需要所有收集的數據，因此預處理層在數據過濾中起著至關重要的作用。如果分析層根據應用的請求需要某個區域的交通信息，預處理層將通過過濾、修剪和重建所需數據，向分析層提供所需信息。例如，提取模塊從車輛中提取車輛速度、車輛詳細信息和全球定位系統坐標；從路邊單元中提取運動傳感器讀數、全球定位系統坐標和交通燈狀態；從行人設備中提取行人信息、全球定位系統坐標和手持傳感器讀數，排除參與實體的所有其他不必要數據。然后修剪提取的數據，以去除提取數據中的任何重復或錯誤。在圖 5 所示的場景中，全球定位系統坐標重復出現，因此從數據中修剪掉。然后將修剪后的數據傳遞給重建模塊，該模塊以上層可理解的方式重組和建模數據。在這種情況下，重建模塊根據應用的請求向分析層提供交通信息描述。表 2 列出了框架預處理層的功能以及相應的數據收集實體。

表 2、數據預處理層的功能

5.3 分析層

該層實現了基于霧計算的系統的主要目標，即在網絡邊緣實現數據智能。這種智能通過分析實現，可以支持中間節點上對延遲敏感和對延遲容忍的應用。該層接收的數據由其他層收集和預處理，并準備好進行分析。此外，當前的上下文信息也被傳輸到該層。基于通用 lambda 架構，我們假設在該層執行三個級別的數據分析：實時分析、近實時分析和批量分析。霧節點的能力決定了它是否能夠支持所有類型的分析。

5.3.1 實時分析

實時分析對于霧節點至關重要。每個霧節點都需要支持某種形式的實時分析。實時分析有助于對延遲敏感的應用，這些應用需要在特定時間內完成必要的復雜處理。有許多車聯網應用需要這樣的服務質量，例如安全應用。例如，霧節點可以協助自動駕駛汽車對周圍攝像頭的視頻進行復雜處理，以判斷是否有行人即將從街道上出現。實時分析是對數據流中的元素進行的，這些元素需要實時處理以從中獲取有用信息。實時處理受到可用主內存等約束的限制，這些約束決定了是否更傾向于使用滑動窗口進行近似處理，而不是精確解決方案。實時分析采用不同的算法來估計基數、分位數和矩、計算逆序數、查找子序列、路徑分析、異常檢測、發現時間模式分析、數據預測、聚類和圖分析。表 3 展示了這些算法的示例，并將輸出與不同的車聯網應用相關聯。基數估計算法（如 Hyperloglog）用于分析數據集并計算其中的唯一元素；一些算法用于估計資源受限節點的分位數；矩估計算法用于估計不同元素的頻率；使用逆序數計數器和異常檢測器等算法發現數據流中的逆序和異常；一些算法用于發現交通中的模式和子序列，如時間模式檢測器和子序列評估器；基于圖分析的算法分析動態圖，以確定有用的車聯網信息，如確定不同節點之間的路徑、找到當前交通的頂點覆蓋；實時預測算法從數據流中創建聚類、預測缺失值和流的大小。

表 3、實時分析算法

5.3.2 近實時分析

近實時分析需要的數據時間跨度可達數秒或數分鐘。依賴這些分析的應用（如復雜事件處理（CEP）應用）由于其數據需求，可以容忍一定時間的延遲。它使用與實時分析類似的算法，但基于從多個來源收集的歷史數據。例如，交通信號燈控制應用需要過去一分鐘內進出道路的車輛數量數據，以決定何時更改交通信號燈。這些分析的結果比實時分析更精細，能夠提供霧節點附近更全面的情況。分析后的數據根據數據大小，在緩存（使用內存緩存（Memcached）和遠程字典服務（Redis））或本地數據庫中存儲一段時間后再丟棄。

5.3.3 批量分析

由于批量分析對處理和內存要求較高，只有少數功能強大的霧節點能夠執行批量分析。批量分析支持需要附近數小時至數天歷史數據的應用。例如，可以向進入霧節點附近的每個用戶共享道路施工相關信息。類似地，道路交通管理應用可以根據過去一小時的趨勢更新交通信號燈調度算法。這些分析可以利用先進的機器學習技術，如深度學習和深度強化學習（DRL），以提供更復雜的分析。工業界和開源社區開發了許多實時流處理引擎，如 Apache Spark、Storm、Flink 和 Samza，用于處理基于霧計算的批量分析。使用這些平臺的主要優勢包括即使數據無序或某些值缺失，也能提供可靠的分析，并且可以在處理器和霧節點之間分配處理任務，以提供所需的可擴展性。這些平臺是為基于云的實時批量分析設計的，但也可以在功能強大的霧節點上運行。

5.3.4 上下文推理

所有級別的分析都對接收和建模的上下文信息進行推理，以提取有用信息，從而增強分析效果。為了進行推理，首先驗證建模的上下文信息，檢查是否存在缺失數據和異常值。然后，融合不同實體提供的上下文信息，以從中獲得更可靠和更高層次的推斷。在最后階段，采用特定的推理技術分析融合后的信息，以獲得高層上下文信息 [38]。有多種推理方案可用，如模糊推理、k 近鄰算法、樸素貝葉斯分類器、概率推理、監督學習和無監督學習。推理階段是聚類和模式匹配等算法的關鍵。例如，一天中的特定時間、汽車的型號和狀況以及駕駛員的過往記錄，可以表明檢測到的駕駛員不安全駕駛行為是否會持續。除了從車輛、駕駛員和環境收集的上下文信息外，霧計算分析還能夠聯系其他霧節點和云，以獲取關于特定車輛或駕駛員的已存儲上下文信息。

5.4 服務層

服務層負責存儲、管理分析結果，并將其暴露給車聯網應用。數據分析層將其分析結果和上下文信息傳遞給服務層。服務層對接收的數據進行分析和分類。如果根據數據的上下文信息需要創建新的服務來暴露數據，則服務層創建新服務并更新其服務注冊表；否則，將數據與現有服務相關聯進行存儲。

有兩種最流行的向用戶暴露服務的方法：基于面向服務架構的 Web 服務和基于表述性狀態傳遞（REST）的 Web 服務。基于面向服務架構的 Web 服務使用簡單對象訪問協議（SOAP）XML 消息，并提供事務可靠性。然而，基于表述性狀態傳遞（RESTful）的 Web 服務更加靈活，在使用標準的 GET、PUT、POST 和 ｄｅｌｅｔｅ 方法暴露服務時，提供多種數據格式。因此，我們主張使用表述性狀態傳遞 Web 服務向應用層暴露數據。服務層還執行服務組合，為應用提供增值服務。

5.5 應用層

應用層運行著大量具有不同服務質量要求的應用。這些應用可以使用推送、拉取或發布 / 訂閱策略從服務層消費 Web 服務。推送策略要求服務層直接向應用推送更新；而基于拉取的應用則自行從服務層拉取信息；發布 / 訂閱策略允許應用訂閱其感興趣的內容，然后向訂閱者列表通知服務更新。這些應用可以分為基于實時、近實時和批量數據需求的應用。表 4 展示了一些基于霧計算的應用及其服務質量要求和用戶。實時應用需要實時服務質量，如計算卸載和安全應用。這些應用尋求霧節點的幫助，以協助它們執行復雜處理，如來自多個來源的視頻處理。推送和發布 / 訂閱策略適用于這些應用。近實時應用能夠容忍一定的響應延遲，如路線規劃應用、自適應交通信號調度應用。拉取或發布 / 訂閱策略適用于這些應用。例如，即使在知道下一個路口出現擁堵方面存在一些延遲，路線規劃應用也能以所需的效率運行。基于批量數據需求的應用需要與附近相關的一些歷史數據，因此在延遲方面具有較低的服務質量要求。這些應用的示例包括每小時信號規劃器和本地商店優惠廣告商。這些應用主要依賴基于拉取的策略從服務層獲取數據。

表 4、基于霧計算的應用和用戶

6、應用場景

所提出的上下文感知和數據驅動框架允許霧節點收集、分析和推理車聯網中多源收集的數據。該框架可以支持多個應用。本節討論了由上下文感知的霧計算服務增強的應用場景。

6.1 實時應用場景

伊恩每天下午 5 點左右駕駛智能汽車下班回家，行程需要 45 分鐘。在忙碌了一天后，他正駕車回家。突然，他收到了汽車的減速通知，于是他按照提示減速。片刻之后，他看到一個孩子追逐著球，意外地從一條街道跑到了馬路上。由于車速減慢，他及時完全停了下來，避免了事故的發生。

在下一個交通信號燈處，他注意到他的路線根據網絡反饋進行了更新。路線規劃應用告知他，路線更新是因為一輛送貨卡車在路上拋錨，可能導致突發擁堵。在離家還有幾英里的地方，他收到了當地一家加油站的廣告，該加油站提供加滿油免費洗車的服務。由于他的車需要加油，他決定利用這個優惠。

在這個場景中，三個基于霧計算的應用被用于確保用戶的安全、效率和便利性。孩子的突然出現是由認知霧服務基于從當地街道攝像頭收集的數據和汽車的上下文信息進行實時分析預測的。用戶的應用將霧服務的反饋與汽車的位置和速度相結合，避免了即將發生的事故。動態路線規劃應用基于來自霧服務的上下文信息，實時獲取道路狀況更新，根據卡車的緩慢移動和道路上的車輛數量識別擁堵模式。基于霧計算的廣告應用得到了霧計算服務的支持，該服務了解車輛的燃油狀態，以便在用戶經過加油站之前，根據用戶的當前上下文向其推送廣告。

6.2 近實時應用場景

迪拜市中心是迪拜最繁忙的地區，在工作高峰期交通流量最大。駕駛員長時間面臨交通擁堵，該地區由于交通繁忙，事故頻發。除了交通信號燈外，迪拜道路和交通管理局（RTA）還必須定期派遣交通管理員，以緩解交通流量。在有應急車輛的情況下，由于交通擁堵，情況會變得更糟，應急車輛常常陷入擁堵，有時會造成嚴重不便。

迪拜道路和交通管理局決定使用利用霧計算單元的自適應交通信號管理系統。在該地區的每個交通信號燈處部署霧計算單元，以收集和存儲車輛的全球定位系統坐標和運動傳感器讀數。收集到的信息經過預處理，過濾出所需信息，然后由分析層進行分析。基于對存儲和收集的數據的分析，自適應交通信號管理應用將交通信號燈的狀態從紅色變為綠色，反之亦然。交通流量大的道路的交通信號燈變為綠色的頻率高于交通密度小的道路。交通信號燈根據霧節點中存儲的過去數小時（有時是過去幾天同一時段）的數據進行分析，調整其運行模式，以緩解交通流量。類似地，自適應交通信號管理應用設計為全天優先考慮應急車輛。即使某個交通信號燈處的交通密度較低，當有救護車接近時，該交通信號燈也會給予最高優先級。

采用利用霧計算節點的自適應交通信號管理系統，幫助迪拜道路和交通管理局有效管理道路交通，避免了長時間的交通擁堵和頻繁的事故。

7、結論

新技術的出現推動了聯網車輛模式的發展，該模式提供了一系列實時安全和其他應用。這種連接性有助于車輛與可用網絡基礎設施之間的協作，以生成和共享數據。這些多樣化的用戶和上下文數據有潛力為決策提供信息。車載云計算中傳統的集中式云智能提供了處理大數據分析、存儲和管理所需的能力。然而，由于多跳通信造成的延遲，它無法滿足新型應用的實時或近實時需求。這些新型應用（如自適應信號調度和安全應用）需要實時或近實時響應。由于車聯網實體的高度移動性，這些需求在車聯網系統中變得更具挑戰性。所提出的數據驅動框架通過在車聯網架構的霧層基于上下文收集、預處理和分析數據，解決了這些問題。分析后的數據通過表述性狀態傳遞 Web 服務提供給應用。該框架采用基于推送、拉取或發布 / 訂閱的服務消費策略，以支持基于實時、近實時和批量數據的車聯網應用。

（添加微信號NewCarRen咨詢）