.
sigma.cloud
مقالات رایانش ابری

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

در این بخش، نتایج حاصل از پیاده سازی الگوریتم توسعه یافته بر روی چارچوب پیشنهادی مورد ارزیابی بیانگر نمونه ای از داده خط سیر GPS در نرخ های نمونه برداری متفاوت و مسیرهای منطبق شده است

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

پیاده سازی و ارزیابی

داده های مورد مطالعه و محیط پیاده سازی

در این بخش، نتایج حاصل از پیاده سازی الگوریتم توسعه یافته بر روی چارچوب پیشنهادی مورد ارزیابی بیانگر نمونه ای از داده خط سیر GPS در نرخ های نمونه برداری متفاوت و مسیرهای منطبق شده است.
برای ارزیابی نحوه عملکرد چارچوب پیشنهادی، برنامه نویسی الگوریتم به زیان جاوا انجام شده است. همچنین برای ارزیابی حقیقی نحوه عملکرد چارچوب، ما از خوشه پردازشی نانسی در میز آزمایش Grid5000 استفاده کرده ایم. 
Grid5000 یک بستر آزمایشی بزرگ مقیاس و متنوع برای تحقیقات آزمایش مبنا در تمامی زمینه های علوم رایانه با تمرکز بر رایانش موازی و توزیع یافته مانند رایانش ابری و داده های بزرگ است. 
در پژوهش حاضر ما از خوشه دانشگاه نانسی با 5 گره پردازشی استفاده نموده ایم. گره پردازشی اصلی پاسخگوی پردازش داده ها و مدیریت خوشه است. سایر گره های پردازشی پیرو تنها مسئول پردازش داده می باشند. 

موازی سازی الگوریتم انطباق نقشه بهبود یافته

در این بخش و با استفاده از الگوی نگاشت کاهش، الگوریتم پیشنهادی انطباق نقشه برای استفاده بر روی سکوهای رایانش ابری موازی سازی شده و بر روی چاچوب پیشنهادی پیاده سازی شده است. 
الگوریتم موازی انطباق نقشه پیشنهادی از دو گام کلی تشکیل شده است. این گام ها به صورت خطی اجرا شده و خروجی گام نخست ورودی گام بعدی است. 
گام نخست (Job1) شامل یافتن سلول ها، یال ها و در نهایت نقاط کاندیدا برای داده ورودی است. ورودی Job1 داده خام متنی دریافتی از داده های خودروهای شناور است که بر روی HDFS ذخیره شده است. 
در Job1 ابتدا نیاز است مناطق کاندیدا شناسایی شود. این کار توسط تابع نگاشت و در قالب رابطه 11 انجام می پذیرد. به تابع نگاشت کلیدهای ورودی معرفی شده و برای هر کلید پردازنده ای اختصاص داده شده تا تمام مقادیر مورد پردازش قرار گیرند. 

ارزیابی عملکرد چارچوب پیشنهادی

برای ارزیابی عملکرد چارچوب پیشنهادی باید تحقیق الزامات تعیی شده توسط چارچوب یکپارچه تحلیل انطباق نقشه پیشنهادی نسبت به داده های در دسترس برای ارزیابی مورد بررسی قرار گیرد. 
در این تحقیق حدود آستانه در تحلیل انطباق نقشه به کمک میانگین و انحراف معیار سطوح اطمینان محاسبه می شود تا از هر گونه به کارگیری مقادیر محلی اجتناب شود. تعیین حدود آستانه سلول و حدود آستانه زمانی در بخش پیش پردازش نیز با کمک مراجه معتبر قبلی مانند قدوس، ولاگا و لئو تعیین شده است. 
بدین ترتیب الگوریتم توسعه یافته در این پژوهش سراسری و مستقل از پارامترهای محلی است. چارچوب پیشنهادی فارغ از به کارگیری هر گونه حسگرهای اضافی، باید بتواند در رو به رو شدن با نرخ های نمونه برداری متفاوت صحت مناسبی داشته باشد. 
همچنین این چارچوب باید بتواند در مواجهه با داده های بزرگ FCD سرعت پردازش مناسبی را از خود به نمایش بگذارد. لذا در ادامه این مقاله سیستم پیاده سازی شده بر اساس این دو عامل یعنی صحت و سرعت عملکرد مورد بررسی قرار گرفته اند. 

ارزیابی صحت عملکرد چارچوب پیشنهادی

برای اثبات صحت عملکرد الگوریتم پیشنهادی، ما پس از پیاده سازی روش شناخته شده لئو و همکاران نتایج دو روش را مورد مقایسه قرار داده ایم. همچنین در این تحقیق از شاخص شناخته شده نسبت صحت نقاط منطبق شده (ARP) به عنوان معیار اندازه گیری نرخ موفقیت الگوریتم استفاده شده است.
همچنین با افزایش بازه نمونه برداری صحت هر دو روش کاهش می یابد که این نتیجه با توجه به وجود فرضیات کوتاه ترین مسیر قابل انتظار است. در فرآیند وزن دهی قیود ما فرض نمیدیم که خودرو در فاصله میان دو نقطه کوتاه ترین مسیر را طی نموده است. 
بدین ترتیب با افزایش بازه نمونه برداری فاصله میان دو نقطه GPS افزایش یافته و شانس بیشتری برای عبور خودرو از مسیرهای جایگرین وجود دارد. شکل 10 بیانگر اثر قید کوتاه ترین مسیر بر روی صحت نهایی است. 
همان طور که مشاهده می شود با افزایش بازه نمونه برداری و افزایش عدم قطعیت در فرآیند انطباق نقشه، وجود قید کوتاه ترین مسیر باعث بهبود صحت کلی عملکرد الگوریتم شده است. 
تحقیقات نشان می دهد میزان اختلاف بین الگوریتم با و بدون قید کوتاه ترین مسیر به 3.1 درصد می رسد. 

ارزیابی سرعت عملکرد چارچوب پیشنهادی

در این تحقیق یک چارچوی مقیاس پذیر و توزیع یافته برای تحلیل انطباق نقشه ارائه شده است. 
این چارچوب بر اساس فناوری های رایانش ابری و اکوسیستم توسعه یافته است. برای ارزیابی عملکرد چارچوب از یک سیستم موازی با 5 گره پردازشی استفاده شده است. 
همچنین برای ارزیابی عملکرد چارچوب با یک گره از حالت شبه توزیع یافته هدوپ استفاده شده است. برای ارزیابی مقیاس پذیری چارچوب پیشنهادی، در ابتدا مدت زمان پردازش MM برای تعداد متغیری از گره های پردازشی مورد بررسی قرار گرفت. 
با به کارگیری 5 گره پردازشی مدت زمان پردازش تحلیل انطباق نقشه نسبت به تک گره حدود 700% کاهش یافته است.
با افزایش تعداد گره های پردازشی، نرخ بهبود مدت زمان پردازش کاهش می یابد. بدین صورت که نرخ کاهش مدت زمان پردازش بین حالت ت گره و دو گره حدودا 84% است که این نرخ میان حالت سه گره و چهار گره حدودا 31% است.
ما همچنین سرعت تحلیل انطباق نقشه در چارچوب پیشنهادی را با تعداد گره های پردازشی مختلف مورد ارزیابی قرار داده ایم. 
با افزایش تعداد گره های پردازشی تعداد نقاط منطبق شده در هر ثانیه به سرعت افزایش یافته است. بدین صورت که با حضور 5 گره پردازشی چارچوب پیشنهادی توانسته بیش از 7000 نقطه در هر ثانیه را بر روی نقشه منطبق کند.
این درحالی است که روش لئو و همکاران در بهترین حالت توانست بر روی یک گره تنها، حدود 1000 نقطه در ثانیه را پردازش نماید. 
ما نرخ کارآمدی چارچوب را به کمک 5 پره پردازشی و برای حجم های متفاوتی از داده مورد ارزیابی قرار دادیم.
همان طور که مشاهده می کنید با افزایش حجم داده، مدت زمان پردازش نیز افزایش یافته است. همچنین این نمودار نشان می دهد افزایش حجم تاثیر نرخ تغییر مدت زمان پردازش نداشته است. 

نتیجه گیری و تحقیقات آتی

مدیریت هوشمند حمل و نقل نیازمند تحلیل های آنی و لحظه ای داده های حجیم ترافیکی است. یکی از مهم ترین داده های حجیم ترافیکی، داده های خودروهای شناور است. از آنجا که در کاربردهای سامانه های حمل و نقل هوشمند معمولا باید مسیر سفر وسیله نقلیه مشخص باشد، داده موقعیت خودرو شناور باید با شبکه راه ها منطبق شود که این امر به کمک تحلیل انطباق نقشه صورت می پذیرد.
امروزه کاربردهای نوین الگوریتم انطباق نقشه در کنار تلاش برای حفظ نرخ بالای موفقیت، با دو چالش نرخ های متغیر نمونه برداری و سرعت پردازش داده ها روبرو هستند. 
در این مقاله ما الزامات و چالش های نوین پیش روی تحلیل انطباق نقشه را در نظر گرفته و یک چارچوب یکپارچه و مقیاس پذیر را برای پاسخ به نیازهای مسئله انطباق نقشه ارائه کرده ایم. 
نتایج ارزیابی ها بر اساس داده های موجود نشان می دهد روش پیشنهادی نسبت به روش لئو و همکاران دارای صحت و سرعت بهتری است. عمده مشارکت های این مقاله عبارتند از:
  1. در این مقاله یک الگوریتم انطباق نقشه نوین، کلی و مستقل از حسگرهای اضافی ارائه گردیه است. الگوریتم مذکور می تواند نسبت به روش لئو و همکاران داده های با نرخ های نمونه برداری متفاوت را با سرعت و صحت بهتری تحلیل کند. نتایج حاصله نشان می دهد در صورت استفاده از تمامی اطلاعات حاصل از قرائت GPS در فرآیند وزن دهی، یک الگوریتم وزن مبنای انطباق نقشه نیز می تواند دقتی مشابه روش های پیشرفته MM به دست آورد. 
  2. در این مقاله چارچوبی یکپارچه و مقیاس پذیر برای تحلیل انطباق نقشه ارائه گردیده است. این چارچوب می تواند پاسخ به کاربردهای نوین تحلیل های بالادستی ITS ارائه گردید. استفاده از فناوری های رایانش ابری در چارچوب مذکور امکاناتی مانند دسترسی پذیری، تحمل خطا و تعادل بخشی خودکار بار را هدیه می کند. 
با توجه به نتایج به دست آمده از این تحقیق در تحقیقات آتی ما چارچوب پیشنهادی را با کاربردهای متعدد سامانه های حمل و نقل هوشمند مانند مدل سازی انتخاب مسیر و پیشنهاد مسیر، تخمین ترافیک و زمان سفر و پیش بینی جریان ترافیک یکپارچه سازی می کنیم. همچنین بر روی استانداردهای ارسال، دریافت و ذخیره سازی داده مکانی در HDFS تمرکز خواهیم داشت.

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، رایانش ابری خودرو، سرور مجازی، رایانش ابری خودرویی، فضای ذخیره سازی ابری

 
امتیاز دهی
 
 

نظر شما
نام
پست الكترونيک
وب سایت
متنی که در تصویر می بینید عینا تایپ نمایید
نظر
مقالات مرتبط

SIGMACloud

1397/12/18 شنبه

SIGMACloud

ابرسیگما یکی از خدمات شرکت دانش بنیان شرکت سیگما در زمینه سرویسهای ابر عمومی میباشد. سیگما دارنده رتبه 1 شورای عالی انفورماتیک با 16 سال سابقه فعالیت در حوزه فناوری اطلاعات میباشد. سرویسهای cloud ابرسیگما شامل IaaS PaaS DaaS VPC DNSaaS LBaaS FWaaS VPNaaS DBaaS و Cloud storage میباشد.