王延松，戚 湧，李千目

（1. 中興通訊股份有限公司 南京研發(fā)中心，江蘇 南京 320100；

2. 南京理工大學 計算機科學與工程學院，江蘇 南京 210094）

多源異構傳感通信大數(shù)據(jù)的融合調度算法

王延松1，戚 湧2*，李千目2

（1. 中興通訊股份有限公司 南京研發(fā)中心，江蘇 南京 320100；

2. 南京理工大學 計算機科學與工程學院，江蘇 南京 210094）

本文研究了在能量受限條件下服務于多種類型的數(shù)據(jù)處理和傳輸?shù)亩嘣串悩嬐ㄐ糯亟煌▊鞲衅鞴?jié)點系統(tǒng)的最優(yōu)大數(shù)據(jù)的融合調度控制問題。傳統(tǒng)方法需要大量關于系統(tǒng)動態(tài)的統(tǒng)計信息，并且求解效率低。使用針對更新幀的李雅普諾夫優(yōu)化技術，本文設計了一種新的在線多源傳感通信大數(shù)據(jù)融合調度算法來克服以上困難。仿真實驗表明所設計算法穩(wěn)定、魯棒，為后續(xù)利用交通傳感器網(wǎng)絡傳輸大規(guī)模數(shù)據(jù)奠定基礎。

多源異構；交通大數(shù)據(jù)；數(shù)據(jù)融合

0 引言

受傳統(tǒng)交通傳感器系統(tǒng)設計機制的制約，單一傳感器系統(tǒng)的探測覆蓋范圍、通信傳輸能力、抗毀性均不能滿足海量數(shù)據(jù)快速、高效分發(fā)的智能交通大數(shù)據(jù)平臺實際需求，因此需建立包含大量微小、低功率和低重量交通傳感器單元的多源異構通信簇系統(tǒng)，該系統(tǒng)作為運行在大數(shù)據(jù)空間環(huán)境的特殊“大數(shù)據(jù)空間感知網(wǎng)絡”，其內(nèi)成員交通傳感器在大數(shù)據(jù)空間使用自組織、自管理技術，網(wǎng)絡化協(xié)同完成一系列大數(shù)據(jù)空間探測任務。一個大的多源異構通信簇包含若干子簇，子簇針對某一交通區(qū)域觀測任務而臨時靈活組織，其內(nèi)交通傳感器成員分為3類：負責指揮協(xié)調群內(nèi)成員交通傳感器的指揮者（Rulers）、攜帶著專用探測設備的大量實施者（Workers）和負責協(xié)調組織指揮者、實施者和匯聚站之間數(shù)據(jù)通信的信使（Messengers）。盡管這些異構的微小交通傳感器有著不同的載荷、角色和職責，但它們都主要依賴太陽能進行數(shù)據(jù)采集、處理和通信，由于交通傳感器的太陽能帆板尺寸的限制，必須在設計這樣的多源異構通信簇系統(tǒng)時考慮能量效率問題。因此，對于多源異構通信簇來說，選擇合適的交通傳感器工作模式，在保證系統(tǒng)穩(wěn)定和能耗約束的條件下，設計交通傳感器工作狀態(tài)的在線大數(shù)據(jù)融合調度算法以最大化時均系統(tǒng)的數(shù)據(jù)接納量等均是亟待解決的問題。

圖1 交通傳感器工作大數(shù)據(jù)融合調度過程示意圖Fig.1 Big data fusion scheduling process for traffic sensors

本文主要針對能量受限約束下交通傳感器工作大數(shù)據(jù)融合調度技術開展研究，交通傳感器工作大數(shù)據(jù)融合調度過程示意圖如圖1所描述。考慮微小交通傳感器能量消耗與供電限制，首先選定交通傳感器工作模式，分別建立多源異構通信簇系統(tǒng)模型和虛擬隊列模型。在此基礎上，采用基于李雅普諾夫優(yōu)化技術的在線大數(shù)據(jù)融合調度算法求解能量受限交通傳感器的工作狀態(tài)調度問題。

1 能量受限微小交通傳感器工作模式分析

考慮到微小交通傳感器特別是信使星的能耗限制、準實時數(shù)據(jù)處理和傳輸能力要求，本文引入占空比（Duty-Cycled）工作模式。該模式已被廣泛應用于無線傳感器網(wǎng)絡和下一代移動通信網(wǎng)絡的非實時數(shù)據(jù)通信。該方式具體操作模式如下：多源異構通信簇系統(tǒng)內(nèi)共有N類數(shù)據(jù)流（如負責多個Workers信息傳輸?shù)腗essenger），每類數(shù)據(jù)隨機到來并按其類別被分別存儲，等待處理和傳輸。如圖2所示，多源異構通信簇按照“幀（Frame）”（或稱更新幀，Renewal Frame）為單位的周期運行，每個幀r開始于一段固定長度的活動周期D，結束于一段非固定長度的休眠周期 []Ir。

圖2 更新幀活動階段、休眠階段時間線示意圖Fig.2 Updating frame activity phase and sleep phase time line

在第r幀的開始，多源異構通信簇系統(tǒng)從多個可選項中選擇一個服務模式 []mr，該服務模式?jīng)Q定在第r幀中服務哪個數(shù)據(jù)流及其數(shù)量，以及帶來的相應能耗。完成數(shù)據(jù)處理和傳輸后，多源異構通信簇系統(tǒng)將選擇一段時間 []Ir進行休眠，當休眠結束后，系統(tǒng)恢復工作，新的幀開始。

2 能量受限微小交通傳感器工作大數(shù)據(jù)融合調度模型構建

為了方便問題的分析，需要做以下幾點假設，分別如下：

1. N個交通傳感器節(jié)點按照設計協(xié)議的要求布置在某個交通區(qū)域內(nèi)。如果協(xié)議需要，位于事件區(qū)域的交通傳感器節(jié)點可以形成簇。

2. 交通傳感器節(jié)點保持靜止不動或者按照仿真場景里設計好的軌跡（移動式傳感系統(tǒng)）進行運動。

3. 所有交通傳感器節(jié)點能量有限，電池無法更替，電池消耗完，節(jié)點也隨之死亡。

4. 交通傳感器節(jié)點能夠借助于全球定位系統(tǒng)(GPS)的設備來獲取自己的大數(shù)據(jù)空間位置。

5. 通信是雙向的。

6. 地面匯聚節(jié)點的能量無限大。

7. 對于需要進行時間判斷的協(xié)議，要求所有的節(jié)點時間大致同步。

圖3 隨機流量、流量控制和服務調度下的一個多源異構通信簇系統(tǒng)Fig.3 A multi-source heterogeneous communication cluster system with random traffic, traffic control and service scheduling

如圖3所示，考慮一個有著N類數(shù)據(jù)流的多源異構通信簇系統(tǒng)。每一類數(shù)據(jù)按照一種獨立同分布的隨機過程到達每個交通傳感器，速率分別為λ1,… ,λN。假設存在有限常量λmax，使得對所有類型數(shù)據(jù)有這些數(shù)據(jù)按照類別分別存放在不同的隊列。使用 Qn(t)表示t時刻隊列中累計的第n類數(shù)據(jù)。多源異構通信簇系統(tǒng)在連續(xù)時間內(nèi)運行，因此時間索引t從非負實數(shù)的集合里取值。對于所有的 n ∈ { 1,… ,N }和所有的 t ≥ 0 ，Qn(t)的值都是非負實數(shù)。假設系統(tǒng)開始于 t = 0 時刻，隊列為空，即對于所有 n ∈ { 1,… ,N }有 Qn( 0) = 0。

多源異構通信簇系統(tǒng)在每個幀的開始時刻進行控制決策。第一幀被定義為幀0，開始于時刻0。在每一個幀 r ∈ { 0,1,2,…} 開始，系統(tǒng)選擇控制決策變量c[r]、 m [r]，其中 c[r]∈ { 0,1,… ,N }，表征哪一類數(shù)據(jù)流將會被服務， c[r]= 0 表明沒有數(shù)據(jù)流被服務且?guī)矸浅Ｉ俚哪芰肯模?m [r]∈M，M為服務模式集合?？刂茮Q策決定了所有 μn[r],n ∈ { 1,… ,N}，μn[r]表示在幀r的活動階段中可以被處理的第n類數(shù)據(jù)流量，同時也決定了系統(tǒng)能耗 e[ r]。處理結束后，多源異構通信簇系統(tǒng)從區(qū)間 [ 0,Imax]中選擇一段休眠時間 I[r]，其中 Imax為某個給定的非負值。休眠狀態(tài)下的能耗非常低，甚至可以被忽略。定義T[r] ∈ [ D,D + Imax]為總幀長，上述變量可以使用泛化函數(shù)定義如下：

其中，式（4）（5）在任何控制策略下均成立。

對于任一類數(shù)據(jù)流 n ∈ { 1,… ,N }，流程控制變量γn[ r]∈ [ 0,1]，該變量表示在幀r內(nèi)新隨機到達的第n類數(shù)據(jù)的接納概率。這使得系統(tǒng)能在 Qn無法在數(shù)據(jù)到達速率λn條件下正常處理數(shù)據(jù)時，拒絕第n類數(shù)據(jù)進入隊列。拒絕接納新數(shù)據(jù)時一種常見的情況，無法立即接納的到達數(shù)據(jù)被緩存起來等待之后的接納決策。

最后，對于每一類數(shù)據(jù)流 n ∈ { 1,… ,N }，我們定義 An[r]為第r幀中接納的新到達數(shù)據(jù)，這些數(shù)據(jù)取決于幀的全長(D + I [r])和接納概率 γn[ r]。假設到達向量 ( A1[ r] ,… ,AN[r ])與過去條件獨立，且數(shù)學期望為：

3 工作大數(shù)據(jù)融合調度模型

能量受限的微小交通傳感器工作大數(shù)據(jù)融合調度問題的決策變量分別為其為整數(shù)決策變量， c[r]∈ { 0,1,… ,N }，m[r]∈M，用以決定多源異構通信簇系統(tǒng)在第r幀內(nèi)服務的數(shù)據(jù)流類型、數(shù)量及相應的系統(tǒng)能耗。為連續(xù)決策變量，表示多源異構通信簇系統(tǒng)在第r幀內(nèi)的休眠時間， γn[ r]∈[0,1]表示r幀內(nèi)系統(tǒng)接納第n類新到達數(shù)據(jù)的概率，為簡化計算，本文采用接納/拒絕布爾控制決策，即

多源異構通信簇系統(tǒng)中第n類數(shù)據(jù)幀平均數(shù)據(jù)處理速度為：

多源異構通信簇系統(tǒng)中幀平均新到達第n類數(shù)據(jù)流量為：

平均幀長為：

多源異構通信簇系統(tǒng)中第n類數(shù)據(jù)時均處理速度為：

多源異構通信簇系統(tǒng)接納第n類數(shù)據(jù)的時均速率為：

為使多源異構通信簇系統(tǒng)中所有數(shù)據(jù)隊列保持穩(wěn)定，則每個隊列接納第n類數(shù)據(jù)的時均速率不可超出系統(tǒng)對該類數(shù)據(jù)的服務速率，即：

1. 系統(tǒng)能耗約束

多源異構通信簇系統(tǒng)的幀平均能耗為：

由于多源異構通信簇系統(tǒng)內(nèi)交通傳感器成員能量受限，因此系統(tǒng)時均能耗速率應維持在給定常量P內(nèi)，即：

2. 工作大數(shù)據(jù)融合調度模型

能量受限交通傳感器的工作狀態(tài)調度問題的優(yōu)化目標為最大化時均接納數(shù)據(jù)流量加權和，綜上，能量受限交通傳感器工作大數(shù)據(jù)融合調度模型為：

由于在每幀內(nèi)對能量受限交通傳感器集群系統(tǒng)的控制決策需兼顧系統(tǒng)穩(wěn)定性和系統(tǒng)性能優(yōu)化兩個方面，因此利用李雅普諾夫優(yōu)化中的“漂移加懲罰”（Drift-plus-Penalty）技術將模型[15]的優(yōu)化目標等效替換為：

其中，[]rΔ為能量受限交通傳感器集群系統(tǒng)的李雅普諾夫漂移，用以表征系統(tǒng)內(nèi)數(shù)據(jù)隊列的擁塞程度，即系統(tǒng)穩(wěn)定性； []Fr為能量受限交通傳感器集群系統(tǒng)的李雅普諾夫懲罰，表征要優(yōu)化的目標函數(shù)；V是非負權值，用以控制系統(tǒng)穩(wěn)定性和系統(tǒng)性能優(yōu)化的相對重要程度。

定義虛擬隊列 Qn[r] ,Z[r]， Qn[r]為第r幀時，系統(tǒng)中存儲第n類數(shù)據(jù)虛擬隊列，其更新原則及初始條件如下：

Z[]r為第r幀時系統(tǒng)的總能耗虛擬隊列，其更新原則及初始條件如下：

4 能量受限微小交通傳感器工作大數(shù)據(jù)融合調度算法設計

4.1 基本輸入要素

4.1.1 交通傳感器工作狀態(tài)調度周期

交通傳感器工作狀態(tài)調度周期描述了進行能量受限交通傳感器的工作狀態(tài)調度需考慮的時間范圍，它有兩層含義：

1. 所有多源異構通信簇系統(tǒng)的數(shù)據(jù)傳輸與處理必須在調度周期內(nèi)執(zhí)行；

2. 必須在調度周期內(nèi)最大化系統(tǒng)的時均數(shù)據(jù)接納數(shù)量，盡可能地延遲交通傳感器工作壽命，同時處理和傳輸盡可能多的數(shù)據(jù)。

4.1.2 數(shù)據(jù)流信息

數(shù)據(jù)流信息包括多源異構通信簇系統(tǒng)將接收和處理的數(shù)據(jù)流類型、到達過程描述及交通傳感器對每類數(shù)據(jù)的處理速度等。本文假設每類數(shù)據(jù)按照獨立同分布的伯努利過程隨機到達。

4.1.3 交通傳感器工作狀態(tài)

交通傳感器的工作狀態(tài)可以由如下一些基本屬性來描述：

1. 工作模式

由于在交通區(qū)域探測應用場景中并不需要非常實時的數(shù)據(jù)傳輸和處理能力，考慮到交通傳感器的能量消耗與供電限制，交通傳感器不需要一直處于工作狀態(tài)，本文采用占空比工作模式，多源異構通信簇系統(tǒng)按照“幀”為單位周期運行，幀由固定長度的活動周期和可變長度的休眠周期組成。因此，交通傳感器工作狀態(tài)調度周期可由幀數(shù)量定義。

2. 服務模式集合

交通傳感器有多個可選服務模式，用以決定在一個幀周期內(nèi)該交通傳感器服務的數(shù)據(jù)流數(shù)量及帶來系統(tǒng)能耗。在每幀開始時刻，系統(tǒng)為交通傳感器選擇一個特定的服務模式，在整個幀周期內(nèi)，該交通傳感器均按照此服務模式接收和處理數(shù)據(jù)，在幀切換時，系統(tǒng)為交通傳感器重新選擇服務模式。

3. 服務數(shù)據(jù)流類型集合

服務數(shù)據(jù)流類型決定了交通傳感器按照系統(tǒng)為其選定的服務模式服務哪類數(shù)據(jù)流，可服務數(shù)據(jù)流類型集合為系統(tǒng)中所有數(shù)據(jù)流類型集合。

4. 新數(shù)據(jù)流接納控制決策

4.1.4 交通傳感器平臺

1. 數(shù)據(jù)存儲容量

有效載荷獲取的觀測數(shù)據(jù)首先保存于交通傳感器存儲器中，當交通傳感器獲得數(shù)傳資源后將數(shù)據(jù)下傳至地面。交通傳感器的數(shù)據(jù)存儲容量是制約工作狀態(tài)調度結果的一個重要因素。

2. 交通傳感器平臺的名稱

交通傳感器平臺的名稱主要指星載遙感器所在交通傳感器的名稱。

3. 交通傳感器的軌跡（移動式傳感系統(tǒng)）參數(shù)

交通傳感器的運行軌跡（移動式傳感系統(tǒng)）一般通過6個參數(shù)來描述，即：升交點赤經(jīng)Ω（RAAN，Right Ascension of the Ascending Node），軌跡（移動式傳感系統(tǒng)）傾角i（Inclination），近地點角w（Argument of Perigee），軌跡（移動式傳感系統(tǒng)）長半軸a（Semi-major Axis），軌跡（移動式傳感系統(tǒng)）偏心率e（Eccentricity），及交通傳感器飛過近地點的時刻τ。交通傳感器的軌跡（移動式傳感系統(tǒng)）參數(shù)決定了其在軌運動過程中，與地球之間的相互幾何關系，是計算交通傳感器與地面目標可見時間窗口的直接依據(jù)。

4. 交通傳感器可用電源容量

需要考慮交通傳感器完成交通區(qū)域觀測任務時進行姿態(tài)和軌跡（移動式傳感系統(tǒng)）機動、有效載荷工作等所消耗的電量。

5. 交通傳感器可用燃料

需要考慮交通傳感器完成交通區(qū)域觀測任務時進行姿態(tài)和軌跡（移動式傳感系統(tǒng)）機動所消耗的燃料。

4.2 基本輸出要素

工作狀態(tài)調度的最終輸出結果主要是工作狀態(tài)調度方案，主要包括交通傳感器將接納何種類型的數(shù)據(jù)，服務數(shù)據(jù)的類型、數(shù)量及所耗能源，該交通傳感器的休眠時長。對某顆交通傳感器來說，其分配結果具體可以表示為如下的一個4元組：

4.3 大數(shù)據(jù)融合調度算法

本文采用下述算法求解交通傳感器工作大數(shù)據(jù)融合調度問題。

交通傳感器工作大數(shù)據(jù)融合調度算法在第r幀時，觀察系統(tǒng)當前隊列向量[]rΘ并執(zhí)行如下步驟：1. 數(shù)據(jù)流控制：對于每類數(shù)據(jù)流 {1, ,}n N= … ，按照如下原則選擇流量控制變量 []nr γ ■n ≤ ωn n γ ：1, [] V[] 0, otherwise ifQ r r =■■2. 服務調度：選擇控制行為 [],[],[]crmrIr，以最小化漂移加懲罰比率-∑D+I 3. 更新隊列：對于每類數(shù)據(jù)流 {1, ,}ZrecrmrIr Q r crmrIr r[]([],[],[]) [] ([],[],[])[]? N n n n=1μ? μ 和 []er帶入式（17）（19）來更新虛擬隊列向量 [] ([],[])。n N= … ，使用獲得的流量控制變量 []γ , []nr nr Θr QrZr=

5 算法驗證與分析

本文考慮一個城市隧道交通傳感器節(jié)點系統(tǒng)，根據(jù)多源載荷，共處理10類不同的數(shù)據(jù)，并具有2種不同的處理方式。對于每種類型 n ∈ { 1,2,… ,1 0}，數(shù)據(jù)流量按照獨立的伯努利過程到達。對所有類型的數(shù)據(jù)設置權值 wn= 1 ，即能量受限交通傳感器的工作狀態(tài)調度問題的優(yōu)化目標為最大化總體吞吐。假設 P = 0 .5W，更新幀內(nèi)活動周期 D = 5 0s，休眠周期為 I ∈ [ 0,10]s，交通傳感器系統(tǒng)在休眠狀態(tài)下的能耗忽略不計，即e?(c [ r],m[r],I[r] ) = e?(c[r],m[r ])。對每類數(shù)據(jù)的到達速率λn(Mbps)、處理數(shù)據(jù)流量μn(Mb)、能耗e?n(J)的設置如下表所示：

表1 參數(shù)設置Tab.1 Parameter setting

首先，在1000幀范圍內(nèi)針對不同的控制參數(shù)V對大數(shù)據(jù)融合調度算法進行了仿真。在圖4中，我們給出了系統(tǒng)所達到的平均接納速率。從圖中可知，接納速率隨著V的增長，收斂于最優(yōu)值（實際總體到達速率）1.56212Mbps，并呈現(xiàn)出 o ( 1/V )的變化差距。為了對比，同時仿真了另外一種隨機調度算法，該算法隨機選擇可行的控制決策，并使用簡單的接納策略，在An＞μn時迫使An[r]= 0 ，以保證隊列 Qn的穩(wěn)定。隨機調度算法10000次，最終發(fā)現(xiàn)其作用下的接納速率范圍在1.1978Mbps到1.4574Mbps范圍之間，當V>210時，大數(shù)據(jù)融合調度總體吞吐率大于隨機調度總體吞吐率上界。結果表明，當V足夠大時，我們設計的基于李雅普諾夫優(yōu)化技術的大數(shù)據(jù)融合調度算法能確保更好的數(shù)據(jù)接納率。

圖5給出了1000幀內(nèi)的平均隊列長度及理論平均隊列長度。由圖中可以看出，當V<570時，平均隊列長度呈線性增長趨勢；當V≥570時，隊列長度達到飽和，飽和值即為直接接納所有到達數(shù)據(jù)時的平均隊列長度。

綜上，調節(jié)參數(shù)V可以達到接納數(shù)據(jù)量與隊列長度之間的折中。

圖4 不同V條件下的總體吞吐率Fig.4 Overall throughput under different V conditions

圖5 不同V條件下的平均隊列長度Fig.5 Average queue length under different V conditions

圖6給出了不同V條件下的交通傳感器系統(tǒng)平均能耗速率，可以看出，圖中6種情況下系統(tǒng)均能滿足能耗約束，即平均能耗速率小于能耗門限0.5Watt。隨著V的增加，系統(tǒng)的平均能耗速率減少，這是因為我們設計的交通傳感器狀態(tài)大數(shù)據(jù)融合調度算法通過使虛擬隊列 []Zr穩(wěn)定而保證了整個系統(tǒng)的能耗限制。當V較大時，虛擬隊列變得不太穩(wěn)定，算法將會更頻繁的選擇較長時間休眠周期而降低能耗，因為系統(tǒng)在休眠周期內(nèi)的能耗計算忽略不計。綜上，系統(tǒng)的平均能耗速率將隨著 V和 []Ir的增大而下降。

為驗證大數(shù)據(jù)融合調度算法對突發(fā)到達速率變化的魯棒性。本文設計了兩組到達速率突變的仿真場景，分別為在第350幀至700幀之間將所有類型數(shù)據(jù)的到達速率增加為原值的2倍和4倍。圖7、圖8分別給出了到達速率突變時系統(tǒng)平均吞吐率與平均隊列長度變化示意圖。從圖7，圖8可以看出，當r < 350幀時，所有類型數(shù)據(jù)均可被系統(tǒng)接納，當數(shù)據(jù)到達速率突變時，系統(tǒng)平均隊列長度迅速增加，因此系統(tǒng)頻繁的拒絕接納進入低服務速率的隊列數(shù)據(jù)。當 r=700幀時，數(shù)據(jù)到達速率恢復原值，一些擁塞嚴重的隊列仍在一段時間內(nèi)拒絕接納新的數(shù)據(jù)到達，因此系統(tǒng)平均吞吐率持續(xù)低于原來的值約114幀（數(shù)據(jù)到達速率突變2倍）、125幀（數(shù)據(jù)到達速率突變4倍）后才恢復原值。另外可以得到系統(tǒng)的理論平均隊列長度為579.373 Mb，和數(shù)據(jù)到達速率突變無關。

圖6 不同V條件下的平均能耗速率Fig.6 Average energy consumption rate under different V conditions

為探究權值變化對控制決策與優(yōu)化結果的影響。考慮兩種數(shù)據(jù)類型，其權重設置為 w1= 1 ,w2=2。從圖9可以看出，當V相對較大時，權值將會對控制決策和個體隊列數(shù)據(jù)吞吐率有影響，并且隊列將會按照權值設置分別得到服務，這是因為V表征著系統(tǒng)穩(wěn)定性與優(yōu)化目標的相對重視程度，只有當 V達到一定程度時，優(yōu)化目標才會在算法執(zhí)行中得到明確體現(xiàn)。

6 結束語

本文研究了在能量受限條件下服務于多種類型的數(shù)據(jù)處理和傳輸?shù)亩嘣串悩嬐ㄐ糯亟煌▊鞲衅鞴?jié)點系統(tǒng)的最優(yōu)大數(shù)據(jù)的融合調度控制問題。傳統(tǒng)方法需要大量關于系統(tǒng)動態(tài)的統(tǒng)計信息，并且求解效率低。使用針對更新幀的李雅普諾夫優(yōu)化技術，本文設計了一種新的在線多源傳感通信大數(shù)據(jù)融合調度算法來克服以上困難。仿真實驗表明所設計算法穩(wěn)定、魯棒，為后續(xù)利用交通傳感器網(wǎng)絡傳輸大規(guī)模數(shù)據(jù)奠定基礎。

圖7 到達速率突變時系統(tǒng)平均吞吐率Fig.7 Average throughput of system when the rate of arrival is abrupt

圖8 到達速率突變時系統(tǒng)平均隊列長度Fig.8 Average queue length of system with abrupt change of arrival rate

圖9 當權值變化時個體隊列數(shù)據(jù)吞吐率Fig.9 Throughput of individual queue data when power values change

[1] LIU Lixia, LING Ren, BEI Xiaomeng, GUO Rongwei, et al.coexistence of synchronization and anti-synchronization of a novel hyperchaotic finance system[C]. IEEE Proceeding of the 34thChinese Control conference, Hangzhou, 2015: 8585-8589.

[2] 楊淙鈞, 艾中良, 劉忠麟, 等. 基于多級列式索引的海量數(shù)據(jù)高效查詢設計[J]. 軟件, 2016, 37(3): 79-83

[3] Luis M L, Sara F, Clara G. Complete synchronization and delayed synchronization in couplings[J]. Nonlinear Dynamics.2015, 79(02): 1615-161624.

[4] 鄒積凱. 公安系統(tǒng)應急平臺建設及資源應用研究[J]. 軟件,2016, 37(4): 122-125

[5] GUO Peilin, WANG Yuzhen. Matrix expression and vaccination control for epidemic dynamics over dynamic networks [J]. Control Theory and Technology, 2016, 14(01):39-48.

[6] 李沛然, 蘇衛(wèi)東, 段振華等. 國家電網(wǎng)運營診斷關鍵技術研究與實證分析[J]. 軟件, 2016, 37(01): 127-131

[7] Li QM. Multiple QoS Constraints Finding Paths Algorithm in TMN. INFORMATION. 2011, 14(3): 731-737.

[8] Li QM, Zhang H. Information Security Risk Assessment Technology of Cyberspace: a Review. INFORMATION.2012, 15(11): 677-683.

[9] Li QM, LiJ . Rough Outlier Detection Based Security Risk Analysis Methodology. CHINA COMMUNICATIONS. 2012,9(7): 14-21.

[10] Li, QM; Hou, J; Qi, Y; Zhang, H. The Rule Engineer Model on the high-speed processing of Disaster Warning Information.DISASTER ADVANCES. 2012, 5(4): 1196-1201.

[11] Qianmu Li *, Tao Li, Bin Xia. FIRST: Face Identity Recognition in SmarT Bank. International Journal of Semantic Computing. 2016, 31(2): 1-24.

[12] Jing Zhang, Qianmu Li, & Wei Zhou. HDCache: A Distributed Cache System for Real-Time Cloud Services. Journal of Grid Computing, 2016, 14(3): 407–428.

A Fusion Scheduling Algorithm for Big Data Communication in Multi-source Heterogeneous Sensing Communication

WANG Yan-song1, QI Yong2, LI Qian-mu2

(1. ZhongXing Telecommunication Equipment Corporation, Nanjing R & D Center, Nanjing, 320100;2. School of Computer science and Engineering, Nanjing University of Science and Technology, Nanjing 210094)

This paper studies the scheduling problem of optimal big data fusion for a traffic sensor node system with multi-source heterogeneous communication cluster, which serves various data processing and transmission under the condition of energy constraint. Traditional methods require a large amount of statistical information about system dynamics, and their efficiency is low. Using the Lyapunov optimization technique for updating frames, a new data fusion scheduling algorithm for on-line multi-source sensing communication is designed to overcome the above difficulties. Simulation results show that the proposed algorithm is stable and robust, and lays the foundation for subsequent transmission of large-scale data using traffic sensor networks.

: Multi-source heterogeneous; Traffic big data; Data fusion

TP391

A

10.3969/j.issn.1003-6970.2017.10.006

本文著錄格式：王延松，戚湧，李千目. 多源異構傳感通信大數(shù)據(jù)的融合調度算法[J]. 軟件，2017，38（10）：29-38

國家重點研發(fā)計劃政府間國際科技創(chuàng)新合作重點專項(S2016G9070)；江蘇省重大研發(fā)計劃社會發(fā)展項目(BE2017739)；賽爾下一代互聯(lián)網(wǎng)創(chuàng)新項目(NGII20160122)；中興通訊產(chǎn)學研合作論壇合作項目(2016ZTE04-11)

王延松(1970-)，總工，研究方向：通信網(wǎng)絡；戚湧(1970-)，教授，研究方向：大數(shù)據(jù)處理；李千目(1979-)，教授，研究方向：數(shù)據(jù)挖掘。